手把手教你做出自己的 AI Skill（附真实 Skill 拆解）
写在前面：这不是一篇理论科普。我会先用一个真实的 Skill 做拆解，然后带你从零搭一个自己的。
一、动这个念头的，通常都是跟我一样的场景
你刷到一个小红书爆款分析工具，觉得"这个我也可以做一个"。或者你在 AI 助手里反复粘贴同一段提示词，心想"能不能一键触发"。又或者你发现某个 TikTok 账号的视频批量下载需要好几个步骤，想把它变成一个命令。
这些念头指向同一件事：做一个自己的 Skill。
Skill 不是什么高深的概念。它就是一个文件夹，里面装着指令文档、参考资料、可执行脚本。AI 拿到它，就能胜任一项原本不会的特定工作。
比如你需要的东西——把某个功能变成一句自然语言就能触发的自动化流程——这就是 Skill 做的事。
二、先拆一个真实的 Skill
红狐 Hub 的 Skills 广场上有一个叫 「TikTok主页视频批量提取」 的 Skill（tiktok-home-downloader），链接贴在文末了。它的功能很简单：你给它一个 TikTok 账号主页链接，它自动拉取所有作品并解析无水印下载链接。
听起来就是一个"功能"，但你想过它背后长什么样吗？
从仓库里拉下它的文件夹，结构大概是这样的：
tiktok-home-downloader/
├── SKILL.md # 核心指令——告诉AI这是什么、怎么用
├── references/
│ └── api-spec.md # API 接口文档——告诉AI怎么调数据
└── scripts/
└── downloader.py # 可执行脚本——真正干活的代码三个文件，一个 Skill。
SKILL.md 决定了 AI 会不会正确理解和使用这个工具。 它里面写清楚了适用场景、触发词、使用示例、输出格式。AI 读到这份文档，就知道「当用户说'帮我把这个 TikTok 账号的视频都下载下来'时，我应该去调哪个 API、参数怎么填、结果怎么返回」。
references/ 是 AI 的参考手册。 接口文档、参数说明、响应格式都在这里。AI 不需要记忆这些细节，需要时翻就行。
scripts/ 是真正的执行层。 Python 脚本去调红狐 Hub 的 API，拉数据、解析链接、返回结果。AI 只负责调度，不负责执行——它调用脚本跑就完事了。
拆开来看就是这么简单。一套"指令 + 参考 + 脚本"三层结构。
三、五步做一个自己的 Skill
Step 1：明确你要解决的问题
一句话说清楚你的 Skill 帮用户解决什么。我建议你套这个句式：
输入 X，自动输出 Y。
比如「输入 TikTok 主页链接，输出所有视频的无水印下载链接」。比如「输入一个公众号名称，输出它的四维健康评分报告」。
如果一句话说不清楚，说明你还没想清楚。
Step 2：搭骨架——写 SKILL.md
SKILL.md 是整个 Skill 的核心。AI Agent 读到它才"知道"自己该做什么。标准 SKILL.md 包含以下章节：
| 章节 | 写什么 |
|---|---|
| YAML 头 | name、description、触发词、分类 |
| 简介 | 一句话+适用对象 |
| 功能特性 | 3-5 个核心能力，每条说人话 |
| 一键安装 | 前置条件 + 环境变量说明 |
| 使用指南 | 触发方式 + 对话示例 + 速查表 |
| 使用场景 | 2-3 个典型场景 |
| 常见问答 | 3-5 个用户可能问的问题 |
| 项目架构 | 目录结构 + 技术栈 |
每个章节都不长，但缺一不可。YAML 头里的 description 是 AI 判断「什么时候该激活这个 Skill」的依据，要想好触发词。
Step 3：加参考资料
如果一个 Skill 依赖外部数据（比如调用 API），那你需要在 references/ 里写清楚：
- API 的请求地址、方法、参数
- 鉴权方式（比如环境变量
REDFOX_API_KEY） - 返回的数据结构示例
- 错误码和异常处理
AI 会"阅读"这些文档来理解怎么调用。你的 API 文档写得越清楚，AI 出错的概率越低。
Step 4：装执行引擎
如果 Skill 需要执行具体的计算或数据操作，在 scripts/ 里放 Python 脚本。不需要写复杂的框架，一个 .py 文件能处理一个任务就够了。脚本从环境变量或命令行参数接收输入，把结果输出到标准输出或文件，AI 拿到结果后整理给用户。
不需要框架、不需要后端、不需要部署——脚本本身就是你 Skill 的执行单元。
Step 5：测试、发布、迭代
把 Skill 文件夹放到你的 Agent 平台的技能目录下（比如 Qoder 的 .qoder/skills/、WorkBuddy 的 .workbuddy/skills/、Claude Code 的插件目录），然后说一句触发词看看能不能正常唤醒。
一开始大概率不完美——AI 理解偏了、脚本参数没传对、某个场景没覆盖——没关系。改 SKILL.md 的描述，加一个使用示例，调一调脚本参数，这就是迭代。
四、进阶：从 Skill 到 WorkBuddy 专家
当你的 Skill 做大了，你可能想把它打包成一个更完整的专家（Expert）——WorkBuddy 平台上的 Agent 型插件。
Skill 和专家的区别在于：一个 Skill 解决一个具体任务，一个专家整合多个 Skill 解决一个领域的完整问题。
还是拿 TikTok 来说：
- Skill 级别：「TikTok主页视频批量提取」只做下载这一件事
- 专家级别：一个「TikTok 运营助手」专家可以包含账号分析、视频下载、违禁词检测、内容对标、增长建议多个 Skill，用户说一句话就跑完整个流程
从 Skill 升级到专家，你只需要在专家包（plugin.json + agents/*.md）里声明引用了哪些 Skill，不需要重写任何代码。
五、一些我知道的坑
1. SKILL.md 描述别写太抽象。 「帮助用户提升内容创作效率」这种话 AI 听了跟没听一样。要写「用户给出 TikTok 主页链接时，自动拉取所有作品并解析无水印下载链接」——具象、可操作。
2. 对话示例要给够。 AI 从示例中学习的效率远高于读规范。每个命令配一个"用户说什么、AI 回什么"的完整对话，这是教 AI 最快的方式。
3. 环境变量要前置说清楚。 依赖 REDFOX_API_KEY 的就写在"一键安装"第一节，不要等用户用了才发现报错。
4. 从已有的 Skill 抄结构。 不要从零开始。去 GitHub 上搜 redfox-community 或者红狐 Hub Skills 广场，找一个跟自己目标最像的 Skill，看它的文件夹结构、SKILL.md 怎么写、脚本怎么组织，照着来比从头想快得多。
六、总结
做一个 Skill 不需要会写框架、不需要会部署、不需要懂后端。你需要搞定的就是三样东西：一个说清楚职责的 SKILL.md、一份 API 参考文档、一个能执行任务的脚本。剩下的交给 AI。
你刚才看到的那个 TikTok 主页视频批量提取 Skill，就是这套思路的完整实践。它的实测效果是：把以前手动翻页、逐个下载、自己拼接的十几分钟流程，压缩成了敲一句话的事。
这是它的地址：红狐Hub
下次当你又有「这个东西要是能一句话搞定就好了」的想法时，已经有路子自己动手了。
参考链接
- TikTok主页视频批量提取 Skill：红狐Hub
- 红狐 Hub Skills 广场：RedFoxHub
- redfox-community 开源仓库：https://github.com/redfox-data/