Skills技能是一套可复用的指令包，可附带可选的辅助文件。它能帮助人工智能更可靠、更一致地处理重复性工作流程。一个技能至少需要包含一个 SKILL.md 文件，其中记录元数据（名称与描述）以及该技能具体的运行逻辑说明。人们通常会将脚本、模板和示例一并打包，以实现流程标准化与结果准确性。
读到这里，你可能会好奇：我们为什么要使用技能，而不是直接把所有内容写进 Claude Code 或 Codex 的上下文里？其中一个优势是，技能能让主上下文保持简洁。人工智能一开始只需加载轻量化的元数据，当判定该技能适用时，再读取剩余指令与配套资源。你可以在 skills.sh 找到大量优质的公开技能库。
下面我用一个简单的例子，把这个概念讲得更具体。
我的案例——每周可视化技能
背景
自 2018 年起，我坚持每周制作一张数据可视化作品。如果你感兴趣，可以在这篇文章中了解我的创作历程。这个流程重复性很高，通常每周要花费我一小时左右。因此，我认为它非常适合用技能实现自动化。
2025 年的部分可视化作品示例
无 AI 参与的工作流程
我的每周固定流程如下：
1
找到一个自己感兴趣的数据集。我常用来寻找灵感的网站包括 Tableau 每日精选可视化、Voronoi、美国劳工统计局每日经济简报、Reddit 数据之美板块 等。
2
打开 Tableau，探索数据、挖掘洞察，并制作一张能直观讲述故事的可视化作品。
3
发布到我的个人网站。
AI 参与的工作流程
虽然寻找数据集这一步仍需手动完成，但我创建了两个技能，实现了步骤 2 和 3 的自动化：
•
一个 storytelling-viz 技能：用于分析数据集、挖掘洞察、推荐可视化类型，并生成直观、简洁、侧重叙事的交互式可视化图表。
•
一个 viz-publish 技能：将可视化作品以嵌入 HTML 的形式发布到我的网站。这个技能我就不公开分享了，因为它高度适配我个人网站的仓库结构。
下面是我在 Codex Desktop 中触发 storytelling-viz 技能的示例。我沿用了上一次使用的苹果健康数据集，让 Codex 从 Google BigQuery 数据库查询数据，再通过该技能生成可视化图表。模型成功挖掘出年度运动时长与卡路里消耗之间的关联洞察，并结合利弊分析给出了图表类型推荐。
作者提供的技能触发截图（第 1 部分）
作者提供的技能触发截图（第 2 部分）
整个过程耗时不到 10 分钟，下图是最终输出成果：以数据洞察为核心标题，搭配简洁的交互式可视化图表，同时标注注意事项与数据源。我已经用过去几周的可视化作品测试了该技能，你可以在技能仓库中查看更多可视化示例。
storytelling-viz 技能生成的可视化图表（作者截图）
我是如何实际构建这个技能的
看完输出成果，接下来我带你一步步了解这个技能的搭建过程。
步骤 1：先制定方案
正如我在上一篇文章中提到的，我习惯在动手实现前先和人工智能一起确定方案。在这里，我先描述了自己每周可视化的工作流程，以及想要实现自动化的目标。我们一起讨论了技术栈、需求以及“优质输出”的标准，由此诞生了该技能的第一个版本。
方便的是，你无需手动创建 SKILL.md 文件——直接让 Claude Code 或 Codex 为你的场景创建一个技能即可，模型会自动生成初始版本（它会调用一个“创建技能”的内置技能）。
搭建技能（作者截图）
搭建技能（作者截图）
步骤 2：测试与迭代
不过，第一个版本只完成了我理想可视化流程的 10%。它虽然能生成图表，但图表类型往往不够合适，视觉风格不一致，核心结论也不总是突出，等等。
剩下 90% 的完善工作需要靠迭代优化。下面是一些对我很有帮助的优化思路。
1. 融入个人经验
过去八年里，我形成了自己的可视化最佳实践与风格偏好。我希望人工智能遵循这些规范，而不是每次都生成截然不同的风格。因此，我把自己的可视化截图和风格指南提供给模型，人工智能能够总结出通用原则，并据此更新技能指令。
融入个人经验优化技能（作者截图）
2. 参考外部资源
网上有大量优秀的数据可视化设计资源。我采取的另一个有效步骤是，让人工智能从权威来源和同类公开技能中研究更优的可视化策略。这为技能补充了我未曾明确记录的设计视角，让它更具扩展性与鲁棒性。
参考外部资源优化技能（作者截图）
参考同类技能优化技能（作者截图）
3. 从测试中迭代优化
测试是发现优化点的关键。我用 15 个以上不同类型的数据集测试了该技能，观察其表现，并与我自己制作的可视化作品对比。这个过程帮助我提出了具体的优化方向，例如：
•
统一字体选择与布局
•
检查桌面端与移动端预览效果，避免标签和注释重叠
•
确保图表即使不借助悬浮提示也能清晰易懂
•
始终要求标注数据源并在可视化中添加链接
•
…
通过测试优化技能 1（作者截图）
通过测试优化技能 2（作者截图）
通过测试优化技能 3（作者截图）
你可以在这里查看 storytelling-viz 技能的最新版本。欢迎试用并分享你的反馈。
给数据科学家的启示
技能的适用场景
我的每周可视化项目只是一个案例，技能在许多重复性数据科学工作流程中都能发挥作用。当你面对频繁出现、遵循半结构化流程、依赖领域知识，且单条提示词难以妥善处理的任务时，技能尤其有价值。
•
例如：分析指标 X 的波动原因。你大概率已经知道 X 的常见影响因素，因此总会先按维度 A/B/C 拆分，并查看上游指标 D 和 E。这类流程完全可以封装成技能，让人工智能遵循固定分析思路，帮你定位根因。
•
再比如：你计划在 A 地区开展一项实验，想要查看该区域正在运行的其他实验。以往你需要在 Slack 中搜索关键词、翻阅 Google Docs、打开内部实验平台查看带有该地区标签的实验。现在，你可以把这些常规步骤整理成技能，让大模型完成全面调研，并生成一份包含实验目标、周期、流量、状态和相关文档的汇总报告。
如果你的工作流程包含多个独立且可复用的模块，应将其拆分为多个独立技能。在我的案例中，我创建了两个技能——一个用于生成可视化图表，另一个用于发布到博客。这样能让模块更模块化，便于后续在其他流程中复用。
技能与 MCP 配合使用效果极佳。我在一条指令中同时使用了 BigQuery MCP 和可视化技能，模型成功基于我在 BigQuery 中的数据集生成了可视化图表。MCP 帮助模型顺畅调用外部工具，而技能让模型遵循正确的任务流程。二者相辅相成，能力十分强大。
关于我每周可视化项目的最后一点想法
如今我已经能自动化完成每周可视化 80% 的流程，为什么还在坚持做这件事？
2018 年刚养成这个习惯时，我的目标是练习当时公司主流的商业智能工具 Tableau。但随着时间推移，这件事的意义已经改变——现在，我把这个每周仪式当作探索工作中不会接触到的各类数据集、锻炼数据直觉与叙事能力、用数据视角看待世界的方式。对我而言，重要的不再是工具本身，而是探索的过程。这也是为什么即便身处人工智能时代，我依然打算坚持下去。
-------------------------------------------------------------
