概念及应用入门
By Miao
工作箱
里面装着完成某类任务所需的判断力、流程和工具。可以是一段话，也可以是一整套带脚本、子文档和参考资料的文件夹。
专家
拒绝平庸，专注特定垂直领域的顶级专业度。不是全能助手，而是对口任务里的专家。
平时不占空间
仅在匹配任务时“按需召唤”。description 就是触发条件，点别的菜它不出现。
全能主厨 / 通用大模型
- •什么菜都会做
- •针对烤鸭切片、卦炉、调酱的细节不专业
- •不一定每次产出都很稳定
烤鸭专家 / AI Skill
- ✓不替代主厨，只在特定任务中做专业度补充
- ✓按需出现（有人点烤鸭才来）
- ✓自带配方和工具（片鸭刀、SOP）
占空间
真正要做的事没空间了。
静态 Skill 正文挤压输入与输出的 Token 预算。
注意力稀释
满脑子杂乱信息，想不清楚干嘛。
长上下文会降低模型对关键指令的遵循度。
缓存失效
每次开工都要重背手册，慢且贵。
Prompt Cache 命中率下降，延迟和成本都会增加。
渐进式披露
平时待机
只让 AI 看到菜单目录：每个 skill 的 name + description。
用户点菜
比如提到 .pptx、Excel、PDF、前端设计。
按需加载
再把完整 SKILL.md、脚本和子文档调出来。
| 概念 | 通俗理解 | 一句话差别 |
|---|---|---|
| Plugin 插件 | 把另一个软件的一部分界面和能力套进 GUI IDE。比如在 VS Code 侧栏里看 Figma 文件、评论和 Inspect 信息，主要给人用。 | 改造人的操作界面：你不用离开 IDE，也能获得接近使用 Figma原生界面的体验。 |
| MCP Model Context Protocol | 给 AI 一根标准管道，按需读取 Figma 的节点、颜色、布局、变量、组件，也能在权限允许时执行动作，主要给 AI/agent 用。 | 改造 AI 的连接能力：AI 不再只能看截图，而能读取/操作结构化上下文。 |
| Skill | 写给 AI 的工作 SOP，告诉 AI 面对 Figma 任务时先调用什么、后检查什么、哪些 API 坑不能踩，也是给 AI/agent 用。 | 改造 AI 的工作方法：AI 知道怎么把 MCP 用对、用稳。 |
最容易看清边界
| 概念 | Figma 场景里的对应物 | 装在哪 | 服务谁 | 核心特征 |
|---|---|---|---|---|
| Plugin | Figma for VS Code：在编辑器侧栏里浏览 Figma 文件、评论、Inspect 信息和代码建议。 | VS Code / Cursor 这类 GUI IDE | 人 | 像把 Figma 开了一个小窗口塞进 IDE，重点是人操作更顺。 |
| MCP | Figma MCP Server：AI 读取节点、颜色、布局、变量、组件、截图，也能在权限允许时写回画布。 | AI 客户端连接的 MCP server | AI/agent | 不是无脑实时推送，而是按需读取/操作的活管道。 |
| Skill | Figma 官方提供的 MCP 工作流说明：基于 Figma MCP 怎么正确做事。 | 支持 skill 的 AI 客户端 | AI/agent | 告诉 AI 如何正确使用 MCP：先读什么、怎么调用、怎么验证、哪些坑不能踩。 |
它不复杂
├── SKILL.md
├── scripts/ 可选
├── references/ 可选
└── assets/ 可选
把它理解成一个小型工作包：SKILL.md 负责告诉 AI 怎么做事；其余三个目录是在需要时给 AI 额外的工具、资料和现成素材。
SKILL.md
主说明书。开头的 name 和 description 决定它什么时候被触发；正文写流程、标准、反例和检查清单。
scripts/
可执行小工具。比如批量处理文件、跑测试、生成报告。只有任务确实需要动手算或操作时，AI 才会调用这里的脚本。
references/
补充资料库。放 API 坑点、风格规范、示例、评判标准等，避免把所有细节都塞进主文档里，让 AI 按需查阅。
assets/
现成素材区。放模板、示例图片、样例文件、静态页面等，供脚本或 AI 直接复用，不用每次从零生成。
frontend-design
写代码前先想清楚四件事
界面解决什么问题？用什么风格基调？技术约束是什么？什么是让人过目不忘的那一个点？
永远不要用通用 AI 审美
不要紫色渐变白底、可预测布局、没有上下文特征的设计。
字体要有个性
明确禁止 Arial、Inter、Roboto 这类默认选择。
skill-creator
AI 先按 SKILL.md 里的模板写出 skill 初稿，比如一个新的“写周报”skill。
run_eval.py 自动跑一轮测试：拿真实场景去试这个 skill，看输出质量。
comparator.md 做盲评：把新 skill 和旧版本的输出匿名放在一起，让 AI 判断哪个更好。
如果分数不够，run_loop.py 自动迭代：改 skill → 重新测试 → 再对比，直到质量达标。
最后 viewer.html 生成可视化报告，展示每轮优化的得分变化。
Prompt 型与工具型
Prompt 型
靠文字改变 AI 的判断标准，比如 frontend-design。
工具型
靠代码和流程赋予 AI 新能力，比如 skill-creator。
SKILL.md
结构相似
name: skill-creator
description: Use when creating, improving,
or benchmarking skills...
---
正文：指令、流程、反例、检查清单……
name
门牌号：AI 内部叫它什么。
description
招聘 JD：什么时候该把它请出来。
正文 / scripts
工作手册和工具箱：请出来之后具体怎么干。
被调用的
不是 100% 稳定
description 太窄
你说处理 Excel，描述只写 analyze CSV data。
description 太宽
几个 skill 都说自己能做 writing 或 analysis。
任务太含糊
只说“帮我看看这个”，没有足够强的触发信号。
就手动点名
/skill-name 你的具体任务
/xlsx 帮我处理这个 Excel 表格，汇总各渠道销售额，并生成趋势图
| 渠道 | 内容 | 推荐度 |
|---|---|---|
| Anthropic 官方仓库 | 官方维护的 pptx / docx / xlsx / pdf / frontend-design 等，所有人的稳定起点。 | ★★★★★ |
| find-skills skill | 让 AI 根据任务需求主动帮你查找、推荐和安装合适的 skill。 | ★★★★ |
| skills.sh | Skill 集合网站，可视化浏览、搜索、一键安装，适合逛街扫货。 | ★★★★★ |
| SkillHub Desktop | 管理多端 skills，知道想要什么 skill 时可以快速搜索和安装。 | ★★★★ |
| 自制 skill | 把自己的工作流程、SOP、写作风格、UI 规范写成 skill。e.g.方钰sql.skill | ★★★★★ |
Skill 不是越多越好
description 池子有容量
挂得太多，CLI 工具可能自动压缩或截断 description。
误触发率会上升
描述之间撞车，太宽的 skill 会抢占其它 skill 触发机会。
路由判断成本上升
每次输入都要和所有 description 对一遍，越多越慢也越容易错。
少而精
宁可挂 10 个高频高质量的，也不要挂 50 个“以防万一”。
定期审计
哪些 skill 半年没被调用过，删掉。
相似合并
三个写邮件 skill，不如一个分支清晰的写邮件 skill。
团队自建优先
沉淀组织自己的工作习惯、标准和方法。
01 用一个 skill
从成熟、低风险、高频任务开始，比如 xlsx / pptx / frontend-design。观察自动触发、手动点名、输出差异，理解它到底帮 AI 补了什么判断力和流程。
02 做一个 skill
把反复出现、标准稳定、结果可检查的工作沉淀成 SKILL.md。先写 name、description、流程、质量标准、反例和自检清单，用 3 个真实案例测试。
03 改一个 skill
根据失败案例迭代：没触发就改 description，误触发就收窄边界，用了但不好就补流程、例子、检查清单，必要时加入参考资料或脚本。（其实也都可以只讲清楚原理原则，让IDE来改，只检查效果）