在过去一年里，AI 编程的主流交互方式经历了一个明显演进：
Prompt → Prompt Engineering → Context Engineering → Skill（能力封装）
如果说 Prompt 是一次性调用模型能力，那么 Skill 本质上是在构建“可复用的智能能力模块”，它让 AI 从“会回答问题”，进化为“能执行任务”。
这篇文章将系统讲清：
- 什么是 AI 编程中的 Skill
- Skill 与 Prompt 的本质区别
- 如何在 VS Code + GitHub Copilot Chat 中使用 Skill 思维
- 实战案例（工程级）
什么是 Skill？
在 AI 编程语境下，Skill = 结构化提示 + 上下文 + 执行约束 + 输出格式
可以用一个更工程化的定义：
Skill = f(Instruction, Context, Constraints, Output Schema)
它不是一句 prompt，而是一个“可复用的能力接口”。
对比理解
| 方式 | 特点 | 问题 |
|---|---|---|
| Prompt | 临时输入 | 不可复用、不稳定 |
| Prompt Engineering | 优化表达 | 仍然是一次性 |
| Skill | 能力封装 | 可复用、可组合、可治理 |
为什么 Skill 很重要？
在实际开发中，AI 使用很快会遇到几个瓶颈：
1. Prompt 不稳定
同一个问题，换个说法结果不同
2. 团队无法复用经验
每个人都有自己的“私有 prompt”
3. AI 输出不可控
格式、风格、边界难以统一
Skill 的价值
- 标准化能力
- 沉淀团队最佳实践
- 降低认知负担
- 提升输出一致性
本质上：Skill 是 AI 时代的“函数”或“API”
VS Code 中的 Skill 实现方式
虽然 VS Code 本身没有官方“Skill”概念，但可以通过以下机制实现：
1. .github/copilot-instructions.md
这是最接近“全局 Skill”的机制。
作用：
- 为 Copilot 提供长期上下文
- 约束 AI 的行为方式
示例：
# Backend Coding Guidelines
- Use clean architecture
- Follow RESTful API design
- Add unit tests for all services
- Use dependency injection
# Code Style
- Prefer TypeScript over JavaScript
- Use async/await instead of callbacks
这相当于一个“全局 Skill 注入器”
2. 项目级 Skill（README / project.md）
你可以在项目中定义：
# AI Skill: API Generator
When generating APIs:
- Use OpenAPI 3.0 spec
- Include request/response schema
- Add validation rules
- Provide curl examples
3. 会话级 Skill（Copilot Chat）
在 Chat 中你可以定义一次性 Skill：
You are a senior backend architect.
Task:
- Refactor code to hexagonal architecture
- Keep business logic pure
- Extract adapters
Output:
- Folder structure
- Example code
GitHub Copilot Chat 中的 Skill 用法
Copilot Chat 是 Skill 最直接的使用场景。
下面给你几个工程级实战例子。
示例 1：代码重构 Skill
输入（Skill）
Act as a senior software architect.
Refactor this code:
- Apply clean architecture
- Separate domain, application, infrastructure
- Add dependency inversion
Output:
1. Folder structure
2. Refactored code
3. Explanation
效果
AI 不再只是“改代码”，而是：
- 输出结构设计
- 给出分层方案
- 解释设计决策
从“补全工具”变成“架构助手”
示例 2：测试生成 Skill
You are a QA engineer.
Generate unit tests:
- Use Jest
- Cover edge cases
- Include mocks
- Ensure >80% coverage
Output:
- Test file
- Coverage explanation
优势：
- 输出结构稳定
- 测试风格统一
- 可团队复用
示例 3：API 文档生成 Skill
Act as an API documentation generator.
Given code:
- Extract endpoints
- Generate OpenAPI spec
- Add request/response examples
Output in YAML
直接产出可用 API 文档
示例 4：代码评审 Skill（强烈推荐）
Act as a senior code reviewer.
Review this code:
- Check performance issues
- Identify security risks
- Suggest improvements
Output:
- Issues list
- Severity level
- Fix suggestions
这个 Skill 在团队中极其高价值
进阶：Skill 组合（Skill Pipeline）
真正强大的不是单个 Skill，而是Skill 组合：
需求 → API Skill → 实现 Skill → 测试 Skill → Review Skill
形成一个 AI 开发流水线：
- 生成 API
- 生成实现
- 生成测试
- 自动 review
本质：AI 驱动的 Dev Pipeline
最佳实践
1. Skill 必须结构化
不要写：
帮我优化代码
要写：
Optimize code:
- Reduce time complexity
- Improve readability
- Add comments
Output:
- Before/After
- Explanation
2. 强制输出格式
Output in JSON:
{
"issues": [],
"fixes": []
}
这对自动化极其重要
3. 限定角色（Role Prompting）
Act as:
- Staff Engineer
- Security Expert
- Performance Engineer
4. Skill 应该可复制
建议统一放在：
.github/copilot-instructions.mddocs/ai-skills.md- 内部 wiki
Skill vs Agent（很多人会混淆）
| 概念 | 本质 |
|---|---|
| Skill | 单一能力 |
| Agent | 多 Skill + 自动决策 |
Skill 是积木 Agent 是机器人
总结
AI 编程正在从：
“怎么问 AI” → “怎么设计 AI 能力”
Skill 的出现意味着：
- Prompt 不再是核心
- 能力设计才是核心
- AI 正在变成“开发基础设施”
未来优秀的工程师，不只是写代码的人，而是设计 AI 能力的人