Open Skills：为AI智能体注入“肌肉记忆”，降低95% Token消耗

1. 项目概述：为AI智能体注入“肌肉记忆”

如果你也经常让AI助手帮你写代码、查资料或者处理文件，大概率遇到过这种情况：你让它“把CSV文件里的数据画成折线图”，它可能会先花几百个token去“思考”该用哪个库，然后尝试用matplotlib写一段，发现数据格式不对，又回头去调整，来回几次，不仅耗时长，消耗的token费用也蹭蹭上涨。更别提那些本地运行的小模型了，面对稍微复杂点的任务，比如“用Playwright自动化登录网站并截图”，它们很可能直接“摆烂”，告诉你“我无法执行此操作”。

这就是当前AI智能体（Agent）面临的核心痛点：它们拥有强大的“大脑”（推理能力），但缺乏执行具体任务的“肌肉记忆”。每次遇到任务，它们都得从零开始“回忆”或“搜索”正确的命令、API调用方式和数据处理逻辑，这个过程充满了试错，极其低效且昂贵。

besoeasy/open-skills这个项目，就是为了根治这个问题而生的。你可以把它理解为一个为AI智能体准备的、开箱即用的“技能武器库”。它不是一个框架，也不是一个SDK，而是一套经过实战检验的、标准化的“执行手册”（Playbooks）。每个技能（Skill）都是一个独立的Markdown文件，里面清晰地写着：“要完成XX任务，请依次执行A、B、C命令，调用Y API，数据格式应该是Z，返回结果这样解析”。

它的价值直接体现在数字上：能将完成一个典型任务的token消耗降低95%-98%。这意味着，原本需要花费0.2美元、调用GPT-4十几次才能搞定的任务，现在可能只需要0.004美元、一两次调用就完成了。对于本地模型（如Llama, Mistral），这更是从“经常失败”到“几乎总能成功”的质变。这个项目适合所有正在或打算使用AI智能体（无论是云端如ChatGPT、Claude，还是本地如Ollama + Llama）来提高工作效率的开发者、数据分析师乃至普通用户。它让你能用极低的成本，甚至零成本，获得接近甚至超越GPT-4级别的任务执行可靠性。

2. 核心设计思路：解耦“思考”与“执行”

2.1 问题根源：智能体的“知识断层”

要理解Open Skills的价值，首先要看清当前AI智能体工作流的本质缺陷。当我们给智能体一个指令时，比如“帮我查一下纽约和伦敦之间的飞行距离”，它的内部处理流程通常是这样的：

1. 理解意图：模型成功理解你要查距离。
2. 规划步骤：它“知道”需要调用某个地理编码API把城市名转成坐标，再用公式计算距离。
3. 知识检索与试错：问题就出在这里。它需要从它庞大的、但可能不精确或过时的训练数据中，“回忆”出：
   • 哪个地理编码API是免费且可用的？（是Google Maps API吗？需要密钥吗？）
   • 具体的API端点（Endpoint）URL是什么？
   • 请求参数应该怎么传？（city=New+York还是address=New%20York？）
   • 返回的JSON结构是怎样的？距离信息藏在哪个字段里？（results[0].geometry.location还是distance.value？）
   • 计算大圆距离（Haversine formula）的公式具体怎么写？

这个过程充满了不确定性。模型可能会选错API，写错参数格式，或者解析错返回字段，导致调用失败。然后它需要分析错误信息，调整代码，再次尝试。每一次尝试都是一轮新的对话回合，消耗大量token。对于本地小模型，其训练数据中可能根本没有这些最新、最具体的API知识，因此连“回忆”都做不到，直接宣告失败。

2.2 解决方案：提供标准化的“执行手册”

Open Skills的核心理念是“解耦”。将智能体的工作分为两部分：

• “思考”层（模型负责）：理解用户意图、进行任务规划、做出决策判断。这是模型的强项。
• “执行”层（Open Skills负责）：提供完成某个具体任务所需的、所有确切的、可操作的知识。包括：确切的Shell命令、可用的API URL、必要的请求头/参数、预期的响应结构、以及结果解析的代码片段。

每一个Skill文件（例如skills/city-distance/SKILL.md）就是一份针对特定任务的“执行手册”。当智能体接到任务时，它不再需要从零开始构建知识，而是先去技能库中查找是否有现成的“手册”。如果有，它就直接“照着手册做”。

举个例子对比：

• 没有Open Skills时：

  用户：“查纽约到伦敦的距离。” 智能体：“我需要用地理编码API…让我想想，可以用OpenCage…请求URL大概是…参数这么写…试试看。哦，返回错了，可能是密钥问题？换Google Maps试试…又错了，配额超了？再换一个…”

• 有Open Skills时：

  用户：“查纽约到伦敦的距离。” 智能体：“（检索技能库，找到city-distance技能）找到‘城市距离计算’手册。手册说：1. 使用免费的https://api.opencagedata.com/geocode/v1/jsonAPI。2. 密钥可用xxxx（或从环境变量读取）。3. 请求参数是q={城市名}。4. 返回的经纬度在results[0].geometry里。5. 用这个Haversine公式计算距离。好的，我按步骤执行。” （一次调用，成功返回结果）

这种模式的优势是压倒性的：

1. 极高成功率：手册里的方法是经过测试（Battle-tested）的，避开了所有常见的坑。
2. 极低Token消耗：模型无需在对话中“思考”和“试错”执行细节，只需读取一次手册并执行，对话轮次大幅减少。
3. 赋能本地模型：本地小模型虽然“知识”有限，但“理解指令”和“按步骤执行”的能力并不弱。有了详细的手册，它们就能完成复杂任务。
4. 维护性：当某个API失效或更新时，只需更新对应的一个Skill文件，所有使用该技能的智能体立即升级，无需重新训练模型。

2.3 技能文件的结构：为机器阅读而优化

一个典型的Skill文件（SKILL.md）是为AI高效解析而高度结构化的。它通常包含：

• 任务描述：清晰说明这个技能是干什么的。
• 前置条件：需要安装什么工具（如curl,jq,python3）或库。
• 核心命令/代码块：给出可直接复制粘贴运行的命令或代码片段。这是技能的核心。
• 输入输出示例：展示典型的输入应该是什么样，经过技能处理后输出又是什么样。
• 参数说明：解释命令中可替换的部分（如{filename}）。
• 错误处理：提示常见的错误及解决方法。

这种结构让AI能快速提取关键信息，几乎不会产生歧义。

3. 实战部署：让智能体“学会”使用技能库

理解了理念，下一步就是把它用起来。部署Open Skills的核心，就是让智能体“知道”这个技能库的存在，并在执行任务前养成“先查手册”的习惯。这主要通过修改智能体的“系统提示词”（System Prompt）来实现。

3.1 基础准备：克隆技能库

无论你使用哪种智能体，第一步都是相同的：把技能库拿到本地。

git clone https://github.com/besoeasy/open-skills ~/open-skills

我建议就放在用户主目录下，路径简单好记。当然，你也可以放在任何你喜欢的位置，后续在提示词里对应修改路径即可。

3.2 核心步骤：注入“查手册”指令

项目根目录下的prompt.txt文件是整个项目的灵魂。它是一段精心编写的指令，你需要把它加入到你的智能体系统中。这段指令的核心意思是：“孩子，在你动手做任何事之前，先到~/open-skills这个文件夹里看看，有没有现成的‘说明书’。如果有，就严格按照说明书来操作。”

下面我针对几种主流的AI编程和对话工具，给出具体的配置方法。请注意，这些配置的本质都是将prompt.txt的内容设置为智能体的底层行为准则。

3.2.1 针对专用AI编程智能体：OpenCode

OpenCode.ai 是与此项目配合度最高的智能体之一。它的设计理念就是基于项目上下文（AGENTS.md）来工作。

• 操作：在你的项目根目录下，执行cat ~/open-skills/prompt.txt >> AGENTS.md。这会将技能库指令追加到项目的AGENTS.md文件末尾。
• 效果：OpenCode 在启动时会自动读取AGENTS.md，因此它会天然获得“先查技能库”的指令，无需任何额外设置。这是最无缝的集成体验。

3.2.2 针对AI编程助手：Cursor / Windsurf

这类工具通常有全局规则和项目级规则。

• 全局配置（一劳永逸）：
  • Cursor：打开 Cursor -> Settings -> General -> “Rules for AI”，将prompt.txt的内容粘贴进去。
  • Windsurf：打开 Windsurf -> Settings -> AI -> “Custom Instructions”，粘贴内容。
  • 优点：在此电脑上使用该工具的所有项目都会生效。
• 项目级配置（更灵活）：
  • 在项目根目录下，执行cat ~/open-skills/prompt.txt >> .cursorrules（Cursor）或cat ~/open-skills/prompt.txt >> .windsurfrules（Windsurf）。
  • 优点：可以为不同项目配置不同的技能库或行为，互不干扰。例如，一个数据科学项目可能更需要数据分析技能，而一个Web项目则更需要部署和API调用技能。

3.2.3 针对聊天式智能体：Claude Desktop

如果你想在普通的Claude对话中也获得这种能力（比如让它帮你写脚本、处理数据），可以配置Claude Desktop。

• 操作：打开Claude Desktop应用 -> 点击左下角你的头像 -> Settings -> “Custom Instructions”。将prompt.txt的全部内容粘贴到输入框中。
• 效果：此后，你在这台电脑上通过Claude Desktop进行的每一次对话，Claude都会在回应前先检查你的技能库。当你让它“加密一个文件”时，它会自动采用age-file-encryption技能里的最优方法。

3.2.4 针对其他开发工具

• GitHub Copilot (Chat)：在项目根目录创建.github/copilot-instructions.md文件，并将prompt.txt内容复制进去。Copilot会在该工作区的聊天中参考此文件。
• Aider：一个专注于代码的CLI工具。可以在启动时指定：aider --system-prompt "$(cat ~/open-skills/prompt.txt)"。或者将其写入配置文件~/.aider.conf.yml的system-prompt字段。
• Continue.dev：在配置文件~/.continue/config.json的systemMessage字段中追加技能库指令。

重要提示：prompt.txt里的指令是“模型无关”的。它的逻辑是“如果存在路径~/open-skills，则先查找相关技能”。任何能够理解自然语言、读取文件系统（或至少能接受文件内容作为上下文）的AI模型或智能体，都可以遵循这套指令。你可以把它应用到任何支持长系统提示词的AI工具上。

3.3 配置经验与避坑指南

1. 路径问题：prompt.txt中默认的技能库路径是~/open-skills。如果你克隆到了其他位置，必须在粘贴前修改prompt.txt里的路径。否则智能体会找不到技能库。
2. 指令冲突：如果你原有的系统提示词里有诸如“你是一个有帮助的助手”之类的描述，将Open Skills指令追加在后面即可。通常，越靠后的指令优先级越高。但如果出现矛盾指令，可能会让模型困惑。建议先保留原有基础角色设定，再追加技能库指令。
3. 本地模型专用配置：如果你主要使用Ollama运行本地模型，一个极佳的实践是创建一个“包装脚本”。例如，创建一个ollama-with-skills.sh脚本：

   #!/bin/bash SYSTEM_PROMPT=$(cat ~/open-skills/prompt.txt) ollama run llama3.1:8b --system "$SYSTEM_PROMPT"

   这样每次运行都自动载入技能库。
4. 验证是否生效：配置完成后，问你的智能体一个技能库中明确存在的任务，比如“怎么用age加密文件？” 如果它回答中提到了~/open-skills/skills/age-file-encryption/SKILL.md中的具体命令，而不是泛泛而谈，说明配置成功了。

4. 核心技能深度解析与应用场景

Open Skills库目前包含40多个生产就绪的技能，覆盖了开发、数据处理、自动化、内容生成等多个方面。我们挑几个有代表性的，深入看看它们是如何工作的，以及能解决什么实际问题。

4.1 技能示例：csv-data-summarizer(CSV数据汇总器)

场景：你拿到一个陌生的、几百MB的销售数据CSV文件，老板让你快速给出一些关键洞察，比如总销售额、最佳销售日、最畅销产品等。

传统AI方式：你会对AI说：“分析这个sales.csv文件。” AI可能会开始生成Python代码，用pandas读取，但可能会因为编码问题、日期列格式不对、存在空值而报错。你需要来回沟通，告诉它“日期列叫order_date，格式是YYYY-MM-DD”，“用utf-8-sig编码”，这个过程可能需要5-10轮交互。

Open Skills方式：AI检索到csv-data-summarizer技能。该技能文件里已经写好了一个健壮的Python脚本框架。AI只需要做两件事：

1. 将你的文件名替换到脚本的对应位置。
2. 根据你的具体问题（“总销售额、最佳销售日”），调整脚本最后输出统计量的部分。

技能文件提供的核心价值是一个处理了各种边缘情况的、可立即运行的数据处理框架，比如：

• 自动检测CSV分隔符。
• 智能推断列的数据类型（将数字字符串转为数值）。
• 安全地处理缺失值。
• 提供了计算基本统计量（总和、均值、计数、唯一值）的函数模板。

AI不再需要“发明”如何处理CSV，它只需要“配置”和“调用”这个现成的、可靠的方案。交互轮次可能降至1-2轮。

4.2 技能示例：browser-automation-agent(浏览器自动化代理)

场景：你需要每天自动登录某个内部仪表盘，下载一份报表。

传统AI方式：“写一个Python脚本用Selenium登录网站XX。” AI生成的脚本很可能在元素选择器上出错，或者没有处理页面加载等待，导致运行失败。调试浏览器自动化脚本非常耗时。

Open Skills方式：技能文件直接推荐使用Playwright而非 Selenium，并给出了理由：Playwright API更现代，自动等待机制更健壮。技能提供了一个完整的模板，包括：

• 如何安装Playwright：pip install playwright && playwright install chromium。
• 一个包含错误处理、资源清理的上下文管理器代码块。
• 最佳实践：使用page.wait_for_selector而非time.sleep。
• 示例：如何填写表单、点击按钮、保存截图。

AI基于这个模板，只需要替换掉目标URL、用户名/密码选择器和登录按钮选择器，就能生成一个高成功率的脚本。技能将“如何正确进行浏览器自动化”的知识固化了下来。

4.3 技能示例：free-translation-api(免费翻译API)

场景：在脚本中需要将一段用户反馈翻译成英文。

传统AI方式：AI可能会建议用Google Cloud Translation API或DeepL API，但这都需要注册、获取API密钥、可能涉及付费。

Open Skills方式：技能文件调研并封装了真正免费、无需认证的翻译服务（例如利用LibreTranslate的公共实例或某些搜索引擎的翻译接口）。它提供了：

• 可直接调用的API端点URL。
• 正确的HTTP请求方法（GET/POST）和参数格式。
• 解析返回JSON获取翻译文本的代码。

这体现了Open Skills的“Privacy-first”理念：优先选择无需账户、无需密钥的公共服务，避免厂商锁定和潜在费用。AI直接采用这个方案，省去了寻找和评估免费API的时间。

4.4 技能示例：age-file-encryption(Age文件加密)

场景：需要让AI帮忙加密一个包含敏感信息的配置文件。

传统AI方式：AI可能会生成使用OpenSSL复杂命令的代码，或者使用某个特定语言的加密库，这需要引入依赖。

Open Skills方式：技能文件推广了age这个现代、简单、安全的加密工具。它提供了：

• 安装命令：brew install age(macOS) 或sudo apt-get install age(Linux)。
• 生成密钥对：age-keygen -o key.txt。
• 加密命令：age -r public_key -o secret.txt.encrypted plain.txt。
• 解密命令：age -d -i private_key -o decrypted.txt secret.txt.encrypted。

AI的职责变得非常简单：确认文件路径，然后执行这些标准化命令。用户获得的是一个业界推荐的、审计过的加密方案，而不是AI临时“编造”的加密方法。

实操心得：不要只把Open Skills看作命令的集合，而要看作“最佳实践”的集合。每个技能都是维护者针对某个常见问题，筛选、测试、打磨出的当前最优解。当你让AI执行相关任务时，你不仅在节省token，更是在为这个任务引入一个经过验证的、可靠的解决方案。

5. 成本与隐私效益分析：从“能用”到“敢用”、“常用”

Open Skills带来的改变不仅是效率上的，更是经济和心理层面的。我们来算一笔账，并看看它如何改变我们使用AI的方式。

5.1 云端模型：从“奢侈”到“廉价”

假设一个中等复杂度的任务（例如，从Git日志生成变更记录、查询天气并格式化、爬取一个页面并提取表格），在没有技能库的情况下，GPT-4可能需要10-20轮对话来完成，消耗约5万-10万token。以GPT-4 Turbo输入$1.5/1M token，输出$3/1M token的混合均价粗略估算，单次任务成本在 $0.15 - $0.25 美元之间。

这导致什么心理？“成本焦虑”。你会不自觉地减少向AI提出复杂任务的频率，或者中途因为觉得“太贵了”而放弃调试。AI成了只能在关键时刻动用的“重型武器”。

接入Open Skills后，同样的任务，AI在1-3轮内就能完成，因为它不再试错。token消耗可能降至1000-2000。成本骤降至$0.003 - $0.005美元。这个价格使得频繁地、琐碎地使用强大模型变得经济可行。AI从“重型武器”变成了随手可用的“瑞士军刀”。你可以毫无心理负担地让它处理几十个小任务，总成本可能还不到以前处理一个任务的零头。

5.2 本地模型：从“玩具”到“生产力工具”

本地模型（如Llama 3.1 8B, Mistral 7B）最大的优势是免费和隐私。但最大的短板是知识截止日期和复杂任务执行能力差。它们经常在需要具体知识（如最新的API参数）或多步骤推理的任务上失败。

Open Skills完美地弥补了这个短板。它提供了本地模型所缺乏的、具体的、最新的“执行知识”。结合后，工作流变成了：

1. 本地模型（负责思考与规划）：理解你的指令，拆解任务步骤。
2. Open Skills（负责执行知识）：为每个步骤提供精确的“操作指南”。
3. 本地模型（负责协调执行）：按照指南，调用系统命令或执行代码。

结果是：零成本、高隐私、高成功率。上文的表格清晰地展示了这一点：本地模型+技能库的成功率（~95%）可以媲美甚至超过纯云端模型（85-95%），而成本是0。这对于处理敏感数据、或处于网络受限环境的开发者来说，是革命性的。

5.3 构建100%免费的AI助手栈

基于此，我们可以搭建一个完全离线、免费的个人超级助手：

# 1. 安装本地模型运行时 curl -fsSL https://ollama.com/install.sh | sh # 2. 拉取一个强大的开源模型，如 Llama 3.1 8B ollama pull llama3.1:8b # 3. 克隆技能库 git clone https://github.com/besoeasy/open-skills ~/open-skills # 4. 运行模型，并注入技能库指令 ollama run llama3.1:8b --system "$(cat ~/open-skills/prompt.txt)"

现在，你就拥有了一个部署在本地、能力通过技能库极大扩展的AI助手。你可以让它处理文档、分析数据、自动化操作，所有过程都在你的电脑上完成，没有数据泄露风险，也没有一分钱账单。

注意事项：本地模型的“思考”速度可能不如GPT-4快，但对于许多确定性高的执行类任务，速度是可以接受的。关键在于，它把“付费的、联网的推理”和“免费的、本地的执行”结合了起来，在很多场景下是完全可行的替代方案。

6. 技能库的生态与贡献：人人可添砖加瓦

Open Skills的强大之处在于它是一个活的、不断成长的生态。40多个技能只是起点，真正的潜力在于社区贡献。

6.1 技能文件的标准结构

项目提供了清晰的SKILL_TEMPLATE.md模板，引导贡献者编写高质量的技能。一个优秀的技能文件应包含：

1. 清晰的任务标题和描述：让AI和人类都能一眼看懂这个技能是做什么的。
2. 前提条件：需要安装的工具、库或需要的API密钥（尽量选择无需密钥的）。
3. 核心操作步骤：以代码块形式给出可运行的命令或脚本。这是技能的核心。
4. 示例输入与输出：展示技能使用前和使用后的效果，最好有截图或代码输出。
5. 参数解释：说明命令中哪些部分需要用户替换，以及替换成什么。
6. 备选方案或高级用法：提供更高效或更定制化的用法。
7. 故障排除：列出常见错误及解决方法。

这种结构确保了技能文件既是给AI看的“程序”，也是给人类看的“文档”。

6.2 如何贡献一个技能

假设你发现了一个用ffmpeg批量压缩视频的绝佳命令组合，想把它贡献出来。

1. Fork项目：在GitHub上Forkbesoeasy/open-skills仓库。
2. 创建技能目录：在skills/下创建一个新的目录，如skills/batch-video-compress。
3. 编写SKILL.md：在该目录下创建SKILL.md文件，按照模板填写内容。确保你的命令经过充分测试。
4. 提交并拉取请求：将你的更改提交到你的分支，然后向原仓库发起Pull Request (PR)。

更有趣的是，项目鼓励“AI贡献”。一个已经装备了Open Skills的AI智能体，可以自己完成上述流程的大部分步骤！你可以对它说：“我刚刚教你用ffmpeg -i input.mp4 -vcodec libx265 -crf 28 output.mp4来压缩视频。请将这个技能标准化，并贡献到Open Skills项目。” 理论上，一个足够强大的AI可以自动生成符合模板的SKILL.md，使用GitHub CLI创建分支、提交、并打开PR。

6.3 技能库的维护与演进

随着技术发展，技能可能会过时（如某个免费API关闭）。社区可以通过提交PR来更新技能。这种众包模式使得技能库能保持活力。项目维护者的角色更像是“编辑”和“质量审核”，确保合并的技能是真正有效、安全、符合最佳实践的。

对于使用者来说，定期git pull更新本地的技能库，就能免费获得所有社区贡献的新技能和旧技能的改进，就像你的AI助手在“自动学习”和“升级”。

7. 常见问题与排查技巧实录

在实际使用Open Skills的过程中，你可能会遇到一些问题。以下是我根据经验总结的常见情况及解决方法。

7.1 技能库指令未生效

• 症状：向AI提问技能库中明确存在的任务，AI的回答没有提及技能库，而是开始自己“编造”方法。
• 排查步骤：
  1. 检查路径：首先确认prompt.txt中指定的技能库路径（默认~/open-skills）是否正确，并且该目录确实存在。
  2. 检查指令注入：确认你是否将prompt.txt的完整内容正确添加到了智能体的系统提示词中。对于Claude Desktop、Cursor等工具，有时设置可能不会立即生效，尝试重启应用。
  3. 验证指令内容：直接问AI：“你的系统提示词里，关于如何处理任务，有什么特别的指令吗？” 看看它是否会复述出“先检查~/open-skills目录”的相关内容。
  4. 模型上下文长度：如果你使用的是本地小模型，且系统提示词非常长（原始prompt.txt加上你其他指令），可能会超出模型的上下文窗口，导致末尾的指令被截断。尝试精简其他部分的系统提示词。

7.2 AI找到了技能但执行错误

• 症状：AI引用了正确的技能文件，但生成的命令或代码在你的环境下报错。
• 排查步骤：
  1. 环境差异：技能文件中的命令通常基于某种环境假设（如Linux/macOS的Bash，Python 3）。确保你的运行环境符合要求。例如，Windows用户可能需要将curl命令转换为Invoke-WebRequest，或者使用WSL。
  2. 依赖缺失：技能可能依赖特定工具（如jq,pandoc,ffmpeg）。AI可能会在技能描述里提到，但不会主动帮你安装。执行前，先手动安装好所需依赖。
  3. 权限问题：某些命令（如写入系统目录、监听端口）可能需要管理员权限。注意错误信息中的“Permission denied”提示。
  4. 网络问题：对于调用外部API的技能，确保你的网络可以访问该API端点。有些免费API可能有访问频率限制或地域限制。

7.3 如何为特定任务创建自定义技能

• 需求：你有一个经常执行的、项目特有的复杂操作（例如，部署到公司内部服务器的脚本），希望AI也能通过技能库来调用。
• 方法：
  1. 在本地~/open-skills/skills/目录下，为你项目创建一个新文件夹，例如my-project-deploy。
  2. 仿照现有技能，创建一个SKILL.md文件，详细描述部署步骤、命令、需要的环境变量等。
  3. 这样，当你在该项目中工作时，AI就能利用这个自定义技能了。注意：这只对你的本地环境有效。如果你觉得这个技能对社区也有用，可以贡献回主项目。

7.4 技能库更新与管理

• 更新：定期进入~/open-skills目录，执行git pull origin main来获取最新的社区贡献。
• 冲突：如果你本地修改了某个技能文件，更新时可能会产生冲突。建议不要直接修改主库的技能文件，而是通过创建自定义技能或向社区提交PR的方式来改进。
• 多版本/分支：你可以克隆多个技能库到不同路径，用于不同场景。然后在不同的项目或AI配置中，指向不同的技能库路径即可。

7.5 与不同AI工作流的融合

• 在ChatGPT Web界面中使用：由于Web界面通常无法修改系统提示词或访问本地文件，无法直接使用。但你可以手动将某个技能文件的内容复制到对话中，作为上下文提供给AI。
• 在自动化脚本中调用：你可以编写脚本，将任务描述和技能库路径一起发送给本地LLM的API（如Ollama的API），实现完全自动化的任务处理流水线。

我个人在深度使用Open Skills几个月后，最大的体会是它改变了我与AI协作的“心态”。以前是“我能用AI做什么？”，现在是“我应该让AI做什么？”。因为成本壁垒和可靠性问题被极大降低，我开始将更多重复性、模式化的开发运维工作交给AI，自己则专注于更高层次的架构和创意问题。它就像给我的AI助手配上了一本厚厚的、不断更新的《操作百科全书》，让它的“手”和“眼”变得无比灵巧。对于任何严肃使用AI辅助编程或自动化的人来说，集成Open Skills不是一种优化，而是一种基础能力的升级。