如果你用过几个不同的 AI 平台比如 ChatGPT、Claude、DeepSeek或者国内的一些大模型产品那你一定遇到过这个场景你在 A 平台上精心调试好了一套复杂的提示词Prompt或者一个多步骤的“技能”Skill效果非常棒。然后你想在 B 平台上复用或者分享给同事。接下来你面对的就是无穷无尽的复制、粘贴、格式调整、变量替换以及最让人头疼的——在不同平台的界面里重新配置那些复杂的参数和上下文。这个过程本质上是在做“信息搬运工”。你创造的核心价值——那个能解决问题的思维框架和工作流——被淹没在重复的体力劳动里。更糟的是一旦原始技能有更新你需要在所有地方手动同步稍有遗漏就可能出现版本混乱。这就是为什么当我看到 GitHub 上一个名为Skills Manager的项目在短时间内获得了超过 2.4K 星标时我立刻意识到它解决的远不止是一个“复制粘贴”的小麻烦。它瞄准的是 AI 应用从“单次炫技”走向“工程化复用”过程中一个最基础、也最容易被忽略的环节技能资产的标准化管理与跨平台流转。这个项目本身可能并不复杂但它背后的思路却指向了 AI 工作流中一个正在形成的共识当提示词Skills成为新的“代码”我们该如何像管理代码库一样去管理它们1. 从“手动搬运”到“资产沉淀”重新理解 AI Skills 的价值在深入 Skills Manager 之前我们需要先达成一个共识一个成熟的 AI Skill或称为工作流、智能体、提示词模板到底是什么它绝不仅仅是一段文本。一个具备工程价值的 Skill通常包含以下几个层次核心指令The Core Prompt这是灵魂是解决问题的逻辑和步骤描述。参数与变量Parameters Variables这是可配置项比如{topic}、{tone}、{length}让同一个技能能适应不同场景。上下文示例Few-shot Examples这是“教学材料”告诉模型在特定情况下应该如何响应。系统角色与约束System Role Constraints这是“行为准则”比如“你是一位资深技术博主”、“请用 Markdown 格式输出”、“不要虚构信息”。外部工具调用Tool Calls这是“扩展能力”比如联网搜索、执行代码、调用 API。元数据Metadata这是“管理信息”比如创建者、版本号、适用模型、预期输入输出格式、标签分类。当你手动从一个平台复制到另一个平台时你很可能只复制了第1层顶多加上第2层。第3到第6层的信息要么丢失要么需要你凭记忆重新配置。这导致了一个严重问题技能的“可复现性”和“可维护性”极差。Skills Manager 的出现首先是把我们从这个重复劳动中解放出来。但它的深层价值在于它强迫或者说引导我们以一种更结构化的方式去思考和定义“技能”。它像一个Skills 的版本控制系统和包管理器的雏形。注意这里说的“Skills”是一个广义概念在不同平台可能有不同叫法如 OpenAI 的 GPTs、Claude 的 Projects、Coze 的 Bots 等其核心都是封装好的、可复用的 AI 工作流单元。2. Skills Manager 的核心一个连接器而非另一个平台理解 Skills Manager 的关键在于不要把它当成又一个 AI 创作平台。它不生成内容不运行模型。它的定位非常清晰一个专注于 AI Skills 导入、导出、转换和管理的桌面工具。你可以把它想象成一个专为 AI Skills 设计的“格式工厂”和“同步中心”。它的工作流程通常是这样的导出Export从平台 A例如某个网页版的 GPTs 编辑器将你的 Skill 导出为一个结构化的文件如 JSON。转换与管理Convert Manage在 Skills Manager 中你可以查看这个 Skill 的完整结构编辑元信息如名称、描述、标签甚至可以基于某种模板进行轻微的格式转换以适应不同平台的要求。导入Import将处理好的 Skill 文件一键导入到平台 B例如另一个支持文件导入的 AI 应用或本地部署的大模型工具。这个看似简单的流程解决了几个核心痛点格式统一化不同平台对 Skill 的存储格式五花八门。Skills Manager 试图建立一个“中间表示”让转换变得有章可循。资产本地化你的核心资产Skills不再只存在于某个平台的云端账户里而是以文件形式保存在本地你拥有了完全的控制权和备份能力。批量操作想象一下你要迁移 20 个 Skills手动操作是灾难。而通过工具可以批量导出、整理、再批量导入。2.1 实操初探从一次简单的导出开始虽然项目正文没有提供具体命令但这类工具通常的入门路径非常清晰。我们以一个假设的、基于命令行的 Skills Manager 为例来勾勒出典型的使用场景# 假设场景从某个源导出我的“技术博客写作助手”Skill skills-cli export --source chatgpt --skill-id “blog-helper-123” --output ./my-skills/ # 查看导出后的结构化文件 cat ./my-skills/blog-helper-123.json这个 JSON 文件里你看到的将不再是杂乱的文本而是分门别类的结构{ “name”: “技术博客写作助手”, “version”: “1.2”, “author”: “YourName”, “description”: “根据技术主题和大纲生成结构清晰、有深度的中文技术博客草稿。”, “system_prompt”: “你是一位拥有10年经验的资深中文技术博主...完整的角色定义和行为约束”, “user_prompt_template”: “请基于以下主题和要点撰写一篇博客\n主题{topic}\n核心要点{key_points}”, “parameters”: { “topic”: {“type”: “string”, “description”: “博客核心主题”}, “key_points”: {“type”: “array”, “description”: “核心要点列表”} }, “few_shot_examples”: [...], “tags”: [“writing”, “technical”, “chinese”, “blog”], “compatible_models”: [“gpt-4”, “claude-3”] }这个结构化的视图本身就是一次认知升级。它让你清晰地看到自己技能的“全貌”。3. 不止于搬运技能管理的进阶实践与工程化思考如果 Skills Manager 只能做格式转换那它的价值仍然有限。它的真正潜力在于为 AI Skills 的“工程化生命周期管理”提供了基础设施。我们可以沿着这个思路构建更成熟的工作流。3.1 建立个人或团队的 Skills 知识库你可以将导出的所有 Skills 文件放入一个用 Git 管理的仓库中。my-ai-skills-repo/ ├── README.md ├── skills/ │ ├── writing/ │ │ ├── technical-blog-helper.json │ │ ├── social-media-post.json │ │ └── email-responder.json │ ├── coding/ │ │ ├── code-reviewer.json │ │ └── sql-query-helper.json │ └── analysis/ │ ├──>
