盘点 4 个让 AI Agent 变强的 Skills。

Skills 这么多，怎么找到适合自己的？ Vercel 官方出了个 find-skills，专门解决这个问题。它本质上是一个 Skills 包管理器，通过npx skills命令就能用。

核心功能挺直接的：•npx skills find [关键词]搜索 Skills，支持交互式搜索 •npx skills add 安装 Skill •npx skills check检查更新 •npx skills update一键更新所有已安装的 Skills 比如你想找 React 性能优化相关的 Skill，直接运行npx skills find react performance，它会列出所有相关的 Skills，还会给你安装命令和文档链接。 官方还做了一个 Skills 搜索网站skills.sh，可以在线浏览所有的 Skills。对于经常用 AI Agent 干活的人来说，这个工具能帮你快速发现和安装各种能力扩展，省得到处找。

它把 Skill 的结构讲得很清楚：•SKILL.md是核心文件，包含 YAML 元数据和 Markdown 指令 •scripts/放可执行脚本 •references/放参考文档 •assets/放模板、图片等资源文件 比较有价值的几个设计原则：渐进式加载：Skill 分三层加载，先是元数据（约100词），再是 SKILL.md 主体（<5k词），最后按需加载引用文件。这样设计是为了省上下文窗口。 自由度匹配：任务越脆弱，指令越具体；任务越灵活，指令越宽松。就像走钢丝需要护栏，在广场上可以随便走。 不要创建多余文件：Skill 不需要 README.md、安装指南、更新日志这些，它只需要 AI 干活要用的信息。 整个指南非常实用，从理解需求、规划内容、初始化、编写到打包发布，每个步骤都有详细说明。想认真做 Skill 的话，这个值得好好读一遍。

整个过程分几步：先了解项目上下文，看看文件、文档、最近的提交。然后一个一个问题问清楚，搞明白目的、约束和成功标准。 接下来提出 2-3 个方案，说明各自的优缺点，给出你的推荐理由。 最后呈现设计，按模块逐步展示，每个模块确认没问题再往下走。设计通过后，写一份设计文档保存到docs/plans/目录，然后才能调用实现相关的 Skill。 有个硬性规定：在用户批准设计之前，禁止调用任何实现类 Skill，禁止写代码，禁止搭建项目。 听起来有点繁琐，但实际上能避免很多返工。很多时候我们觉得简单的项目，做着做着就发现各种问题，还不如一开始就把事情想清楚。

它把调试过程分成四个阶段：阶段一：根因调查仔细读错误信息，可靠地复现问题，检查最近的改动。如果是多组件系统，还要在每个组件边界加诊断日志，搞清楚数据在哪儿断的。 阶段二：模式分析找类似的工作代码，对比差异，理解依赖关系。不要想当然地觉得某些差异不相关。阶段三：假设和测试提出单一假设，用最小改动去测试。一次只改一个变量，不要一次性修多个问题。如果不对，回到阶段一重新分析。 阶段四：实现先写失败的测试用例，然后修复根因，最后验证修复有效。如果连续 3 次修复都失败，停下来质疑架构设计。 这个方法论的好处是避免乱猜乱试，减少改出一个 Bug 引出两个新 Bug 的情况。据统计，系统化调试 15-30 分钟搞定，随机修复可能要折腾 2-3 小时。