Part 1 · AI Skill 基礎概念

什麼是 Agent Skills？

理解 AI Skill 的核心概念，學會把工作流程拆解為可執行的步驟

Agent Skills 流程拆解三大平台

🍳 Skills = AI 的食譜

各位平常用 AI 工作時，有沒有遇過這個情境：你花了 10 分鐘教 AI 怎麼做一件事，結果下次開新對話，又要重新教一遍？

這就好像每次做菜都要重新發明食譜一樣——明明上次已經煮得很好了，為什麼不把步驟寫下來呢？

如果我告訴你，有一種方法可以把你教 AI 的過程「封裝」起來，下次一鍵就能用——這就是 Agent Skills。Skill 就是你寫給 AI 的「標準作業程序（SOP）」，讓 AI 每次都能按照你設定的流程，穩定地完成任務。

🧑‍🍳 食譜比喻：為什麼叫「AI 的食譜」？

做菜的食譜	對應到 Skill	說明
食譜名稱	Skill 名稱	例如「Email 回覆助手」「會議記錄整理」
食材清單	輸入參數	AI 需要你提供什麼資料才能開始工作
烹飪步驟	執行規則	AI 要依序完成的每一個動作
成品照片	輸出格式	最終交付的結果長什麼樣子
注意事項	防呆機制	什麼情況該拒絕、什麼錯誤要避免

📊 Skills vs 一般 Prompt 差異比較

比較項目	一般 Prompt	Agent Skill
保存方式	存在聊天紀錄裡，容易遺失	獨立的 `.md` 檔案，永久保存
觸發方式	每次手動貼上或重新打字	AI 自動偵測相關情境，一鍵載入
可維護性	改了這次，下次又忘記	修改檔案即可，所有對話自動生效
共享性	只能截圖或複製文字分享	整個資料夾複製即可分享給團隊
載入效率	每次都消耗完整 Token	按需載入，節省 Token 用量
擴展性	Prompt 越長越難維護	可拆分多檔案、引用外部資源

💡 重點：Skill 就是一個 Markdown 檔案（SKILL.md），不需要寫程式！只要你會打字、會列清單，就能建立自己的 AI Skill。

🏗️ Skills 的三層架構（漸進式揭露）

Agent Skills 採用三層式架構設計，這是一個聰明的「漸進式揭露」機制。AI 不會一次把所有資料都讀進去，而是根據需要逐層載入，大幅節省 Token 消耗。

這就像圖書館的管理方式：書名和簡介放在目錄（快速瀏覽），書的內容放在書架上（需要時才翻閱），參考資料放在資料庫（深入研究時才查詢）。

┌─────────────────────────────────────────────┐
│  第一層：元資料（~100 tokens）               │  ← AI 啟動時就讀取
│  name + description                         │
├─────────────────────────────────────────────┤
│  第二層：指令（~500-5000 tokens）            │  ← AI 判斷相關時才載入
│  SKILL.md 主體內容                          │
├─────────────────────────────────────────────┤
│  第三層：資源（不限大小）                    │  ← 按需載入
│  scripts/ references/ assets/               │
└─────────────────────────────────────────────┘

📌 第一層：元資料

包含 Skill 的名稱和簡短描述，大約只有 100 個 Token。AI 在啟動時就會讀取所有 Skill 的元資料，用來判斷「使用者現在的需求跟哪個 Skill 有關」。

這一層就像書的封面和目錄——快速掃描，不花時間。

📋 第二層：指令

這就是 SKILL.md 的主體內容，包含執行步驟、輸出格式、安全規則等。大約 500~5000 個 Token。

只有當 AI 判斷「使用者的需求跟這個 Skill 相關」時，才會載入這一層。這就像翻開書本閱讀內容。

📦 第三層：資源

包含輔助腳本（scripts/）、參考資料（references/）、範本（assets/）等外部檔案，大小不限。

只有在 Skill 執行過程中需要時才會載入。這就像查閱圖書館的參考資料庫。

💡 關鍵設計：不像 CLAUDE.md 每次都完整讀取，Skills 是「用到才載入」，因此你可以建立幾十個 Skill 而不會拖慢 AI。這是 Skills 架構最聰明的地方！

⚠️ 注意：元資料中的 description 要寫得精準，因為 AI 是根據它來判斷是否載入這個 Skill。描述太模糊會導致 AI 錯過你的 Skill，描述太廣泛則可能誤觸發。

🖥️ Skills 的三大應用平台

目前支援 Agent Skills 的主流平台有三個，各有不同的適用場景。選擇哪個平台取決於你的需求、預算和技術背景。今天的課程會帶你在這三個平台上都實際操作一遍。

項目	Antigravity	Claude Code	Gemini CLI
費用	免費使用	付費（需 API Key）	免費使用
介面	網頁 IDE（圖形化）	終端機 CLI（命令列）	終端機 CLI（命令列）
Skill 路徑	`.agent/skills/`	`.claude/skills/`	讀取工作區檔案
安裝需求	不需要安裝	`npm install -g @anthropic-ai/claude-code`	`npm install -g @anthropic-ai/gemini-cli`
AI 模型	Claude（Anthropic）	Claude（Anthropic）	Gemini（Google）
特色	視覺化操作、適合初學者	程式碼能力強、開發者首選	自動讀取工作區檔案
適合誰	非技術背景、初次接觸	工程師、進階使用者	Google 生態系使用者

💡 建議學習順序：先從 Antigravity 開始（免費、圖形化、容易上手），熟悉 Skill 概念後，再嘗試 Claude Code 和 Gemini CLI。三個平台的 Skill 寫法幾乎相同，學會一個就能舉一反三。

📸 Antigravity 網頁 IDE

📸 Claude Code 終端機介面

📸 Gemini CLI 介面

✨ 有了 Skills 之後的改變

讓我們用一個簡單的 Before / After 來感受一下，導入 Agent Skills 前後的差異。這不只是效率的提升，更是工作方式的根本轉變。

想像一下：你是一位客服主管，團隊有 5 個人。每個人回覆客戶信件的風格都不一樣，品質也參差不齊。如果你能把「最佳回覆流程」寫成一個 Skill，讓每個人的 AI 助手都照著做呢？

❌ Before：沒有 Skills

每次重新教 AI：開新對話就要重新交代一次規則，浪費 5~10 分鐘
品質不穩定：同一個任務，每次給出的結果格式、語氣都不一樣
無法分享給同事：你的「秘密 Prompt」只存在你的聊天紀錄裡
離職知識就消失：專業知識隨著人員異動而流失
難以迭代改進：不知道上次用的是哪個版本的 Prompt

✅ After：有了 Skills

一鍵觸發：AI 自動偵測情境，載入對應 Skill，零秒啟動
品質穩定一致：每次都按照相同的步驟和格式執行
整個資料夾分享：把 skills/ 資料夾傳給同事就搞定
知識永久保存在檔案中：人員異動不影響，Skill 就是組織的知識庫
版本控制容易：用 Git 追蹤每次修改，隨時可以回溯

🎯 核心價值：Skills 讓你的專業知識從「存在腦中」變成「存在檔案中」，從「個人經驗」變成「團隊資產」。這就是「專業流程變現」的第一步。

📋 拆解你的工作流程

把你腦中的專業知識，拆成 AI 看得懂的步驟。這是建立 Skill 最重要的前置作業，也是整個課程的核心技能。

很多人以為「我的工作太複雜，AI 做不來」，其實不是做不來，而是你還沒把流程拆解得夠清楚。任何工作，不管多複雜，都可以拆成一個一個的小步驟。

📐 拆解三原則

原則	說明	正確範例	錯誤範例
足夠具體	每一步都可以明確執行，不需要額外猜測	✅「分析來信的情緒傾向（正面/中性/負面）」	❌「處理一下這封信件」
有順序性	前後步驟有邏輯關聯，不能跳著做	✅ 先分析情緒 → 再組織回覆 → 最後檢查語氣	❌ 隨便從哪一步開始都行
可判斷完成	每個步驟有明確的產出物，知道做完了沒	✅「輸出：情緒判斷結果（正面/中性/負面）」	❌「大概看一下就好」

📝 實際演練：Email 回覆流程拆解

以「收到客戶來信後的回覆流程」為例，看看怎麼把日常工作拆解成 AI 可執行的步驟：

辨識信件類型：是詢問、投訴、感謝，還是合作邀約？
分析來信情緒：對方的語氣是友善、中性還是不滿？
提取關鍵資訊：對方的核心需求是什麼？有沒有時間限制？
決定回覆策略：根據信件類型和情緒，選擇適合的回覆框架
撰寫回覆內容：按照策略撰寫，確保語氣一致
自我檢查：確認沒有遺漏重點、語氣是否恰當

🌟 小提醒：你不需要一次拆解得很完美，先寫出來，再慢慢優化！Skill 的好處就是可以持續迭代——先求有，再求好。

💡 訣竅：試著想像你在教一個「很聰明但完全不懂你工作」的新人。你會怎麼一步步教他？那些步驟，就是你的 Skill 內容。

🔄 從流程拆解到 SKILL.md

上一張投影片我們學會了如何拆解工作流程，現在來看看這些拆解出來的步驟，如何對應到 SKILL.md 的各個段落。這是從「腦中知識」到「可執行檔案」的轉換過程。

SKILL.md 的結構其實就是一份「超級詳細的工作說明書」，每個段落都有明確的用途：

你的流程步驟	對應 SKILL.md 段落	具體內容
這個任務要做什麼？	`## 用途`	清楚描述這個 Skill 解決什麼問題、適用什麼場景
開始前要確認什麼？	`## 前置檢查`	使用者需要提供什麼資料？缺少什麼要先問？
具體怎麼做？	`## 執行步驟`	AI 要依序完成的每一個動作，越具體越好
做完要長什麼樣子？	`## 輸出格式`	最終結果的格式、結構、長度等規範
什麼事情絕對不能做？	`## 安全規則`	防呆機制、禁止行為、邊界條件處理
做一次示範	`## 範例`	給 AI 看一個完整的輸入→輸出範例

📌 轉換小技巧

🎯 用途要精準

不要寫「幫我處理 Email」，要寫「根據收到的客戶來信，分析情緒和類型，生成符合公司語氣的專業回覆」。越精準，AI 越容易判斷何時該啟用這個 Skill。

📋 步驟要有序

用數字編號列出每一步，而且每一步都要有明確的輸出。例如「步驟一：判斷信件類型 → 輸出：類型標籤（詢問/投訴/感謝/合作）」。

🛡️ 安全不能少

告訴 AI 什麼情況要拒絕（例如：「如果來信涉及法律糾紛，回覆『建議諮詢法律顧問』」），避免 AI 在不該回答的地方亂回答。

💡 今天的實作重點：今天我們會用「Email 回覆助手」作為範例，完整走過這個轉換流程。從流程拆解 → 寫成 SKILL.md → 部署到三大平台 → 實際測試。

📝 Part 1 重點回顧

恭喜你完成 Part 1 的學習！讓我們快速回顧一下這個章節的四個核心概念：

1

Skills 是 AI 的食譜

預先寫好的規則檔案（SKILL.md），讓 AI 照著做不誤。不需要寫程式，只要會打字、會列清單就能建立。從此告別「每次重新教 AI」的窘境。

2

三層架構，按需載入

元資料（~100 tokens）→ 指令（~500-5000 tokens）→ 資源（不限大小）。這種漸進式揭露設計，讓你可以建立幾十個 Skill 而不浪費 Token。

3

三大平台任你選

Antigravity（免費、圖形化）/ Claude Code（付費、程式碼能力強）/ Gemini CLI（免費、Google 生態系）。三個平台的 Skill 寫法幾乎相同，學會一個就能舉一反三。

4

流程拆解是第一步

把你的專業知識拆成 AI 看得懂的步驟，是建立 Skill 的前置作業。掌握「足夠具體、有順序性、可判斷完成」三原則，任何工作都能轉化為 Skill。

🎯 接下來的 Part 2：我們會進入實作環節，學習 SKILL.md 的完整結構，並親手寫出你的第一個 Agent Skill——「Email 回覆助手」。準備好了嗎？

Part 2：SKILL.md 結構與實作 →