每天早晨，有人从20多个网站里筛选AI新闻，分类、整理、写成日报。整个流程下来，少说也要四十分钟。

后来，一份技能文件改变了这一切。只需一句话，数据自动抓取、分类、写稿、渲染成图片。四十分钟变成了一句话。

这份技能不是别人给的，是自己做的。不用写代码，核心就是一个Markdown文件。

怎么做到的？接下来用两个实际案例，把从零开始造技能这件事聊透。不用写代码，也不用懂编程。

一、Skills 到底是什么

一句话：Skill 就是给AI准备的技能手册。

打个比方。你去餐厅吃饭，厨师有基本功，能切菜能炒菜。但要做出一道特定的菜，他需要菜谱。菜谱告诉他：用什么食材、什么火候、什么顺序。

Skill 就是AI的菜谱。Claude Code 本身什么都能干一点，但你给它一个 Skill，它就知道碰到某类任务该怎么做、用什么流程、输出什么格式。

一个文件夹，核心就一个文件

Skill 的结构非常简单：

my-skill/
├── SKILL.md # 核心：告诉AI怎么干活
├── scripts/ # 可选：需要跑的脚本
└── references/ # 可选：参考文档、模板

最重要的就是 SKILL.md。这个文件分两部分：

第一部分是元数据，包括名字、描述、触发条件。比如AI日报 Skill，描述写的是“聚合20+ AI信息源，生成每日AI日报”。

第二部分是操作指南，告诉AI具体怎么一步步干活。

一个容易忽略的细节：Description

Description 这个字段特别关键。AI 不会一上来就读完你所有 Skill 的内容，它先看 Description，觉得匹配了才会去读详细说明。

这就像在应用商店搜App，搜索结果里只显示一行简介。简介写得准，用户才会点进去。Description 写模糊了，AI 就匹配不到你的 Skill，等于白做。

Claude Code 和 OpenClaw 的 Skills：一套东西，两个地方用

如果你同时在用 Claude Code 和 OpenClaw，有个好消息：两边的 Skill 结构几乎一样，核心都是一个 SKILL.md。

常见的用法是：用 Claude Code 开发和测试 Skills，跑通了再部署到 OpenClaw 使用。Claude Code 里迭代方便，改完立刻能测。等稳定了，丢到 OpenClaw 的工作区，通过飞书、微信这些渠道就能触发。

一份 Skill 两个平台用。

二、5步，从0造一个 Skill

造 Skill 听起来好像要写代码。其实不用。

核心就三件事：想清楚问题，讲给AI听，跑起来改起来。

拆成5步来说。

第一步：找到你的重复劳动

起点不是“我想做个XX Skill”，而是“我每天在XX事情上花太多时间了”。

一个简单的判断标准：这件事你重复做了3次以上，每次流程差不多，就可以考虑做成Skill。

做AI日报 Skill 的起点就是这样的。每天早上打开十几个网站，从 VentureBeat 翻到 HuggingFace，再到 GitHub Trending，重复了两个月，终于受不了了。

第二步：先手动跑通一遍

这一步很多人会跳过，但吃过亏。

做AI日报的时候，第一版效果很差。原因很简单：直接让AI去造Skill，自己都没搞清楚完整的流程到底是什么。哪些信息源该抓，哪些该扔，输出格式是什么样的，截图要怎么切——这些细节不手动跑一遍根本想不到。

所以建议：在让AI造Skill之前，自己先手动做一遍完整流程。把每一步具体在干嘛写下来。这份手动流程就是给AI的最好需求文档。

第三步：把需求讲给AI听

这一步就像跟同事交代工作。不用写代码，用大白话说就行：

“帮我创建一个 Skill，每天从20个AI信息源抓新闻，按分类汇总成一份日报，最后渲染成图片。”

AI收到之后会追问细节。触发关键词是什么？输出格式要 Markdown 还是 HTML？图片要不要切割？

一问一答聊完，需求就清楚了。AI会帮你生成一个标准的 SKILL.md。

生成之后记得检查一下 Description 是不是准确。前面说过了，这个字段决定了AI能不能正确找到你的 Skill。

第四步：跑起来，改起来

Skill 生成之后，试跑一次。

大概率第一次跑出来的效果不会让人满意。可能是抓取的数据有噪音，可能是分类逻辑不对，可能是输出格式不好看。

这很正常。改一改，再跑一次。一般改个2-3轮就基本稳定了。

经验表明，前两轮主要是修大问题（流程跑不通、关键步骤缺失），第三轮开始是调细节（格式微调、措辞优化）。

第五步：分享出去（可选）

觉得自己的 Skill 好用，可以分享到 GitHub 或者 ClawHub，让别人也能用。

当然这一步完全可选。自己用得爽就够了。

三、实战案例：我的AI日报 Skill

方法论讲完了，接下来看看真实场景里会遇到什么。

为什么做

前面提过，每天从20多个信息源扒AI新闻。这些源包括 VentureBeat、TechCrunch、The Verge、OpenAI Blog、Anthropic Blog、HuggingFace Papers、GitHub Trending 等等。

手动做的时候，光是打开这些网站、扫一遍标题、筛出有价值的内容，就要半个多小时。更别说还要分类整理、写成日报格式。

最终效果

现在只需要说一句“AI日报”，整个流程自动跑：

脚本从20+源并发抓取数据
用多个 subagent 并行处理不同分类（重大发布、研究论文、行业商业、工具应用）
汇总生成 Markdown 日报
渲染成 Newsletter 风格的 HTML
自动截图，按分类切成多张图片

从触发到出图，全程不用动手。

迭代过程中的坑

这个 Skill 不是一次做好的，改了很多轮。聊几个印象比较深的。

一开始把 Hacker News 也加到了信息源里。想法是 HN 上技术内容多，应该有不少AI相关的。跑了几天发现不对，HN的内容太杂了，AI相关的帖子占比很低，大量非AI内容混进来。每次生成的日报里总有几条完全不相关的东西。没去优化过滤逻辑，直接把 HN 这个源砍了。

还有截图的问题。日报生成之后，需要渲染成好看的页面再截图发到社交平台。一开始截的是一整张长图，但一份日报内容很多，截出来图片太长，微信里根本看不清。后来做了按分类切割：以每个大标题为边界，把长图裁成多张。今日头条一张，重大发布一张，研究论文一张。每张图信息量刚好，发出去阅读体验好很多。

GitHub Trending 也踩了坑。上面的项目不一定都和AI相关，光看项目名和简介经常误判。后来加了一层验证：抓到项目之后，再去读一下它的 README 内容，综合判断是不是真的和AI相关，不相关的直接跳过。这个改动之后，日报里推荐的 GitHub 项目质量提升了不少。

核心体感

每次跑一遍都会发现新问题，改一改再跑。核心流程稳了之后就舒服了，后面都是些小调整。

四、实战案例：站在别人肩膀上改配图 Skill

第二个案例是文章配图 Skill。这次没从零开始。

起因

写公众号文章经常需要配图。每次手动找图或者做图特别麻烦，而且质量不稳定。想要一个能自动分析文章内容、判断哪里该配什么类型的图、然后直接生成的 Skill。

发现宝玉的 baoyu-article-illustrator

找了一圈，发现宝玉大佬在 GitHub 上开源了自己的自媒体 skills，里面有一个文章配图 Skill。

看了一下方案，提示词规范做得特别好。每种配图类型都有结构化的 prompt 模板，布局、数据、颜色、比例都有明确要求，不是随便写一句话让AI去猜。

配图类型的匹配逻辑也想得很清楚。文章里出现数据和指标，匹配 infographic；出现步骤和流程，匹配 flowchart；出现对比，匹配 comparison；出现架构，匹配 framework。不是拍脑袋决定用什么图，而是有一套信号匹配规则。

整个工作流也串得很顺：分析文章、确认设置、生成大纲、写 prompt、生成图片、插入文章，6步走完不用操心中间环节。

改了什么

宝玉的版本有一个设计不太认同：他锁定了预设的视觉风格。

不同文章应该有不同的视觉表达。技术文章适合蓝紫色科技感，叙事类文章适合暖色调，教程类适合卡片步骤风格。锁定一种风格，等于所有文章长一个样。

所以做了一个调整：把风格决策权交给AI。AI读完文章之后，自主判断这篇文章适合什么视觉风格，然后在 prompt 里具体描述出来。

当然底线还是有的：干净背景、扁平矢量、信息优先、主色不超过3个。但在这些底线之上，AI可以自由发挥。

改完之后效果明显好了。技术文章出来的图有科技感，个人向的文章配图就暖一些，不再千篇一律。

这件事的启示

宝玉的 Skill 提示词规范和类型匹配逻辑都很好，只改了风格策略这一块。省了大量从零搭建的时间。

很多时候造 Skill 最快的路径就是这样：找一个靠谱的基础版本，让它变成私人定制版本。

五、几个踩过坑之后的建议

1. Description 要写准

再强调一次。Description 是AI匹配 Skill 的第一道关卡。写得太宽泛，比如“一个有用的工具”，AI不知道什么时候该用它。写得太窄，比如只写了一个触发词，覆盖场景又不够。

好的 Description 用一句话说清楚这个 Skill 干什么就行。比如日报 Skill 写的是“聚合20+ AI信息源，生成每日AI日报”，简短、具体、能被匹配到。

2. 先手动跑通再封装

如果你手动都没做过这件事，直接让AI生成 Skill，出来的东西大概率不能用。因为你自己都不知道完整流程是什么，AI更不可能知道。

先手动跑通一遍，把流程记下来，再让AI封装成 Skill。这个顺序不能反。

3. 一个 Skill 解决一个问题

别贪多。一个 Skill 想干5件事，结果每件事都做得一般。

建议把大任务拆成多个 Skill。日报是日报的 Skill，配图是配图的 Skill，排版是排版的 Skill。各自独立，各自迭代。

4. 迭代心态

第一版一定不完美。别纠结，改就是了。

改2-3轮基本就稳了。前两轮修大问题，第三轮调细节。

六、三个推荐安装的 Skills

讲了怎么造 Skill，最后推荐三个应该装上的 Skills。这三个不是干某件具体的事，而是让你的AI自己能找工具、造工具、审工具。

find-skills：技能发现器

ClawHub 上有一万多个 Skill，你不可能一个个翻。

装了 find-skills 之后，跟AI说“我想实现XX功能”，它自动去搜索、推荐、帮你安装。相当于给AI装了一个自己找工具的能力。

做配图 Skill 的时候就是这样找到宝玉的方案的。

skill-creator：技能创建器

ClawHub 上找不到你想要的？自己造一个。

用 skill-creator，用自然语言描述需求，它帮你生成标准的 SKILL.md，直接就能用。不用写代码，不用研究格式规范。

这个 Skill 相当于把前面讲的第三步做了标准化封装。

skill-vetter：技能安全审查器

安装任何第三方 Skill 之前的安全门卫。

它会自动检测 Skill 里有没有红旗信号：可疑的权限请求、异常的命令执行、不明的外部调用。帮你评估风险，识别潜在问题。

别觉得多余。ClawHub 上鱼龙混杂，之前 OpenClaw 社区就出过供应链攻击事件，恶意 Skill 篡改用户的配置文件。装第三方 Skill 之前扫一下，花30秒的事。

三个 Skill 的组合逻辑

有现成的就用 find-skills 找，找不到就用 skill-creator 自己造。不管哪种，装之前让 skill-vetter 扫一遍。

从每天40分钟扒新闻，到一句话搞定日报。中间隔的不是什么高深技术，就是一个 SKILL.md 文件。

如果你也有某个重复性工作让你头疼，可以试试做成 Skill。先从 find-skills 搜搜有没有现成的。找不到就自己造一个，前面讲的5步跟着走就行。

一个 Skill 解决一个具体问题，慢慢攒着，你的AI就越来越顺手了。