2026 年 Agent Skill 实战拆解：6 个开源技能包，从原理到上手一次讲透

本文由 辛梓煜@词元2号站（www.ciyuanerhao.com）撰写，转载请注明出处。

快速摘要：先给你结论

Agent Skill（智能体技能包）本质是一套"说明书 + 脚本 + 素材"的文件夹，核心就是一个 SKILL.md 文件，让 AI 学会一种可复用的复杂工作流。2026 年它已经从单家厂商的功能变成了跨平台标准，同一份 skill 在 Claude Code、Codex、OpenClaw、Cursor 等 40 多个工具里可以原样运行。 我自己这段时间把开源社区里口碑最好的几个技能包挨个装了一遍，本文挑了 6 个最有代表性的拆给你看：SRT 白板动画（字幕变手绘视频）、img2threejs（照片变 3D 模型）、cangjie-skill（把一本书蒸馏成技能包）、ai-berkshire（四大师投研框架）、fund-guy-skill（基金经理行为审计）、photo-abstract-editorial（照片变抽象画）。每个我都会讲清楚它到底在解决什么问题、底层原理是什么、实际跑一遍要花多少时间踩多少坑，最后再聊怎么选、怎么装、怎么自己动手写一个。想看完整拆解，往下翻。

第一章 Skill 到底是什么：从提示词到可复用技能包

先别急着看那 6 个技能包，我觉得有必要先把"Skill 这个东西到底是个啥"说透。因为我在词元二号站后台经常收到留言，很多人以为 Skill 是某种新模型、新插件，或者干脆是"更长的提示词"。都不全对。

一句话定义

Skill 就是一个文件夹，里面装着一个叫 SKILL.md 的说明文件，可能再配几个脚本、几张参考图、几个模板。AI 在开始干活之前会先读这个文件，读完就知道"哦，原来这种情况下我应该按这套流程走"。

你可以把它理解成给 AI 看的岗位手册。普通提示词是"你今天帮我做顿晚饭"，Skill 是"从买菜、洗菜、切菜、下锅到摆盘，每一步该怎么做、火候怎么控制、哪些环节必须停下来让我确认，全部写清楚"。

我自己折腾下来的感受是：提示词解决的是"一次性任务"，Skill 解决的是"一类任务"。前者用完就丢，后者装一次，以后每次碰到同类需求，AI 自己就知道该怎么干。

SKILL.md 长什么样

拿一个典型的技能包举例，它的目录大概长这样：

my-skill/
├── SKILL.md          # 核心说明文件：定义、流程、约束、触发条件
├── scripts/          # 辅助脚本（Python、Shell 等）
├── assets/           # 参考图、模板、示例素材
├── examples/         # 用例和效果展示
└── agents/           # 面向特定 Agent 的元数据（可选）

SKILL.md 本身不是代码，是结构化文档。开头一般有一段 description，告诉 AI"这个技能是干嘛的、什么情况下该调用它"，正文则是分步骤的工作流、每步的验收标准、必须遵守的红线。AI 读到之后，相当于脑子里多了一张流程图。

这个设计妙在哪？妙在它跟具体的模型解耦。不管是 Claude、GPT 还是国产大模型，只要那个 Agent 工具支持读取 SKILL.md，这套技能就能跑。这也是 2026 年 Skill 能火起来的根本原因——标准一旦统一，生态就爆炸。

2026 年的生态现状

我查了一下，到 2026 年年中，Skill 已经能跑在 40 多个主流工具上，光我实际用过的就有这么几类：

这里多说一句国内环境的事。Skill 的标准本身是开源的，国内几个主流平台也都兼容或者在做兼容。我自己的做法是：技术折腾用命令行工具，日常办公用国产平台，两边都不耽误。完全不需要碰任何跟网络访问有关的灰色操作，GitHub 上的开源项目通过国内可正常访问的代码托管镜像或者平台内置的安装功能都能搞定。

安装就一句话的事

装 Skill 真的不难，难的是找对东西。官方推荐的安装方式是把项目地址直接发给你的 Agent，然后说一句：

把 https://github.com/xxx/xxx 这个项目安装成我的 Skill

Agent 会自动 clone 仓库、把 skill 目录放到正确的位置、跑完依赖检查，然后告诉你"装好了，你可以试试说 xxx 来触发它"。整个过程比我最早手动配置省事太多。

不过这里有个小坑我得提醒：不是所有带 SKILL.md 的仓库都能直接装。有的项目要求特定版本的 Agent、有的依赖本地 Python 环境、有的需要生图 API 的 key。装之前先扫一眼 README 的"Requirements"部分，别装到一半卡在环境上。

Skill、提示词、插件，到底啥区别

新手最容易把这几个概念搞混，我用一张表把它们的区别钉死：

我自己的判断是：提示词是"即兴发挥"，Skill 是"标准化作业"，插件是"外接设备"。日常小任务用提示词，重复性流程做成 Skill，需要读写外部系统（比如查数据库、操作文件）才考虑插件。普通人提升 AI 使用效率性价比最高的路径，就是学会做 Skill。

为什么现在值得花时间研究它

说句实在话，2025 年那会儿 Skill 还是个"锦上添花"的东西，装不装影响不大。但到了 2026 年，情况变了：头部几个开源技能仓库的 star 数动辄上万，技能的质量和覆盖场景跟一年前完全不是一个量级。从做视频、做 3D、读书蒸馏到投研分析，几乎每个领域都冒出了"装了就能用"的成熟方案。

这就是我这篇文章的由来。接下来六章，我把 6 个不同方向、我自己真实跑过、且口碑过硬的技能包挨个拆开，原理、操作、坑点一次说清楚。

第二章 SRT 白板动画：把字幕变成手绘短视频

我最早注意到这个技能包，是因为刷短视频时总能看到一种"白板手绘"风格的动画：一只虚拟的手拿着笔，在纸上边画边讲，假山、小猴、人物一个个被画出来，配合旁白讲完一个小故事。以前我一直以为这种视频是用视频生成模型做的，直到自己动手试了才明白，那玩意儿成本高得吓人，抽卡抽到怀疑人生。后来我在 GitHub 上翻到这个叫 srt-whiteboard-animation 的开源技能，思路完全不一样，我觉得这才是 2026 年做这类内容的正解。

它解决什么问题

一句话：你给它一个字幕文件，它给你一段白板手绘动画 MP4。

你没看错，输入只有一个 SRT 字幕文件（就是平时视频里那种带时间轴的字幕），它会把字幕按叙事节奏拆成一个个分镜，每个分镜 25 到 35 秒，然后逐个画出对应的画面，最后渲染成带手绘过程的视频。配上字幕和配音，一个故事型短视频就齐活了。

这个项目的 star 数在 2026 年已经涨到了两千多，仓库里脚本齐全，作者把整个流程拆得很干净。我把它装进 Agent 之后，第一次跑通的时候真有点小兴奋——那种"以前要请人做、现在一句话搞定"的落差感，只有亲手试过的人才懂。

底层原理：字幕驱动，逐步确认

这个技能最聪明的地方在于"字幕驱动"的设计。它不是让 AI 自由发挥画面，而是先解析字幕，把时间轴和语义变成绘制节奏的骨架。整个流程我梳理成了下面这张表：

我特别喜欢它"每一步都停下来等你确认"的设计。第一步先给你分镜脚本和场景信息，你点头它才往下走；第二步生成线稿预览，你觉得不对可以改；第三步打开浏览器预览揭示效果，虽然这时候画面很粗糙（只是线性展开），但它的目的是确认"先画哪个、后画哪个、区域多大"，顺序和大小没问题才进下一步。这种"小步确认"的做法，避免了画面全渲染完了才发现分镜逻辑不对的尴尬，省的是真金白银的渲染时间。

仓库里的脚本结构也很清晰，我贴一下它的核心组成，你能直观看到这个技能包的"骨架"：

srt-whiteboard-animation/
├── SKILL.md                       # 完整工作流与约束
├── assets/
│   ├── drawing-hand.png           # 手部素材（那只虚拟的手）
│   └── preview.html               # 本地预览台
├── examples/                      # README 里的案例素材
├── scripts/
│   ├── parse_srt.py               # 字幕解析与分镜建议
│   ├── render_annotation_preview.py # 标注检查图
│   ├── render_stream_whiteboard.py  # 流式笔迹 MP4 渲染器
│   ├── merge_scenes.py            # 多幕合并
│   └── prepare_env.py             # 依赖环境准备
└── agents/openai.yaml             # Codex 元数据

实操步骤：从字幕到成片

我自己跑了一遍完整流程，操作其实非常简单，核心就三步：

1. 准备素材：把一段 SRT 字幕文件下载好（中文、英文都行，字幕本身就是驱动源）。
2. 触发技能：把字幕文件发给 Agent，附上一句提示词——"把这个字幕做成白板动画"。
3. 逐轮确认：分镜 → 线稿 → 揭示预览 → 区域标识，每步确认后进入下一步，最后等它渲染出 MP4。

说几个我踩过的坑，都是真金白银的时间换来的：

• 字幕质量决定上限。如果字幕本身断句稀碎、时间轴错乱，分镜就会跟着乱。我试过一次拿机翻字幕硬上，结果一幕里塞了三层意思，画面乱成一锅粥。建议先花两分钟把字幕整理干净。
• 中间不要乱切换模型。这个技能流程长，中途换模型容易导致上下文衔接出问题。我自己在另一处（第三章那个项目）吃过这个亏，后面细说。
• 确认环节别偷懒。预览台那个粗糙效果不是给你看美的，是给你核对顺序和区域的。我第一遍图省事一路点确认，结果渲染出来有个画面揭示顺序反了，又重跑了一遍，亏。

成本对比：为什么它比视频模型划算

可能有人会问：这活儿让视频生成模型干不就行了？我算过一笔账。视频模型生成白板手绘动画，一是要抽卡，一次成功算运气好；二是时长受限，一个 30 秒的镜头往往要多次拼接；三是算力成本按秒计费，做一条 3 分钟的故事动画，成本相当可观。而这个技能走的是"字幕解析 + 矢量绘制 + 本地渲染"的路线，跑完一条视频的成本几乎可以忽略，唯一的开销就是 Agent 的 API 调用费和本地渲染的时间。

当然它也有边界：画面风格是固定的白板手绘风，做不了写实、做不了复杂运镜。它的定位很明确——故事型、知识型短视频，比如历史小故事、科普讲解、儿童绘本朗读这类内容。如果你恰好是这类博主，那这个技能包的性价比可以说是无敌的。我有个做知识号的朋友试用之后直呼"以前外包一条要好几百，现在自己跑一小时搞定"。

这套技能给我的启发是：很多看起来"只有 AI 视频模型能干"的活儿，换个思路用工程手段拆解，成本能降两个数量级。这大概就是 Skill 存在的意义——把"不可能"变成"有点麻烦"，再把"有点麻烦"变成"一句话的事"。

第三章 img2threejs：用代码把照片"雕"成 3D 模型

第二个技能包是我这 6 个里踩坑最多的一个，但也是我觉得思路最妙的一个。它叫 img2threejs，一句话介绍：给它一张图片，它生成的不是模型文件，而是一段能构建 3D 模型的 Three.js 代码。

这个"代码重建"的思路，是它跟市面上其他"图片转 3D"工具最本质的区别。

为什么是"代码"而不是"模型文件"

先解释一下 Three.js 是什么：它是 JavaScript 世界里最流行的 3D 渲染库，网页上那些 3D 效果、产品展示、小游戏，很多都是它做的。传统的图片转 3D 流程，是让 AI 直接输出一个模型文件（比如 .obj、.glb），这种文件动辄几百 MB，里面是密密麻麻的顶点、法线、贴图坐标数据。

问题就出在"大"上。你想让 AI 处理一个几百 MB 的模型文件，每读一次就要消耗海量 token，改一处细节就要把整个文件过一遍——用行话说是"Token 吞噬机"，烧钱烧到肉疼。而代码不一样，一段描述模型的 Three.js 代码可能只有几 KB，AI 读起来轻松，改起来也轻松。

这项目的仓库里写得很清楚，它要做的不是"照片转网格"，而是"用几何体、材质、光源这些基础元素，把图片里的物体重新拼装出来"。听起来像搭积木，对吧？但积木搭得好，效果是可以很惊艳的。

深度流程 vs 轻量流程

这个技能提供了两套流程，我把它俩的区别整理成了一张表：

我实操的时候直接选了轻量流程，因为深度流程的时间实在耗不起。但哪怕是轻量流程，也有两个状况我得如实说：一是整个生成过程跑了 48 分钟，期间电脑卡到几乎干不了别的；二是跑完第一版，模型是漆黑一片的。

我的实操记录：48 分钟 + 28 分钟修复

这里详细说说我这次实操，因为我觉得"过程真实"比"结果完美"更有参考价值。

我喂给它的是一张人物参考图，提示词就是"把这张图转成 3D 模型"。技能先启动分析流程，把图片的轮廓、比例、明暗关系拆解成建模参数，然后开始一段一段地写 Three.js 代码。等了 48 分钟，我拿到第一版结果——打开一看，整个模型黑乎乎的，啥也看不清。

排查了一下，问题大概率出在我中途切换过一次模型。这个技能流程很长，中间的步骤多，我在某个环节把底层模型换了一个，导致后续生成材质参数的时候上下文衔接出了岔子，颜色信息丢了。我后来又花了 28 分钟让它修复，重新生成材质和光照参数，最后终于出来一版带颜色的效果。

坦白讲，轻量流程的精度确实一般——比如人物的手臂，是用一节节圆柱体拼出来的，关节处能明显看出拼接痕迹。官网展示的模型精度很高，但那是深度流程的成果，跟轻量流程完全不是一个量级。这个项目目前的 star 已经过万，作者也在推进 V2 版本，据说在精度上有大动作，我挺期待。

它能干嘛，不能干嘛

这技能的价值不在"省建模师"，而在几个特定场景：

• 网页 3D 展示的快速原型：电商产品页、Web 端互动展示，先出个可交互的模型看看效果。
• 游戏资产的快速占位：正式美术资源没到位之前，用它生成占位模型跑通玩法逻辑。
• 学习 Three.js 的活教材：它生成的代码本身就是很好的学习材料，能看明白"一个模型是怎么用几何体拼出来的"。
• 省 token 的批量处理：因为产出是代码不是文件，后续让 AI 继续调整的成本极低，适合反复迭代。

它做不了高精度的工业级模型，做不了复杂的角色动画绑定（虽然它支持 UV 展开、骨骼生成、自动蒙皮、碰撞体这些高级功能，但那是轻量流程的"未来可期"，不是"当下所得"）。我的建议是：想尝鲜的选轻量流程先跑通，对精度有硬要求的直接上深度流程，并且给足时间、别中途切换模型、别指望电脑还能干别的。

完整触发流程（伪代码）

怕你看完上面还是不知道"第一步干嘛、第二步干嘛"，我把整个触发过程整理成伪代码，照着走就行：

输入：一张图片 + 提示词"把这个转成 3D 模型"
1. Agent 读取图片，启动 img2threejs 技能
   ├─ 分析图片轮廓、比例、明暗关系
   └─ 生成建模参数清单，请你确认
2. 你选择流程：深度（精细） or 轻量（快速）
   ├─ 深度：逐部件精细化建模，耗时数小时
   └─ 轻量：整体粗粒度拼装，耗时约 48 分钟
3. Agent 逐段编写 Three.js 代码
   ├─ 几何体拼装（圆柱、球体、立方体）
   ├─ 材质参数（颜色、粗糙度、金属度）
   └─ 光源布置（环境光、方向光、补光）
4. 渲染预览 → 你检查效果
   ├─ 没问题：导出 HTML 可交互页面
   └─ 有问题（如全黑）：让 Agent 排查修复
5. 交付：一段可复用的 Three.js 代码 + 预览文件

这个流程里最值得记住的一步是第 4 步的"检查—修复"闭环。全黑那次，我就是靠这个闭环救回来的：把截图丢给 Agent，让它自己对比预期效果和实际输出，它定位到"材质参数生成阶段上下文丢失"这个原因，重跑材质模块就恢复了。以后任何技能产出不对，先别慌，把问题现象描述清楚丢回给 Agent，它多半能自己修。

一句话总结这章

img2threejs 给我的最大启发，不是"AI 能生成 3D 了"，而是**"换个输出载体，成本结构就完全变了"**。模型文件是给显卡看的，代码是给 AI 看的——当你要跟 AI 协作时，选择它"熟悉的语言"作载体，效率天差地别。这个思路放到任何领域都成立：你跟 AI 协作的方式，决定了协作的下限。

第四章 cangjie-skill：把一本书蒸馏成一套 Skill

第三个技能包，是我个人觉得这 6 个里"格局最大"的一个，名叫 cangjie-skill（仓颉技能）。它做的事情可以用一句话概括：把一本书、一门长视频教程、一档播客，蒸馏成一套可以随时调用的 AI 技能包。

听到这儿你可能跟我第一次看到它时一样的反应：书读完了不就完了吗？还能把书"变成工具"？这玩意儿到底怎么个玩法？

它解决的核心痛点

先说我自己的真实痛点。我每年要读几十本书，但说实话，读完就忘是常态。书里的方法论、框架、原则，读的时候觉得"学到了"，真到用的时候——开会、写方案、做决策——根本想不起来调取。书在吃灰，知识在睡觉。

cangjie-skill 就是冲着这个问题来的。它的目标不是帮你做摘要（摘要谁都会做），而是把书里真正"能变成工具"的内容筛选出来，重构成一个个独立的、可被 AI 直接调用的技能。以后你碰到书里描述过的场景，AI 会自动把对应的技能拿出来用，书里的方法论才算真正"活"了。

这个项目在 GitHub 上 star 接近一万，作者还给它配套了两个"兄弟技能"：nuwa-skill 负责蒸馏"人"（把一个高手的思维方式、表达习惯变成技能），darwin-skill 负责"进化"技能本身。三个合起来，一个管人、一个管书、一个管演化，体系感很强。

七阶段流水线：从整书到技能包

它内部设计了一条七阶段的流水线，我实际跑下来，感觉每一步都在做"减法"——从全书里筛出值得保留的，淘汰不值得的，最后留下的都是精华。为了让你看得直观，我把七个阶段列成一张表：

这里有两个细节我想展开讲讲，因为它们才是这个技能的"灵魂"。

第一个是 Adler 分析阅读法。 这是《如何阅读一本书》作者莫蒂默·阿德勒提出的方法，分四个层次：结构（这本书整体在讲什么）、解释（作者怎么论证的）、批判（哪里有问题）、应用（跟我有什么关系）。cangjie-skill 在阶段 0 就用这套方法把全书拆了个底朝天，相当于先给书"开颅"，看清内部构造，再决定哪些器官能移植出来当工具。

第二个是"三重验证"。 这是筛选题材的质检关，我把它做成了一张对照表：

三道关都过了，才配进入下一阶段。没过的一律淘汰，还会告诉你淘汰原因——这个"淘汰理由"特别有意思，它能帮你反向理解：作者认为什么叫"值得变成工具的内容"。

RIA++：把一段方法论变成六层结构

通过验证的内容，会按照 RIA++ 格式重构成标准结构。这个结构我特别喜欢，因为它解决了"AI 学了方法论但不会用"的经典问题。六个维度如下：

看到 A2 和 B 这两列了吗？这就是它跟普通读书笔记的天壤之别。普通笔记记录"是什么"，RIA++ 还记录了"什么时候用"和"什么时候不能用"。AI 拿到这样一份结构化材料，才能在真实场景里做出"这个情况该不该调用这个方法论"的判断。

实操案例：4 小时课程变成 25 个技能

我在社区里看到作者的一个实操案例特别能说明问题：他把吴恩达《给所有人的 AI 入门教程》2026 版整个蒸馏了一遍——26 个视频、总时长 4 个多小时，跑完全程大约 1 小时，中间只确认了一次，最后产出 25 个可调用的技能。也就是说，4 小时的课程内容，变成了一套 25 个技能的知识工具箱，之后每次遇到教程里讲过的工作场景，AI 都能把对应的方法论调出来用。

我自己也拿一本讲思维方法的书试过。第一阶段它会先列出所有可蒸馏的方向清单，让你勾选——可以只选自己关心的几个方向，也可以全选。然后它吭哧吭哧跑，中途会告诉你哪些候选被淘汰了、为什么。最后交付的是一套完整的技能包，每个技能都带测试提示词，你可以直接发一句话验证它好不好用。

整个流程跑下来，我最大的感受是：它把"读书"这件事的产出，从"一段记忆"变成了"一套资产"。记忆会衰退，资产不会。

哪些内容适合蒸馏，哪些不适合

说点实在的边界。我试下来，适合蒸馏的内容有几个特征：方法论密度高（比如讲思维模型、讲决策、讲沟通的书）、有明确的步骤和框架、可以脱离具体语境复用。不适合的也有：纯文学、纯个人叙事、过度依赖特定文化背景的内容，蒸馏出来也是干巴巴的。

另外提醒一句，这个技能会调用长文本处理能力，跑一轮的时间不短（我那次第一阶段就跑了半个多小时）。想试的朋友给足耐心，别催它。

第五章 ai-berkshire：把四位投资大师装进 Agent

第四个技能包，是我在整理资料时被评论区讨论炸出来的一颗"狠货"，名叫 ai-berkshire。它把巴菲特、芒格、段永平、李录四位价值投资大师的方法论做成了技能合集，让多个 AI Agent 分别扮演四位大师，从不同角度研究同一家公司，最后通过互相"辩论"产出结论。

这个项目在 GitHub 上已经一万五千多星，而且它虽然最初是给 Claude Code 写的，但核心就是一堆 .md 文件，普通支持 skill 的 Agent 也能用。下面我按"它解决什么问题 → 底层机制 → 实际跑一遍 → 风险提示"的顺序拆。

它解决什么问题：别直接问 AI"这只股票能买吗"

这个技能包的作者在仓库里写了一段话，我印象很深：普通人问 AI 得到的是"看起来对的分析"，而用这套框架得到的是"可以拿来做决策的投研报告"。

为什么直接问 AI 不靠谱？因为通用大模型的思维是"广而浅"的，你问它某家公司怎么样，它会把全网的观点平均一下给你吐出来，看着头头是道，实则没有立场、没有标准、没有深度。而真正的投研需要的是：先定框架（用什么标准看这家公司），再找数据（多源交叉验证），最后下结论（明确给通过/不通过和价格区间）。

ai-berkshire 做的事，就是把"框架"这一步焊死。四位大师的方法论被结构化成了明确的分析模块，AI 必须按模块走，必须给出明确结论，不许和稀泥。

核心机制：方法论结构化 + 多 Agent 对抗

它的机制分两层，第一层是方法论结构化。整套技能包里塞了 20 个左右的 Skill，覆盖个股深度研究、财报深读、行业筛选、持仓管理、买入清单、异动归因等场景。核心的那个投研技能，把分析流程拆成了七个模块：

第二层是多 Agent 对抗机制。它会派四个 Agent 分别站在四位大师的视角研究同一家公司，各自提问、各自质疑，而且不是问一遍就完，是连环追问——每位大师都会基于前面得到的信息不断提出新问题、新可能性。我跑过一次，光看四个"大师"来回交锋的过程就觉得值回票价，那感觉像围观一场高质量的投资研讨会。

护城河评估：巴菲特视角的"五类墙"

这里我单独把护城河模块拎出来讲讲，因为它是最有普适性的部分——哪怕你不做投资，这套"判断一个生意护不护得住"的框架也值得收藏。技能里把护城河分成五类，每类配了具体的验证方法：