社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  chatgpt

没有 Claude Code,如何实现 Skills?ChatGPT、Kimi、DeepSeek、豆包的替代方案

连享会 • 5 月前 • 301 次点击  

 


👇 连享会 · 推文导航 |www.lianxh.cn

连享会:2026AI-Agent专题 · 线上
时间:6月20-21日
嘉宾:李学恒 (中山大学)
咨询:王老师 18903405450(微信)

🍓 连享会 · 2026 AI 实证研究
嘉宾:司继春(上海对外经贸大学)
时间:2026 年 6 月 27-28 日
咨询:王老师 18903405450(微信)

 A班和B班的区别

  • • 解决的问题不同:A班偏向搭建AI科研协作系统,B班偏向把实证研究做扎实。
  • • 课程定位:A班关注AI科研工作流,包括工作台、文献与知识管理、写作系统和论文修改流程;B班关注实证研究本身,包括数据获取、代码复查、识别策略和理论建模。
  • • 要解决的问题:
    • • A班——AI工具很多,但东一榔头西一棒槌,没有稳定系统?
    • • B班——数据是否可靠、Stata代码能不能信、识别策略是否站得住、机制解释是否有理论含量?

在A班把工具理顺,在B班把研究做扎实,从而让好的研究想法更高效的产出。


作者: 连小白 (连享会)
邮箱: lianxhcn@163.com[1]


  • • Title: 没有 Claude Code,如何实现 Skills?ChatGPT、Kimi、DeepSeek、豆包的替代方案
  • • Keywords: Skills, Prompt, ChatGPT, Kimi, DeepSeek, 豆包, PROJECT_RULES.md, AI 工作流, 论文复现, 数据清洗
  • • 提要:ChatGPT、Kimi、DeepSeek、豆包等工具,都没有原生的 Skills 机制。本文介绍如何用项目规则文件、项目指令、文件问答、知识库和智能体,来近似实现与 Claude Code 中的 Skills 类似的效果。


编者按:上一篇 推文[2] 讨论了如何用 Claude Code Skills 把论文复现、数据清洗和代码规范写进 AI。但很多读者日常使用的是 ChatGPT、Kimi、DeepSeek、豆包等工具,它们未必有 Claude Code 式的 SKILL.md 自动触发机制。本文讨论的重点是:如果没有原生 Skills,我们能否用项目规则文件、项目指令、文件问答、知识库和智能体,近似实现同样的效果?


1. 不是每个工具都有 Skills

Claude Code Skills[3] 有比较明确的原生机制:在 Claude Code 中,自定义 Skill 通常以文件夹形式存在,包含 SKILL.md 文件;Claude 会根据任务自动发现并使用相关 Skills。Anthropic 的 Agent Skills 文档[4] 也说明,Skills 采用分层加载机制:启动时加载 name 和 description 等元数据,触发后再读取 SKILL.md 正文,必要时继续读取附带文件或执行脚本。

这套机制很适合代码项目,因为它把项目规则变成了 Claude 可以自动调用的「任务能力模块」。例如,一个 Stata 回归 Skill 可以规定不要修改原始数据、使用相对路径、回归表输出到 tables/、图片输出到 figs/;一个 Quarto 写作 Skill 可以规定不要破坏公式、脚注、图片链接和交叉引用。

但问题是,很多读者并不使用 Claude Code。他们可能主要使用 ChatGPT[5]、Kimi[6]、DeepSeek[7] 或 豆包[8],也可能在网页端、桌面端、手机端和 API 之间切换。

这就需要先澄清一个概念:

Claude Code Skills 是一种具体实现;真正值得迁移的是「把反复解释给 AI 的项目规则,沉淀为可复用上下文」的工作方式。

换句话说,文件名是否叫 SKILL.md 并不是最重要的。真正重要的是:AI 能不能在后续任务中持续引用你的项目规则,而不是每次都从零开始。

对于经管和社会科学研究者来说,这些项目规则通常包括:

  • • 原始数据不得修改;
  • • 清洗后的数据保存到 data_clean/;
  • • 回归表保存到 tables/;
  • • 图形保存到 figs/;
  • • 代码使用相对路径;
  • • 数据清洗、变量构造、回归分析、图表输出分开写;
  • • 修改 Quarto 文稿时不得破坏公式、脚注、交叉引用和图片链接;
  • • 每次修改后说明改动了哪些文件、生成了哪些输出。

不同工具实现这些规则的方式不一样,但目标是一致的。

工具
最接近 Skills 的做法
适合解决什么问题
Claude Code / Agent Skills[4]
.claude/skills/xxx/SKILL.md
代码项目中的自动触发规则、任务流程、工具约束
ChatGPT Projects[9] / Custom GPTs[10]
Projects、自定义指令、Custom GPTs、项目规则文件
长期论文项目、课程材料、写作风格、代码规范
Kimi[6] / Kimi API 文件问答[11]
文件上传、文件问答、长上下文、规则文件
长文档、论文草稿、变量说明、材料整理
DeepSeek[7] / DeepSeek API[12] / Context Caching[13]
长上下文、规则文件、API system prompt、Context Caching
推理、代码生成、规则约束输出
豆包[8] / 火山引擎 AgentKit[14] / 知识库相关文档[15]
文件上传、智能体、知识库、AgentKit
文档处理、企业 / 课题组知识库、固定任务助手
不同 AI 工具可以通过项目规则文件实现相似目标:让 AI 复用项目规范
不同 AI 工具可以通过项目规则文件实现相似目标:让 AI 复用项目规范

需要注意,这张表和上图不是在说这些工具都拥有 Claude Code 式的 Skills 自动触发机制。更准确地说,它们可以用不同方式实现类似目标:让 AI 在一个项目中持续参考同一套规则。

ChatGPT Projects[9] 可以把聊天、上传文件和自定义指令组织到同一个项目空间中,使回答参考该项目内共享上下文;Kimi API 文件问答[11] 支持文件上传和基于文件内容进行问答;DeepSeek API[12] 提供网页、App 和 API 入口,API 文档还介绍了 Context Caching[13];豆包及火山引擎则提供 AgentKit[14]、知识库和智能体等面向企业与智能体开发的能力。

因此,本文的核心不是「哪个工具功能最多」,而是:

如何把一次次对话中反复出现的要求,沉淀成一份可保存、可更新、可迁移的项目规则文件。

2. 不要从零开始:让 AI 从对话中萃取规则

很多用户一听到「写规则文件」,就会觉得麻烦。

这很正常。对多数研究者来说,从空白文档开始写一份完整的 PROJECT_RULES.md、STATA_STYLE.md 或 QUARTO_WRITING_RULES.md 并不现实。大家平时已经很忙,不可能为了使用 AI 先专门写一套规范手册。

更自然的方式是:让规则从真实对话中长出来。

假设你刚刚和 AI 完成了一次比较满意的协作:它帮你修改了一篇推文,整理了一段 Stata 代码,审查了一份论文复现包,或者根据你的要求调整了一份 Quarto 讲义。这个对话中其实已经包含了很多有价值的规则:

  • • 你不喜欢哪些表达;
  • • 你希望代码怎样注释;
  • • 你要求图片链接怎样保留;
  • • 你要求公式怎样书写;
  • • 你希望输出结构怎样安排;
  • • 你明确禁止 AI 做哪些事。

这些规则如果留在聊天记录里,很快就会被遗忘。更好的做法是,在一次高质量对话结束后,直接让 AI 把这些可复用规则提取出来,整理为规则文件。

可以把这个过程理解为:

完成一次真实任务 → 萃取规则 → 人工审核 → 保存文件 → 下次加载 → 继续更新

这比「先写完美规则,再开始使用 AI」更容易落地。

项目规则文件可以从真实对话中萃取、审核、保存,并在后续任务中继续更新
项目规则文件可以从真实对话中萃取、审核、保存,并在后续任务中继续更新

提示词:从当前对话中萃取项目规则

请回顾我们刚才的完整对话,提取其中以后仍然值得复用的规则、偏好、流程和禁忌。请不要总结聊天内容,而是把它整理成一份可以在后续项目中复用的规则文件。

请按如下结构输出:

  • 项目背景
  • 适用任务
  • 核心规则
  • 操作流程
  • 正面示例
  • 反面示例
  • 输出要求
  • 需要人工确认的事项

要求:规则要具体、可执行、可检查;不要写空泛原则;如果某条规则来自我的明确偏好,请标注为「用户偏好」;如果只是你根据对话推断出来的,请标注为「推断规则」。

这段提示词的关键在于:不要让 AI 总结聊天内容,而是让它提取以后仍然值得复用的规则。

例如,如果你在对话中多次提醒「不要把公式拆坏」「图片链接中的 alt text 要有中文含义」「代码要加中文注释」「Stata 中 { 放在首行行末,} 单独占一行」,AI 就可以把这些内容整理成规则文件。

下一次处理类似任务时,你就不必重新解释,只需要把这份规则文件交给 AI。

规则文件不是一次写完的。后续每次对话中,如果出现新的要求,也可以让 AI 更新规则。

提示词:根据新对话更新已有规则

我已经有一份项目规则文件。请结合本轮对话中的新要求,判断是否需要更新这份规则文件。

请按如下方式处理:

  • 列出本轮对话中新增的规则或偏好;
  • 判断它们应当加入哪个小节;
  • 指出是否与已有规则冲突;
  • 如有冲突,请保留更具体、更接近当前项目目标的版本;
  • 最后输出一份更新后的完整规则文件。

要求:不要随意删除原有规则;如果删除或改写,请说明原因。

更新规则时,最重要的是防止 AI 擅自覆盖原有规则。比较稳妥的做法是:让它先列出新增规则、冲突规则和修改理由,再输出更新后的完整版本。

另外,每次让 AI 输出结果之前,也可以要求它做一次规则合规检查。

提示词:输出前做规则合规检查

在给出最终答案前,请根据项目规则文件进行一次合规检查。请不要只说「已遵守」,而要逐条说明。

请输出:

  • 本次任务涉及哪些规则;
  • 哪些规则已经遵守;
  • 哪些规则无法判断;
  • 是否存在与规则冲突的地方;
  • 如果有冲突,你做了什么取舍。

要求:检查结果放在答案末尾,标题为「规则合规检查」。

这个提示词尤其适合处理论文复现、数据清洗和投稿材料,因为这些任务一旦出错,后续返工成本很高。

当然,规则文件不是自动驾驶。AI 可以帮你萃取规则,但不能替你判断哪些规则真的应该长期保留。

注意:规则文件不是自动驾驶

AI 可以帮助你从对话中萃取规则,但最终仍然需要人工审核。尤其是涉及原始数据、隐私数据、论文结论、投稿材料和项目权限的规则,不能直接照单全收。

比较稳妥的做法是:先让 AI 生成草稿,再由研究者确认哪些规则可以长期保留,哪些只是本次任务的临时要求。

3. ChatGPT:Projects、Custom GPTs 与项目规则文件

对很多读者来说,最容易落地的工具是 ChatGPT。

如果你使用 ChatGPT Projects[9],可以把一个论文项目、课程项目或推文项目放进同一个 Project 中。OpenAI 帮助文档说明,Project 可以把聊天、上传文件和自定义指令组织在一起,使 ChatGPT 从共享项目内容中获取上下文;共享项目还可以用于团队工作、内容创作、报告和研究等场景。

因此,ChatGPT 中最接近 Skills 思路的轻量方案是:

Step 1:建立一个 Project

例如「现金分红政策研究」「金融数据分析课程」「连享会 AI 推文项目」「Stata 回归代码规范」。

Step 2:上传项目规则文件

可以命名为 PROJECT_RULES.md、WRITING_RULES.md、STATA_STYLE.md 或 REPLICATION_RULES.md。

Step 3:在 Project instructions 中写明规则

例如:「后续所有回答,请优先遵守 PROJECT_RULES.md。如果本次任务与该规则文件冲突,请先说明冲突,再给出建议。」

Step 4:相关对话都放在这个 Project 中

不要今天在普通聊天里改论文,明天在另一个窗口里跑代码,后天又在新窗口里整理复现包。项目上下文越分散,AI 越难稳定遵守规则。

Step 5:定期更新规则文件

每次完成一轮重要任务后,让 AI 从对话中萃取新规则,更新 PROJECT_RULES.md。

这套做法适合单篇论文、一门课程、一个长期推文系列或一个持续迭代的数据分析项目。

如果你的任务更加固定,例如「每次都帮我检查 Stata 代码」「每次都帮我修改连享会推文」「每次都帮我审查论文复现包」,可以考虑使用 Custom GPTs[10]。OpenAI 帮助文档说明,创建 GPT 时可以配置 instructions、knowledge、capabilities、apps、actions 和 version history。关于 GPT 的一般说明,也可以参考 GPTs in ChatGPT[16]。

Custom GPT 更像一个固定岗位的助手。比如:

  • • Stata 代码审查助手;
  • • 论文复现包检查助手;
  • • Quarto 讲义排版助手;
  • • 连享会推文修改助手;
  • • 文献综述结构化助手。

这里要注意一个细节:如果某些规则是「行为规则」,例如「先检查项目目录,再修改代码」「不要覆盖原始数据」「输出前做合规检查」,最好写进 GPT 的 instructions,而不是只作为 knowledge 文件上传。Knowledge 更适合放参考资料、模板、术语表、示例文档;而工作流程、输出格式、禁止事项,应该放在 instructions 里。

对于更复杂的需求,还可以用 GPT Actions[17] 把 GPT 连接到外部 API。比如连接 GitHub、数据库、文献管理系统或课程资料库。这类方案更适合课题组、课程团队或企业内部工具,不必作为普通用户的第一步。

所以,对多数 ChatGPT 用户来说,最稳妥的路径是:

Project 管长期项目;Custom GPT 管固定任务;规则文件管可复用规范。

4. Kimi、DeepSeek、豆包:长上下文、文件问答和智能体的替代路径

ChatGPT 之外,很多国内用户更常用 Kimi、DeepSeek、豆包。它们不一定有 Claude Code 式 SKILL.md,但都可以用「规则文件 + 长上下文 / 文件问答 / 知识库 / 智能体」来近似实现 Skills 思路。

4.1 Kimi:适合长文档、论文草稿和材料整理

Kimi 的优势在于长文档和文件问答。Kimi API 文件问答文档[11] 说明,Kimi API 可以通过文件上传接口上传文件、抽取文件内容,并将文件内容放入 prompt 中进行问答。普通用户也可以使用 Kimi[6] 的网页端或 App 处理文档材料。

因此,Kimi 适合处理:

  • • 长论文;
  • • 长讲义;
  • • 多篇 PDF 文献;
  • • 变量说明;
  • • 推文草稿;
  • • 项目说明文档;
  • • 文献综述材料。

在 Kimi 中近似实现 Skills,可以这样做:

Step 1:准备或生成一份 项目规则说明.md

如果没有规则文件,就用前文的蓝色 callout,让 Kimi 从当前对话中萃取规则。

Step 2:把论文草稿、变量表、代码说明和规则文件一起上传

让 Kimi 把规则文件视为当前项目的约束,而不是普通参考资料。

Step 3:在任务提示中明确规则优先级

例如:「请优先遵守 项目规则说明.md;如果论文草稿与规则文件冲突,请先指出冲突,再提出修改建议。」

Step 4:每次输出后做规则合规检查

让 Kimi 说明哪些规则已经遵守,哪些规则无法判断。

Step 5:有新要求时更新规则文件

不要让新要求只留在聊天记录里。

需要说明的是,Kimi 的文件问答不等于 Claude Code Skills 的自动触发。换一个对话、换一组文件,规则文件可能需要重新上传或重新引用。它更适合文档密集型任务,不一定适合在 IDE 中自动修改多文件代码项目。

4.2 DeepSeek:适合推理、代码生成和规则约束输出

DeepSeek 更适合强调「规则文件 + 长上下文 / API」这条路径。DeepSeek 官网[7] 提供 Web、App 和 API 入口;DeepSeek API 文档[12] 介绍了 API 调用方式;Context Caching[13] 文档说明,后续请求如果与前序请求有相同前缀,可以命中缓存。

对于普通用户,最简单的做法是:

Step 1:准备 PROJECT_RULES.md

内容包括项目背景、目录结构、数据规则、代码规则、输出规则、反面示例和更新记录。

Step 2:在对话开头粘贴或上传规则文件

明确告诉模型:「以下是本项目规则,后续回答请优先遵守。」

Step 3 :要求模型先复述本次任务相关规则

这一步可以检查它是否真的读懂了规则。

Step 4:输出后增加「规则合规检查」

尤其适合代码生成、模型设定讨论和数据清洗任务。

Step 5:把新规则追加到 PROJECT_RULES.md

不要让规则散落在聊天记录里。

对于 API 用户,可以进一步把规则文件写进 system prompt 或固定请求前缀,也可以把规则文件放进 RAG 检索系统。这样,每次调用模型时,先检索与任务相关的项目规则,再生成回答。

这里需要注意:DeepSeek 的强项是推理和代码生成,但如果没有项目规则文件,它仍然会把每次任务当作新问题。要让它稳定遵守项目规范,必须把规则显式放进上下文或系统提示词。

4.3 豆包:从文件助手到智能体 / 知识库

豆包普通用户可以把它理解为「文件处理 + 写作辅助 + 对话问答」工具。豆包官网[8] 将其定位为 AI 聊天智能对话问答助手,可用于写作文案、翻译、编程和创作等任务。

对于普通用户,可以这样做:

Step 1:完成一次文档修改、材料整理或代码问答

例如修改一篇推文、整理一个 Excel、分析一份会议纪要、检查一段代码。

Step 2:让豆包把本轮对话中的长期规则整理为「项目规则文件」

不要只让它总结内容,而要提取可复用的规则。

Step 3:后续处理同一项目时,把规则文件和相关 Word、Excel、PDF 或代码片段一起提供给豆包

让规则文件成为任务上下文的一部分。

Step 4:输出末尾做「规则合规检查」

尤其适合文稿修改、课程材料整理和项目文档处理。

对于进阶用户或机构用户,可以考虑火山引擎的知识库、智能体和 AgentKit。火山引擎[18] 是字节跳动旗下的云与 AI 服务平台,提供面向 Agent 开发到部署的一站式服务;AgentKit[14] 则面向 AI Agent 构建、部署和运行。火山引擎文档中也介绍了带知识库能力的智能体构建方式,例如 Knowledge--AgentKit[15]。

这类能力更适合:

  • • 课题组内部知识库;
  • • 课程资料问答助手;
  • • 企业研究部门文档助手;
  • • 数据分析工作流助手;
  • • 多人协作的固定任务智能体。

但也要谨慎表述:豆包普通聊天功能并不等同于 Claude Code 式自动触发 Skills。更准确地说,它可以通过文件、知识库、智能体和规则提示词,近似实现「让 AI 复用项目规则」的思想。

5. GitHub 上有哪些现成 Skills 可以参考?

如果你已经开始使用 Claude Code 或其他支持 Agent Skills 的工具,可以参考一些 GitHub 上的现成资源。

这里要先说明:这些仓库适合学习结构、任务拆分方式和规则写法,不建议直接盲目套用。尤其是涉及 shell 命令、文件删除、Git 操作、密钥、数据库连接和外部 API 的 Skills,一定要先审查源码和说明。

可以重点关注以下几类资源:

资源
用途
使用建议
anthropics/skills[19]
Anthropic 官方 Agent Skills 示例仓库
优先参考结构和组织方式
K-Dense-AI/scientific-agent-skills[20]
面向科研、科学、工程、分析、金融和写作的 Skills
适合科研用户参考
InternScience/Awesome-Scientific-Skills[21]
科研 Skills 收藏
可作为选题和模板来源
VoltAgent/awesome-agent-skills[22]
不同领域 Agent Skills 汇总目录
适合浏览跨领域案例
alirezarezvani/claude-skills[23]
社区 Claude Code skills / plugins 集合
需先审查再使用
GitHub Docs: About agent skills[24]
GitHub Copilot 中的 agent skills 说明
可用于理解 Skills 在 Copilot 生态中的扩展

例如,Anthropic 官方 skills 仓库[19] 展示了 Claude skills system 的可能性,覆盖创意、技术和企业工作流;K-Dense-AI/scientific-agent-skills[20] 面向 research、science、engineering、analysis、finance 和 writing 场景,并说明其支持兼容 open Agent Skills 标准的 AI agent;InternScience/Awesome-Scientific-Skills[21] 强调科研优先、可克隆和跨 agent 兼容;VoltAgent/awesome-agent-skills[22] 则是一个更大的 agent skills 汇总目录。

另外,一些社区仓库会列出大量 Claude Code skills / plugins,例如 alirezarezvani/claude-skills[23]。这类仓库可以帮助你快速理解别人如何拆分任务,但也更需要审查安全风险和适配成本。

在使用这些资源时,我建议遵循三条原则:

  • • 先读 SKILL.md,再决定是否使用;
  • • 先删掉不适合自己项目的规则,再逐步补充;
  • • 先在非重要项目中测试,再用于正式论文、课程或课题组项目。

尤其不要把来历不明的脚本直接放进自己的研究项目运行。Skills 虽然看起来像文本文件,但很多 Skills 会引用脚本、命令或外部工具。对于涉及数据、投稿材料、账号权限和私有代码的项目,安全性比便利性更重要。

6. 通用模板:先写一份 PROJECT_RULES.md

无论你使用 Claude Code、ChatGPT、Kimi、DeepSeek 还是豆包,第一步都不是研究某个按钮在哪里,而是先把项目规则整理成稳定文件。

工具不同,加载方式不同;但规则文件本身可以长期复用。

无论使用哪种 AI 工具,都可以先沉淀一份 PROJECT\_RULES.md 作为项目规则模板
无论使用哪种 AI 工具,都可以先沉淀一份 PROJECT\_RULES.md 作为项目规则模板

下面给出一个最小可用模板。你可以把它保存为 PROJECT_RULES.md,也可以根据任务改名为 STATA_STYLE.md、 WRITING_RULES.md、REPLICATION_RULES.md。

# PROJECT_RULES.md

## 适用范围

说明这份规则适用于哪些任务。

## 项目背景

简要说明研究主题、数据来源和主要产出。

## 目录结构

- data_
raw/: 原始数据,禁止修改

-
 data_clean/: 清洗后的数据
- codes/: 代码文件
- tables/: 回归表和统计表
- figs/: 图形输出
- paper/: 论文或讲义文稿

## 数据规则

- 不得覆盖 data_
raw/ 中的文件。
-
 清洗数据必须另存到 data_clean/。
- 删除样本必须记录筛选条件。
- 合并数据时必须说明主键和合并方式。

## 代码规则

- 使用相对路径。
- 数据清洗、变量构造、回归分析、图表输出分开写。
- 代码必须有清楚注释。
- 修改代码后需要说明改动位置和改动原因。

## 输出规则

- 回归表保存到 tables/。
- 图形保存到 figs/。
- 每次修改后说明改动了哪些文件。
- 如果无法生成某个输出,必须说明原因。

## 写作规则

- 不得破坏公式、脚注和交叉引用。
- 保留已有图片链接。
- 修改后说明主要改动。
- 不要把临时讨论写成正式结论。

## 反面示例

- 不要覆盖 data_
raw/。
-
 不要写本地绝对路径。
-
 不要静默删除样本。
-
 不要生成无法复现的结果文件。
-
 不要在没有说明的情况下改动变量定义。

## 更新记录


-
 2026-xx-xx:根据某次对话新增 xxx 规则。

这个模板不需要一次填满。你可以从最简单的几条规则开始:

## 固定规则

-
 不得覆盖 data_raw/ 中的原始数据。
- 代码必须使用相对路径。
- 回归表保存到 tables/。
- 图形保存到 figs/。
- 输出前必须做规则合规检查。

然后在每次真实对话后继续补充。

从长期看,PROJECT_RULES.md 会成为你的项目记忆。它记录的不是某一次对话,而是一组可以跨工具、跨任务、跨时间复用的工作规范。

7. 结语:从临时对话走向长期项目规则

Claude Code Skills 是一种具体实现;真正值得迁移的是「从对话中沉淀规则,再让规则反过来约束后续对话」的工作方式。

不同工具的按钮、入口和名称会变。今天叫 Skills,明天可能叫 Projects、智能体、知识库、文件问答、长期记忆或工作流。但核心问题不变:你的项目规则是否已经从脑子里、聊天记录里、零散文档里,沉淀成 AI 可以持续调用的上下文。

对研究者来说,这不是多写一个配置文件,而是改变和 AI 协作的方式。

如果每次都靠 Prompt 临时提醒,AI 就只能像一个临时助手;如果你把论文复现、数据清洗、代码规范和写作偏好沉淀为规则文件,它才有机会逐渐理解你的项目。

所以,真正重要的不是你用 Claude Code、ChatGPT、Kimi、DeepSeek 还是豆包,而是你有没有把那些反复解释过的规则保存下来,让它们在下一次任务中继续发挥作用。

从这个意义上说,Skills 不只是 Claude Code 的功能名,也是一种值得迁移到所有 AI 工具中的工作习惯。

参考资料

  • • Anthropic. Claude Code Skills Documentation. Link[3], Google[25].
  • • Anthropic. Agent Skills - Claude API Docs. Link[4], Google[26].
  • • Anthropic. Public repository for Agent Skills. GitHub. Link[19], Google[27].
  • • Anthropic. (2025). Equipping agents for the real world with Agent Skills. Link[28], Google[29].
  • • OpenAI Help Center. Projects in ChatGPT. Link[9], Google[30].
  • • OpenAI Help Center. Creating and editing GPTs. Link[10], Google[31].
  • • OpenAI Help Center. GPTs in ChatGPT. Link[16], Google[32].
  • • OpenAI Developers. GPT Actions. Link[17], Google[33].
  • • Moonshot AI. 使用 Kimi API 进行文件问答. Link[11], Google[34].
  • • DeepSeek. DeepSeek official website. Link[7], Google[35].
  • • DeepSeek. DeepSeek API Docs. Link[12], Google[36].
  • • DeepSeek. Context Caching. Link[13], Google[37].
  • • 豆包. 豆包官网. Link[8], Google[38].
  • • 火山引擎. AgentKit. Link[14], Google[39].
  • • 火山引擎. Knowledge--AgentKit. Link[15], Google[40].
  • • K-Dense-AI. scientific-agent-skills. GitHub. Link[20], Google[41].
  • • InternScience. Awesome-Scientific-Skills. GitHub. Link[21], Google[42].
  • • VoltAgent. awesome-agent-skills. GitHub. Link[22], Google[43].
  • • alirezarezvani. claude-skills. GitHub. Link[23], Google[44].
  • • GitHub Docs. About agent skills. Link[24], Google[45].


8. 相关推文

Note:产生如下推文列表的 Stata 命令为:
lianxh AI工具, md2 nocat
安装最新版 lianxh 命令:
ssc install lianxh, replace

  • • 吴欣洋, 2025, AI自动生成研究假设,靠谱吗?流程与挑战[46].
  • • 王烨文, 2025, LLM Agent:大语言模型的智能体图解[47].
  • • 王烨文, 2025, Marker:高效 PDF 文档解析与结构化提取工具[48].
  • • 艾米丽, 2026, 让讲义图文并茂:如何用 ChatGPT 做课件插图?[49].
  • • 连享会, 2025, 助教入选通知:2025 生成式人工智能专题[50].
  • • 连小白, 2025, AI助手系列:napkin.ai-文字转换为图片和表格[51].
  • • 连小白, 2025, AI助手系列:借助AI工具复现高质量图形[52].
  • • 连小白, 2025, AI工具系列:英文学术论文语法检测与纠正[53].
  • • 连小白, 2025, AI工具!AI工具分类大集合[54].
  • • 连小白, 2025, No Chinglish:学术写作中的中式英语陷阱[55].
  • • 连小白, 2025, 提示词来了!如何让 AI 翻译看起来像你写的[56].
  • • 连玉君, 2026, AI 时代的焦虑[57].
  • • 郑怿轩, 2025, 40 个实证研究 AI 工具大集合[58].
  • • 陈庭伟, 2025, 2025年学术研究中的15大最佳AI工具[59].


New! Stata 搜索神器:lianxh 和 songblGIF 动图介绍
搜: 推文、数据分享、期刊论文、重现代码 ……
👉 安装:
. ssc install lianxh
. ssc install songbl
👉  使用:
. lianxh DID 倍分法
. songbl all


🍏 关于我们

  • • 连享会 ( www.lianxh.cn,推文列表) 由中山大学连玉君老师团队创办,定期分享实证分析经验。
  • • 直通车: 👉【百度一下:连享会】即可直达连享会主页。亦可进一步添加 「知乎」,「b 站」,「面板数据」,「公开课」 等关键词细化搜索。

引用链接

[1] lianxhcn@163.com: mailto:lianxhcn@163.com
[2] 推文: https://www.lianxh.cn/details/1790.html
[3] Claude Code Skills: https://docs.anthropic.com/en/docs/claude-code/skills
[4] Agent Skills 文档: https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview
[5] ChatGPT: https://chatgpt.com/
[6] Kimi: https://www.kimi.com/
[7] DeepSeek: https://www.deepseek.com/
[8] 豆包:  https://www.doubao.com/
[9] ChatGPT Projects: https://help.openai.com/en/articles/10169521-projects-in-chatgpt
[10] Custom GPTs: https://help.openai.com/en/articles/8554397-creating-and-editing-gpts
[11] Kimi API 文件问答: https://platform.moonshot.cn/docs/guide/use-kimi-api-for-file-based-qa
[12] DeepSeek API: https://api-docs.deepseek.com/
[13] Context Caching: https://api-docs.deepseek.com/guides/kv_cache
[14] 火山引擎 AgentKit: https://www.volcengine.com/product/agentkit
[15] 知识库相关文档: https://www.volcengine.com/docs/86681/2155815
[16] GPTs in ChatGPT: https://help.openai.com/en/articles/8554407-gpts-in-chatgpt
[17] GPT Actions: https://developers.openai.com/api/docs/actions/introduction
[18] 火山引擎: https://www.volcengine.com/
[19] anthropics/skills: https://github.com/anthropics/skills
[20] K-Dense-AI/scientific-agent-skills: https://github.com/K-Dense-AI/scientific-agent-skills
[21] InternScience/Awesome-Scientific-Skills: https://github.com/InternScience/Awesome-Scientific-Skills
[22] VoltAgent/awesome-agent-skills: https://github.com/VoltAgent/awesome-agent-skills
[23] alirezarezvani/claude-skills: https://github.com/alirezarezvani/claude-skills
[24] GitHub Docs: About agent skills: https://docs.github.com/en/copilot/concepts/agents/about-agent-skills
[25] Google: https://scholar.google.com/scholar?q=Anthropic+Claude+Code+Skills+Documentation
[26] Google: https://scholar.google.com/scholar?q=Anthropic+Agent+Skills+Claude+API+Docs
[27] Google: https://scholar.google.com/scholar?q=anthropics+skills+GitHub
[28] Link: https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
[29] Google: https://scholar.google.com/scholar?q=Equipping+agents+for+the+real+world+with+Agent+Skills
[30] Google: https://scholar.google.com/scholar?q=OpenAI+Projects+in+ChatGPT
[31] Google: https://scholar.google.com/scholar?q=OpenAI+Creating+and+editing+GPTs
[32] Google: https://scholar.google.com/scholar?q=OpenAI+GPTs+in+ChatGPT
[33] Google: https://scholar.google.com/scholar?q=OpenAI+GPT+Actions
[34] Google: https://scholar.google.com/scholar?q=Kimi+API+file+based+QA+Moonshot
[35] Google: https://scholar.google.com/scholar?q=DeepSeek+official+website
[36] Google: https://scholar.google.com/scholar?q=DeepSeek+API+Docs
[37] Google: https://scholar.google.com/scholar?q=DeepSeek+Context+Caching
[38] Google: https://scholar.google.com/scholar?q=豆包+AI
[39] Google: https://scholar.google.com/scholar?q=火山引擎+AgentKit
[40] Google: https://scholar.google.com/scholar?q=火山引擎+AgentKit+知识库
[41] Google: https://scholar.google.com/scholar?q=K-Dense-AI+scientific-agent-skills
[42] Google: https://scholar.google.com/scholar?q=Awesome+Scientific+Skills+GitHub
[43] Google: https://scholar.google.com/scholar?q=VoltAgent+awesome-agent-skills
[44] Google: https://scholar.google.com/scholar?q=alirezarezvani+claude-skills
[45] Google: https://scholar.google.com/scholar?q=GitHub+Copilot+agent+skills
[46] AI自动生成研究假设,靠谱吗?流程与挑战: https://www.lianxh.cn/details/1588.html
[47] LLM Agent:大语言模型的智能体图解: https://www.lianxh.cn/details/1650.html
[48] Marker:高效 PDF 文档解析与结构化提取工具: https://www.lianxh.cn/details/1630.html
[49] 让讲义图文并茂:如何用 ChatGPT 做课件插图?: https://www.lianxh.cn/details/1781.html
[50] 助教入选通知:2025 生成式人工智能专题: https://www.lianxh.cn/details/1677.html
[51] AI助手系列:napkin.ai-文字转换为图片和表格: https://www.lianxh.cn/details/1540.html
[52] AI助手系列:借助AI工具复现高质量图形: https://www.lianxh.cn/details/1584.html
[53] AI工具系列:英文学术论文语法检测与纠正: https://www.lianxh.cn/details/1562.html
[54] AI工具!AI工具分类大集合: https://www.lianxh.cn/details/1587.html
[55] No Chinglish:学术写作中的中式英语陷阱: https://www.lianxh.cn/details/1563.html
[56] 提示词来了!如何让 AI 翻译看起来像你写的: https://www.lianxh.cn/details/1640.html
[57] AI 时代的焦虑: https://www.lianxh.cn/details/1783.html
[58] 40 个实证研究 AI 工具大集合: https://www.lianxh.cn/details/1666.html
[59] 2025年学术研究中的15大最佳AI工具: https://www.lianxh.cn/details/1578.html

 

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/196933