龙虾PRO

登录

在 AI 辅助开发成为日常研发标配的当下，很多开发者都会遇到相似的效率瓶颈：每次执行固定工作流都要重复输入大段指令、团队统一的代码规范无法在 AI 工具中一键复用、公司内部私有框架没有适配的 AI 能力支持。Superpowers 的自定义 Skill 功能，正是破解这类问题的核心方案 —— 它本质是将 “提示词规则 + 执行流程 + 参考规范” 打包封装，把零散的单次 AI 调用，固化成可一键触发的标准化技能，最终实现个人经验沉淀与团队研发效能的规模化提升。

一、为什么要做自定义 Skill：从单次指令到可复用能力

自定义 Skill 并非简单的 “提示词收藏”，而是对 AI 辅助开发流程的结构化封装，其核心价值体现在四个层面：

1. 消除重复指令成本

日常开发中，代码审查、文档生成、组件创建等高频操作，每次都需要向 AI 重复描述需求、明确输出格式。将这些流程封装为 Skill 后，只需一条命令即可触发，省去重复的指令输入成本。

2. 统一团队执行标准

不同开发者调用 AI 时，描述方式的差异会导致输出结果参差不齐。将团队的代码规范、审查标准、输出格式写入 Skill 后，所有人调用都能得到符合统一标准的结果，避免因个人表述差异带来的质量波动。

3. 沉淀经验型数字资产

资深开发者的审查思路、问题排查方法、最佳实践经验，都可以通过 Skill 固化下来。新成员无需长时间磨合，直接调用技能就能获得符合团队水准的输出，加速经验传承。

4. 适配私有业务场景

内置 Skill 通常只覆盖通用场景，而公司自研框架、专属业务流程、内部技术规范等个性化需求，都可以通过自定义 Skill 实现专属适配，填补通用 AI 能力与业务实际需求之间的缺口。

以最常见的代码审查为例，以往每次都需要完整描述审查维度、输出格式，封装为 /superpowers.code-review 命令后，只需传入文件路径或代码块，即可自动生成标准化审查报告，效率提升十分显著。

二、Superpowers Skill 结构解析与 AI 运行逻辑

动手编写之前，首先要理解 Skill 的目录结构，以及 AI 在执行技能时的调用逻辑。一个标准的 Skill 由核心文件与扩展目录组成，所有内容都遵循约定大于配置的原则：

plaintext

skills/
└── code-review/
    ├── SKILL.md          # 技能元数据描述文件（必需）
    ├── prompt.md         # 核心执行指令文件（必需）
    ├── examples/         # 输入输出示例目录（可选）
    │   └── sample-review.md
    └── references/       # 参考规范文档目录（可选）
        └── company-style-guide.md

1. SKILL.md：技能的 “身份入口”

这是 Skill 的元数据配置文件，相当于技能的说明书，AI 会优先读取该文件识别技能信息。文件顶部通过 Frontmatter 定义核心字段，正文补充使用说明：

  • name：技能的唯一标识符，最终决定触发命令的名称
  • description：简短功能描述，会展示在技能列表中
  • 正文：详细说明使用方式、适用场景、注意事项等

2. prompt.md：技能的 “核心大脑”

这是 Skill 的核心逻辑文件，定义了 AI 执行该技能时的角色定位、任务要求、检查维度、输出格式等全部行为规则。AI 触发技能后，会以该文件的指令为核心准则，结合用户输入执行任务，输出结果的质量完全取决于 prompt 的设计精细度。

3. 扩展目录的 AI 辅助作用

  • examples 目录存放典型的输入输出示例，AI 可以通过示例更精准地理解预期输出效果，大幅提升结果的稳定性和一致性
  • references 目录存放参考规范、内部文档等资料，AI 执行时会自动检索其中的内容作为判断依据，是实现私有场景适配的核心路径

三、实战落地：从零搭建自动化代码审查 Skill

下面以代码审查场景为例，完整演示从创建到调优的全流程，同时融入 AI 辅助编写的方法，降低上手门槛。

步骤 1：创建技能目录结构

首先在 Superpowers 的技能目录下创建专属文件夹，按照标准结构组织文件：

bash

运行

mkdir -p ~/.claude/skills/code-review
cd ~/.claude/skills/code-review

步骤 2：编写 SKILL.md 元数据

创建 SKILL.md 文件，定义技能的基础信息与使用方式：

markdown

---
name: code-review
description: 自动化代码审查，覆盖安全性、性能、可维护性与最佳实践，输出结构化 Markdown 报告
---

# Code Review Skill
一键触发标准化代码审查，生成专业分级的审查报告与修复建议。

## 使用方式

/superpowers.code-review <文件路径>

plaintext

或直接粘贴代码块触发：

/superpowers.code-review

后续粘贴待审查代码

plaintext


## 审查维度
- 安全性：SQL注入、XSS、权限校验、敏感信息泄露等
- 性能：时间复杂度、数据库查询优化、缓存策略等
- 可维护性：命名规范、代码模块化、注释完整性等
- 最佳实践：团队规范对齐、错误处理、日志输出等

## 输出说明
输出 Markdown 格式报告，包含问题分级、位置标注、修复建议与整体评分。

步骤 3：AI 辅助编写 prompt.md 核心逻辑

核心的 prompt 文件无需完全手写，可以先借助大模型生成初稿，再结合团队需求人工调优，效率更高。

  1. 先向 AI 输入需求：“生成一份代码审查的系统提示词，要求覆盖安全性、性能、可维护性、最佳实践 4 个维度，输出结构化 Markdown 报告，包含严重问题分级和修复代码示例”
  2. 拿到初稿后，补充团队特有的检查项、细化输出格式、调整语言风格，最终形成符合要求的 prompt.md

完整的核心指令示例如下：

markdown

# 代码审查执行指令
你是拥有10年经验的技术负责人，负责执行标准化代码审查工作。

## 核心任务
对用户提供的代码进行多维度审查，输出结构化、可落地的审查报告。

## 审查清单
### 安全性审查
- SQL注入、XSS攻击、IDOR漏洞风险
- 硬编码密钥、敏感信息明文传输问题
- 权限校验完整性、CSRF防护机制
### 性能审查
- 时间与空间复杂度合理性
- 数据库N+1查询、索引使用情况
- 大对象处理、缓存策略有效性
### 可维护性审查
- 变量与函数命名语义化程度
- 函数长度、代码重复率控制
- 关键逻辑注释、模块化拆分合理性
### 最佳实践
- 团队代码规范对齐度
- 错误处理边界覆盖、日志规范性
- 单元测试覆盖、API设计合理性

## 输出格式
严格按照以下结构输出 Markdown 报告：
# 🔍 代码审查报告
**文件**：{{文件路径}}
**审查时间**：{{当前时间}}
**整体评分**：{{1-5星评级}}

---
## 📊 审查摘要
| 维度 | 问题数 | 状态 |
|------|--------|------|
| 安全性 | X 个 | ✅/⚠️/❌ |
| 性能 | X 个 | ✅/⚠️/❌ |
| 可维护性 | X 个 | ✅/⚠️/❌ |
| 最佳实践 | X 个 | ✅/⚠️/❌ |

---
## 🔴 严重问题
### 1. [问题标题]
- **位置**：第 XX 行
- **风险等级**：高/中/低
- **描述**：详细说明问题成因与影响
- **问题代码**：
  ```语言
  // 存在问题的代码片段
  • 修复建议： 语言// 优化后的代码示例

🟡 改进建议

（同上述格式，列出非阻断性优化点）

💡 总结

整体评价与优先级修复建议

✅ 验证方式

  1. 运行对应单元测试
  2. 手动验证核心功能逻辑
  3. 重新执行代码审查确认修复

plaintext


### 步骤4：补充参考资料（可选）
将团队的代码规范文档、安全编码指南、内部框架说明等文件放入 `references` 目录，同时在 `prompt.md` 中补充“优先参考 references 目录下的团队规范进行审查”的指令，能让输出结果更贴合团队实际要求。

### 步骤5：测试与迭代调优
重启 Superpowers 加载新技能后，通过测试用例验证效果：

/superpowers.code-review src/app.js

plaintext

如果出现漏查问题、输出格式不符、建议不符合预期等情况，反向迭代优化 `prompt.md` 中的指令，补充对应的检查项或格式约束，直到输出稳定符合要求。

## 四、AI智能增强：Skill 高质量落地的具体方案
想要让自定义 Skill 不止于“提示词封装”，真正融入研发流程发挥价值，可以通过以下四种AI方案实现能力升级。

### 1. 私有知识库 RAG 接入方案
针对公司私有框架、内部规范这类通用AI不了解的内容，通过检索增强生成（RAG）的思路实现适配：
- 将团队规范、历史最佳实践、内部框架文档统一整理后存入 `references` 目录
- 在 prompt 中明确要求AI必须优先参考该目录下的文档给出结论，禁止脱离规范输出建议
- 对于文档量较大的团队，可以搭配轻量向量检索插件，实现精准片段匹配，避免上下文冗余
落地效果：技能输出的建议完全贴合团队技术栈，无需每次额外补充背景信息，真正实现“开箱即用”。

### 2. 多场景智能适配方案
让技能具备自动场景识别能力，无需手动切换模式：
- 在 prompt 中加入场景识别指令，要求AI自动判断代码语言、业务类型，动态调整审查重点
- 例如识别到JavaScript代码则重点检查异步处理、前端安全问题；识别到Python代码则重点检查类型注解、资源管理
- 进阶可以拆分多套细分prompt文件，通过AI自动路由调用对应规则，实现更精准的场景适配

### 3. 技能自动化测试校验方案
保障技能迭代过程中的效果稳定性，避免越改越差：
- 整理一批已知问题的代码样本，形成标准化测试用例集
- 编写批量执行脚本，自动调用技能对所有用例执行审查
- 借助AI自动比对输出结果与预期问题清单，计算召回率与准确率
- 每次更新prompt后都跑一遍测试集，验证效果是否达标
落地价值：团队共享技能前可通过测试集验证质量，迭代优化有量化指标可循。

### 4. 智能修复建议生成方案
不止于发现问题，更进一步给出贴合团队风格的修复方案：
- 将团队历史修复记录、代码风格示例放入 `references` 目录
- 在 prompt 中要求AI生成修复代码时必须对齐团队编码风格，禁止输出不符合规范的写法
- 复杂场景下可以要求AI生成多套修复方案，并标注各自的优劣与适用场景

## 五、工程化进阶：Skill 融入研发全流程
自定义 Skill 不只可以在本地手动调用，还可以深度融入研发流水线，实现全流程自动化。

### 1. 本地预提交钩子集成
在 Git pre-commit 钩子中加入技能调用逻辑，代码提交前自动执行审查，提前发现问题，避免问题流入远程仓库：
```bash
# .git/hooks/pre-commit 示例
changed_files=$(git diff --cached --name-only -- '*.js' '*.py')
if [ -n "$changed_files" ]; then
  claude -p "/superpowers.code-review $changed_files"
  # 存在严重问题则阻断提交
fi

2. CI/CD 流水线集成

将技能集成到 PR 流程，每次提交代码自动触发审查，结果直接作为评论附在 PR 中，无需人工发起：

yaml

# .github/workflows/code-review.yml
name: Auto Code Review
on: [pull_request]

jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: 执行代码审查
        run: |
          changed_files=$(git diff --name-only origin/main...HEAD)
          claude -p "/superpowers.code-review $changed_files" > review-report.md
      - name: 发布审查结果
        uses: actions/github-script@v7
        with:
          script: |
            const report = require('fs').readFileSync('review-report.md', 'utf8')
            github.rest.issues.createComment({
              issue_number: context.issue.number,
              owner: context.repo.owner,
              repo: context.repo.repo,
              body: report
            })

3. 团队共享与版本管理

  • 单个技能可以打包为压缩包分享给同事，直接解压到技能目录即可使用
  • 团队规模较大时，可以搭建私有技能仓库，通过 Git 管理版本，支持灰度发布与回滚
  • 建立技能评审机制，新增或更新技能前经过验证，保证全团队使用的技能质量稳定

六、更多落地场景：可快速搭建的实用 Skill

除了代码审查，日常研发中的很多高频流程都可以封装为 Skill，以下是几类高价值的创意方向：

表格

Skill 名称核心功能与落地价值
api-doc-generator自动识别代码中的接口定义与注释，生成符合团队规范的 API 文档，支持 Markdown 与 OpenAPI 格式，省去手动写文档的重复劳动
db-migration自动校验数据库迁移 SQL 的语法风险、性能问题，生成执行与回滚方案，降低上线故障概率
component-generator根据组件描述一键生成符合团队 UI 规范的 React/Vue 组件代码，包含基础样式、类型定义与常用方法
test-generator根据业务代码自动生成单元测试用例，覆盖核心逻辑与边界场景，提升测试编写效率
deployment-checklist部署前自动检查环境变量、配置文件、备份策略与权限配置，输出标准化检查清单，降低部署失误
refactor-helper识别代码中的坏味道与冗余逻辑，给出重构方案并生成优化后的代码片段，辅助代码质量持续优化
performance-profiler分析代码中的性能瓶颈，针对循环嵌套、数据库查询、资源占用等场景给出优化建议

七、总结

自定义 Skill 的本质，是将人的经验、流程规范与 AI 的执行能力结合，封装成可复用的数字化研发资产。

从个人视角看，它把每天重复的指令输入变成一键调用，减少机械劳动，把精力集中在更有价值的创作上；从团队视角看，它统一了 AI 输出的标准，沉淀了资深成员的经验，让 AI 辅助开发的效果更稳定、更贴合业务实际需求。

掌握自定义 Skill 的方法，相当于拥有了按需扩展 AI 能力的抓手。你可以从自己最常重复的工作流入手，先封装一个简单的技能，再逐步调优升级，最终打造出完全适配自身工作习惯的 AI 提效工具集。

🦞 龙虾PRO | longxiapro.com — 企业级龙虾智能运维·OpenClaw全栈技术平台

专注龙虾智能化、OpenClaw部署、AI智能运维、企业级龙虾架构、自动化流程、智能排障、龙虾技术实战； 全网最全龙虾技术文档、教程、源码、问题解答、动态资讯、行业方案，尽在龙虾PRO。

遇到OpenClaw部署报错、龙虾运维难题、智能体搭建、企业级龙虾方案、技术咨询、最新龙虾动态， 请立即访问官网：longxiapro.com

深耕龙虾AI智能生态，赋能企业数字化运维，从入门到精通，从部署到生产，学龙虾·用龙虾·精通龙虾，认准龙虾PRO。

粤ICP备2024170283号-2