智能体技能（Agent Skills） 是可复用的指令、脚本与资源包，Codex 这类 AI 智能体可自动加载，高效、稳定地完成特定任务。
无需反复输入相同指引，一次编写技能即可全局复用，既节省时间又减少错误。你可以自动安装预制技能，或根据组织需求定制专属技能，并在团队间共享。
这种模块化方式，能将通用 AI 助手转变为领域专家，让它们可靠处理复杂专业的工作流，而不必在每次对话中重复下发指令。
很多人第一次看到这个项目（openai/skills）时，会以为它只是一个“工具调用示例库”。但如果你认真看一遍，会发现它其实在做一件更底层的事情：它在重新定义，大模型到底算不算一个“系统”。
过去我们用 AI，大多数时候是在“对话”。你问，它答。最多写写代码、翻译文本、解释概念。这种模式本质上还是停留在“语言层”。
但 Skills 这个东西，开始把 AI 推到另一个层级——执行层。
你可以把它理解成这样：
大模型本身只是一个“会思考、会说话的大脑”，但它没有手脚。而 Skills，就是给它接上的“外部器官”。
比如一个 Skill，可以是：
- 调用 GitHub API 去读代码
- 查数据库
- 发一封邮件
- 执行一段 Python
- 调你自己的服务器接口
当这些能力被标准化之后，AI 就不再只是“建议你做什么”，而是可以真的去“做”。
这里面最关键的变化，不是功能，而是结构。
以前我们做自动化，逻辑是这样的：
人写流程 → 调 API → 拼结果
现在开始变成：
AI 自己决定流程 → 自动选择工具 → 执行 → 再继续决策
这就是 Skills 的意义。
它不是一个工具库，而是一层“能力协议”。
你会发现，它的设计很像你熟悉的东西：有点像 OpenAPI，有点像函数调用，但又更进一步。因为它不是让人去调用，而是让模型去“理解并选择”。
换句话说：
你不是在写代码调用工具
而是在“教 AI 这个工具能干嘛”
然后它自己用。
这件事一旦成立，整个开发范式就变了。
你不再需要写死流程，而是构建一个“能力空间”，让 AI 在里面自由组合。
比如一个简单请求：
“帮我分析这个 GitHub 项目，并写一个总结”
在传统程序里，你要写：
- GitHub API 拉代码
- 文本解析
- 调模型总结
- 输出格式化
但在 Skills + Agent 的模式里：
AI 会自动做这件事：
- 发现需要 GitHub 数据 → 调 GitHub skill
- 拿到代码 → 调分析 skill
- 生成总结 → 输出
整个过程，你不再写“流程”，而是提供“能力”。
这就是为什么现在你看到：
- OpenClaw
- LangGraph
- 各种 Agent 框架
都在做类似的事情。
它们本质上都在解决同一个问题：
如何让 AI 从“聊天工具”，变成“任务执行系统”
而 Skills，就是这条链路里非常核心的一环。
如果再说得直白一点：
以前的软件，是人写逻辑，机器执行
现在的软件，是机器自己生成逻辑，再调用能力执行
这是一个非常大的转变。
也正因为如此，这个项目虽然看起来简单，但其实指向的是一个更大的趋势：
AI 正在变成一种“操作系统”。
而 Skills，就是这个操作系统里的“应用接口”。
就像你手机里的 App，不需要你关心底层怎么实现，你只需要点开它就能完成一件事。未来的 AI 也是一样——它会根据你的需求，自动调用一组 Skills，帮你完成任务。
你甚至不需要知道它做了什么。
这时候，“会不会写 prompt”，已经不重要了。
更重要的是：
你能不能设计出一组好的能力，让 AI 有东西可用。
如果你现在在做：
- 自动化流程
- Telegram Bot
- 多 Agent 系统
- AI + 电商 / 内容
那这个思路，其实已经和你非常接近了。
你做的每一个接口、每一个功能，本质上都可以被抽象成一个 Skill。
当你把这些能力整理出来，并让 AI 去调用它们的时候，你其实就在做一件事：
搭一个属于你自己的 AI 操作系统
这才是 openai/skills 这个项目，真正有意思的地方。
Github：https://github.com/openai/skills
油管：https://youtu.be/QJT-Sz292Ek