目标清晰、上下文完整、判断力强的人被放大；目标混乱、没有资料和标准的人，也会被放大混乱。
理解文档、规则、Memory、Loop、MCP、CLI、权限、安全沙箱与上下文工程。
只知道“Agent 能写代码”，却不知道能力上限来自目标、资料、流程和判断标准。
把专家经验、工作流、品味和工具调用封装成可分发、可复用、可迭代的 Agent 能力单元。
解决什么问题
产出什么结果
怎么使用
MCP / CLI / Workflow
Memory / Loop
模型与上下文工程
一次对话里临时提出要求，依赖当下上下文和模型临场发挥。
提示词、规则、示例、脚本、依赖和资产组成可安装、可维护的目录。
模型不会自动拥有你的行业判断。必须把“什么算好”写成可执行约束。
知道行业里哪些结果真正有效，哪些只是看起来像。
知道模型哪里稳定，哪里需要脚本、校验和工程兜底。
理解用户场景、使用门槛、反馈路径与稳定性要求。
只放高信号流程、判断和加载条件。
重文档与领域材料，按需要渐进读取。
确定性逻辑交给代码，不让模型重复发明。
模板、主题、示例、字体与版式骨架。
只负责模型循环、上下文管理、安全边界和工具调度。
承载流程、判断、领域知识、模板、gotchas 与可复用资产。
先观察 Agent 会在哪里出错。
覆盖正例、反例与禁止加载。
把失败边界写成“别这么做”。
检查触发、执行与输出差异。
使用经过校色的纸白与近黑。
不把任意 Hex 选择留给临场猜测。
避免彩虹渐变、发光与无意义 Blur。
优先 Transform 与 Opacity。
摄影和截图是证据，AI 图只是兜底。
AI 负责填充、组合与微调。
Skill、MCP、CLI、Plugin 在底层可以不同；产品层应该弱化术语，回答五件事：解决什么、适合谁、怎么用、结果长什么样、失败时怎么办。
用结果语言描述，而不是仓库名。
明确场景、受众与使用门槛。
展示真实结果和使用案例。
提供评价指标和可信反馈。
主动暴露边界和 gotchas。
让用户一句话就能开始。
从一线需求中看见隐性判断。
把流程、模板和边界打包。
案例文章带来用户与反馈。
补充 gotchas、模板与新场景。
npx skills add vercel-labs/skills@find-skills -g -yFIND → INSTALL → USE适合 PPT、视频、代码审查、性能优化等跨项目能力。
适合代码风格、架构约定、业务知识和项目内安全边界。
能力标识是什么？
什么时候应该加载？
解决什么，不解决什么？
执行顺序是什么？
哪些判断必须遵守？
怎样才算交付完成？
哪些错误不能再犯？
细节去哪里按需读取？
封装有判断的垂直工作流：写作、设计、分析、SOP。
连接外部服务和上下文：地图、数据库、浏览器、API。
提供确定、通用、跨 Agent 平台的工具执行层。
在文件变更、命令执行等事件前后自动触发。
Agent 时代最稀缺的，是可复用的能力组织方式。
用户要的是稳定结果，不是理解全部技术管道。
把流程、品味、边界和失败经验写进系统。
用真实任务、Eval 与 Gotchas 让 Skill 持续复利。