dotskills 是由 Vincent Koc 创建的一套面向 AI Agent 的“技能库（Skills Library）”。它的目标是给 Claude Code、Codex、OpenCode 等编程 Agent 提供可复用的工作流程模板，让 Agent 在处理特定任务时表现得更稳定、更专业。
简单理解：
- Prompt = 一句话指令
- Skill = 一套完整工作方法
- dotskills = 大量现成的工作方法集合
核心思想
很多 AI 编程助手的问题并不是代码不会写，而是：
- 不知道先做什么
- 不知道该检查什么
- 不知道什么是最佳实践
- 不知道如何组织工作流程
dotskills 的思路是：
当用户说：帮我设计一个第三方支付集成
Agent 不直接开始写代码。而是先加载一个专门的 Skill，例如：
- technical-integrations
- 调研现有集成模式
- 分析接口设计
- 输出 RFC
- 评估兼容性
- 制定上线计划
AI干活儿老翻车，不是因为它笨，是缺一本“操作手册”
AI帮你写代码，它“唰”一下就出一大堆。但你仔细一看，有的地方啰嗦得要命，有的地方该干的没干，还有的地方完全跑偏了。你跟它说“帮我接个支付”，它可能直接甩你一段网上随便扒的代码，安全不规范、流程不标准，你改的时间比自己写还长。
这事儿真不能全怪AI。你想啊，一个刚毕业的实习生，你直接跟他说“去，给咱项目接个微信支付”，他是不是也一脸懵？他得先翻文档、找之前的代码参考、问问组长有啥要注意的。AI现在的问题就是，它有劲儿，但它脑子里的“工作流程”是空的。
所以这个叫dotskills干的事儿特简单：把那些资深工程师脑子里的工作习惯，比如“接到支付任务，第一步看啥、第二步检查啥、第三步输出啥”，做成一个一个小包。AI干活前，先把这个包读一遍，然后就靠谱多了。
接下来，咱们就把这个dotskills从头到尾拆一遍。你会看到它里面都藏了哪些好用的“技能包”，每个技能包是咋组织的，以及它到底怎么就让一个愣头青AI变得像老手一样稳重。
为啥AI自己干活总“忘事儿”？因为Prompt就像一句“口号”
咱们平时用AI，最多的方式就是写Prompt。比如“写个登录页面”、“修一下那个bug”、“检查代码性能”。这像啥呢？就像你对着一个非常有才华但没啥经验的实习生喊：“去做个好吃的菜！”他可能冲进厨房，看见西红柿和鸡蛋，就给你炒了一盘。嗯，能吃。但你想要的可能是一个完整的宴席流程：先看看冰箱里有什么、确认客人忌口、设计上菜顺序、最后还要摆盘。
Prompt就是那句“口号”。它太短了，里面装不下太多信息。比如你让AI“设计第三方支付集成”，一个简单的Prompt，AI能做的就是把网上的例子拼一拼给你。它想不到要先调研一下你们公司现有的用户系统是咋样的、想不到要评估一下不同支付厂商的费率区别、想不到要输出一个完整的设计文档让团队评审。
这就是问题所在。一个复杂任务，背后往往有几十个步骤和几十个检查点。你不可能每次都写一篇8000字的说明书给AI。你累，AI也懵。
那dotskills是怎么解决的呢？它把“任务”和“完成这个任务的方法”给拆开了。你只说“帮我设计支付集成”，AI听到后不是直接写代码，而是去加载一个叫做“technical-integrations”的技能包。这个技能包就是一本现成的、写好的工作手册。AI看完手册再干活，那就不一样了。
所以核心改变就是：从给AI一句口号，变成给AI一套标准作业程序。
这个“技能包”里到底装了啥？咱们拿一个来开箱看看
咱们先说那个专门用来做集成的技能包，就叫它“技术集成手册”吧。这个手册是dotskills里面特别实用的一个。它长什么样呢？它不是一段文字，而是一个文件夹。
这个文件夹打开，首先看到一个叫SKILL.md的文件。这个文件就是技能的“说明书”。它里面写着：这个技能叫什么名字、什么时候该用、需要输入什么信息、最后会输出什么东西、中间要分哪几步走。
举个例子。这个“技术集成手册”的说明书会写清楚：当你想要对接支付接口、登录认证（比如那个“使用微信登录”）、或者任何第三方服务的时候，就用我。输入的东西很简单，就是你要接什么服务、你们自己系统大概的技术栈。输出就厉害了：一份架构设计图、一份正式的RFC文档（就是那种“大家来评审一下这个方案”的文档）、一个SDK的设计思路、还有风险评估和上线计划。
你看，这比“写一段代码”要完整太多了。
说明书底下，还会有一个叫“references”的文件夹。这文件夹才是真正的宝藏。里面可能放着好几篇文章，比如“集成的最佳实践”、“详细的工作流程步骤”、“过往的案例参考”、“每一步要检查的清单”。
AI在工作的时候，不是靠记忆力，而是实时把这些文件读一遍，然后照着做。这就像你把一本《厨师长操作手册》放在实习生旁边，他做一步，翻一页。那出错率肯定直线下降。
所以一个技能包的本质，就是把一个优秀工程师脑袋里的“隐性知识”变成了写在纸上的“显性流程”。
光说不练假把式，这个集成技能到底是咋干活的？
咱们就来模拟一下。你是一个AI，你收到了用户的指令：“帮我设计一下接入Stripe支付”。然后你身上已经装好了dotskills。你的第一步不是写代码，而是去技能库里找到了“technical-integrations”这个技能包。
你打开SKILL.md，开始照着做。
第一步，它可能要求你“调研现有集成模式”。你会怎么做？你可能先去搜一下Stripe的官方文档，看看它支持哪几种集成方式（比如直接跳转、弹窗、或者无界面）。然后你还要看看你们自己的系统，用户是怎么下单的、订单状态是怎么流转的。这一步做完，你心里就有底了。
第二步，它会要求你“分析接口设计”。你就要开始想，我们的后端需要提供给前端哪些接口？比如“创建支付意向”、“查询支付结果”、“接收Stripe的Webhook通知”。你甚至要考虑到如果用户付了一半关了页面咋办。
第三步，它要求你“输出RFC”。你就不再是写一段代码了，而是写一份正经的文档。文档里包括：背景、几种方案对比、你推荐的方案、数据表要怎么改、接口定义、安全考虑、失败处理。这份文档直接就可以拿到团队会议上去讨论。
第四步，“评估兼容性”。你会主动去检查，Stripe返回的数据格式，跟你们现有的订单系统能不能对上？如果Stripe某个服务挂了，我们的系统能不能优雅降级？
第五步，“制定上线计划”。你会列出来：先在测试环境跑通、然后让一小部分用户灰度、监控错误率、最后全量发布。
你看，这一套走下来，是不是特别像一个大厂的高级工程师在做技术方案？每一步都不是拍脑袋，而是手册里写好的。AI不需要自己发明流程，它只需要认真执行。
这就是技能包的力量。它把“靠运气”的事，变成了“靠流程”的事。
有的技能是教AI干活，有的技能是给AI“擦屁股”
dotskills里面还有一个特别有意思的技能，叫“technical-deslop”。这个名字起得挺逗，“deslop”就是“去掉稀泥”的意思。干啥用的呢？就是专门清理AI代码里那股子“AI味儿”。
AI写的代码，有时候你一眼就能看出来。比如，注释多得吓人，每一行都恨不得解释一下。再比如，到处都是防御性的if判断，好像什么事都能出错。还有，一个简单的功能，AI能给你绕出三层嵌套逻辑。或者，风格不统一，这里用单引号，那里用双引号，缩进也是乱的。
这个技能就是干这个的。它不会让你从头检查所有代码，那太累了。它会先去分析你这次改了哪些代码。怎么分析呢？它会运行两个命令：一个是git diff --cached（看看你刚才提交到暂存区了哪些改动），另一个是git diff加上一些参数（看看你这次开发分支和主分支比，改了哪些文件）。
拿到改动的范围后，它就只在这个小范围里动刀。它的目标是：保持代码的功能一丁点儿都不变，但是让代码看起来像一个有经验的开发者写的。比如，它会合并重复的逻辑、删掉那些没用的注释、简化过度复杂的写法、统一代码风格。
你可以这样理解：AI像是一个充满了热情但有点毛躁的新手，唰唰唰把功能实现了，但是代码风格惨不忍睹。然后这个“去稀泥”技能就像一个沉稳的代码审查官，默默进来，把乱七八糟的地方捋顺了，然后悄悄退出。最后你看到的代码，干净、利索、专业。
这个技能特别重要，因为它解决了AI编程的一个大痛点：代码能跑，但没法维护。如果每次AI生成的代码都要你花半小时去整理，那效率还不如自己写。有了这个技能，你就能放心让AI先出一版，然后让另一个技能去自动美化它。
怎么知道该造个啥样的新技能？有个专门“找活儿”的技能
dotskills这套东西是活的，它可以一直往里面加新技能。那问题来了：我怎么知道该加个什么技能呢？是“怎么写React Hook”还是“怎么优化数据库查询”？
为了回答这个问题，dotskills里又藏了一个技能叫“technical-skill-finder”，咱们叫它“技能发现器”。这个技能不干活，它专门负责“观察”和“建议”。
它会怎么观察呢？它会去翻AI的历史日志。比如，看看过去的对话里，AI在哪些任务上反复出错。它还会去看错误记录，哪些类型的bug一而再再而三地出现。它甚至会去看Git的操作记录和测试失败的信息。
干完这些“侦查”工作后，它会做统计分析。如果它发现，在过去的一个月里，你们团队每周都要处理两三次OAuth登录配置的错误，每周都有Docker镜像构建失败的问题，每周都有TypeScript类型定义搞不定的情况。那它就会给你提个建议：嘿，兄弟，咱们应该创建一个新的技能包了，名字就叫“OAuth排障流程”或者“Docker构建修复手册”。
这个“技能发现器”特别像一个好的项目管理者。它不自己闷头干活，而是先看看大家天天在为什么事发愁。然后把那些重复出现的、耗费时间的坑，总结成一套标准解决方案，做成一个技能包。这样，下次再掉进同一个坑，AI就能自己爬出来了。
这其实就是知识沉淀。一个团队的经验，不再只存在老员工的脑子里，而是变成了一个个可安装、可重复使用的AI技能包。新人来了（或者新的AI任务来了），直接加载对应的技能包，就能继承之前所有人的智慧。
还有一个“调优”技能，专门帮AI找到“手感”
除了干活的和打扫卫生的，dotskills里还有一类技能是专门用来“训练”AI的。比如有一个叫“opik-optimizer”的。这个名字听起来有点技术，其实它的工作可以理解成一个“自动调参师”。
咱们知道，让AI干一件事，不光是写个Prompt那么简单。你用哪个Prompt模板？让AI用什么角色？调用哪个模型（贵的还是便宜的）？模型的那个“温度”参数调多高（决定AI是更保守还是更有创意）？包括AI在思考过程中调用工具的步骤，这些都是可以调的。
但是调这些东西特别烦，你得试很多次。好比你想煎一个完美的鸡蛋，火候、油量、时间都得试。这个“opik-optimizer”技能就是帮你自动做这个实验的。它里面有好几种优化算法。有的算法像穷举法，你给它几个选项，它都试一遍。有的算法比较聪明，会根据上一次的结果，推测下一次怎么调整更好。
你只需要告诉它，你想优化什么，比如“让AI生成的支付集成方案，评审通过率更高”。然后这个技能就会自动生成很多个变种的Prompt或者Agent配置，放到真实场景里测试，收集结果，最后给你找出那个表现最好的组合。
这个技能的价值在于，它让AI的“调教”过程从“凭感觉”变成了“凭数据”。你不再是拍脑袋改两句话试试，而是让系统自动在大范围里搜索最优解。这对于那些要求特别高的业务场景，比如金融、医疗，或者对于想要节省模型调用成本的公司，特别有用。
说到底，dotskills和现在很火的MCP是啥关系？
你可能会听说过另一个东西叫MCP（模型上下文协议）。这俩经常被放在一起说。简单理解就是：MCP是给AI装上了“手”和“眼睛”，dotskills是给AI装上了“工作习惯”。
MCP长什么样？它是一堆现成的“连接器”。比如，有一个MCP服务器可以让你访问GitHub，AI就能直接去读你的代码仓库、提Issue、建分支。另一个MCP能连上数据库，AI就能执行SQL查数据。还有的能连Slack发消息，连Jira建任务。
所以MCP解决的是“能干什么”的问题。它让AI从只能说话，变成了能干活。AI可以调用GitHub MCP来“把代码推上去”，可以调用Postgres MCP来“查一下昨晚的用户下单量”。
但是，有了工具就够了吗？不够。你知道怎么用一个扳手，但你不知道修车的步骤。你可能会乱用工具。比如AI想查数据库，它可能一上来就执行一个全表扫描的查询，把数据库搞崩。或者它想去GitHub建Issue，但不知道该用什么模板、该贴哪些日志。
这就是dotskills登场的地方。技能包告诉AI的是“什么时候用哪个工具”、“按什么顺序用”、“用完之后怎么分析结果”。比如“技术集成手册”这个技能里，就会写着：“第一步，用你的搜索能力（可能通过某个MCP工具）去查支付厂商的文档。第二步，如果有现成的SDK，用GitHub MCP去clone下来看看例子。第三步，评估风险时，如果涉及到数据库改动，用Postgres MCP去检查一下现有表结构。”
可以这么想：MCP提供了螺丝刀、扳手、电钻。dotskills提供了维修手册。AI拿着维修手册，就知道该先拿起哪个螺丝刀，往哪个方向拧，拧几圈。没有手册，AI可能拿着电钻就去拧螺丝了。
所以这俩是黄金搭档。一个提供行动力，一个提供方法论。
那这个dotskills，到底哪些AI能用？怎么用？
目前这个技能库主要是给一些比较专业的编程Agent用的。比如大伙儿常用的Claude Code，还有OpenAI的Codex，还有开源的OpenCode，以及Cursor编辑器，还有Google的那个Gemini CLI。当然，如果你自己写了一个AI Agent，只要它支持读取文件、能理解Markdown格式的指令，基本也都能用。
用起来也特简单。你不需要去学一门新语言，也不用配复杂的环境。本质就是把这些技能包的文件夹，放到AI能访问到的一个地方。比如放在项目的根目录下的一个文件夹里，或者放在AI的配置目录里。
然后，当你需要AI帮你做一个特定任务时，你可以在Prompt里提一句：“使用technical-integrations技能来帮我设计支付”。或者，有些Agent聪明一点，它会根据你的任务，自己去扫描可用的技能列表，然后自动加载合适的。
甚至更高级的玩法是，你可以让你的Agent在每次对话开始前，先加载那个“技能发现器”，让它分析一下当前这个任务适合用哪几个技能，然后再干活。这就实现了一种“元认知”，AI知道自己有啥工具包，知道该咋用。
所以，你完全可以把dotskills看成是AI的一个外挂“经验库”。你装得越多，你的AI就越像一个在各种项目里摸爬滚打过的老手。
咱们再来捋一捋，dotskills和其他东西到底有啥不一样
市面上有很多Prompt仓库，就是大家分享各种好用的提示词。但dotskills跟它们有本质区别。Prompt仓库是给你一句“话”，dotskills是给你一本“手册”。一句话可能用完就忘了，手册可以反复用、不断改。
还有很多AI框架，比如LangChain、LlamaIndex，它们提供了一堆现成的组件，帮你搭建AI应用。但dotskills不干这个。它不关心你怎么搭建，它只关心一个具体任务的工作流程应该长什么样。它是“内容”，不是“容器”。
还有一些工具平台，比如各个大模型厂商自己的平台，它们主要解决怎么调用模型、怎么监控成本。dotskills也不干这个。它独立于任何平台，任何模型都能用。
dotskills最独特的点在于：它极度工程化。它不是为了聊天好玩，不是为了生成一首诗。它就是为了解决真实的软件开发问题。它里面所有的技能，都强调可重复执行、有检查清单、有标准流程。它关注的是那些让人头疼的真实场景：集成第三方、清理屎山代码、沉淀团队经验。
而且它是个活的系统。今天可能只有十几个技能，明天社区里的人就可以贡献新的。比如有人专门写了个“前端性能优化”的技能，有人写了个“数据库迁移”的技能。慢慢地，它就会变成一本越来越厚的《工程师作战手册》。
最后的最后，咱们用一个比喻把dotskills刻在你脑子里
你把一个AI想象成一个刚毕业、精力无限的年轻人。他脑子转得快，什么编程语言都会一点，但你不敢把重要任务交给他，因为他总是不按规矩来。
MCP是什么？是给他配了一整套顶级工具：德国进口的螺丝刀、激光测距仪、电动扳手。他现在什么都能修了。
但是，他还是不知道怎么修一台复杂的发动机。他可能会把不该拆的拆了，或者漏掉关键的步骤。
dotskills是什么？是你把一本《发动机大修标准作业流程》拍在他桌子上。这本书是厂里所有老师傅几十年经验的总结。里面写着：第一步，断开电源并泄压。第二步，拆卸外围附件，按照1-2-3的顺序。第三步，检查每个零件的磨损标准，对照表格。每一步后面还有一个检查清单。
然后你跟他说：以后修发动机，先翻这本书，照着做。
你会发现，这个年轻人，虽然他经验还是不多，但他干出来的活儿，每一步都对，每一个细节都考虑到了。他不再是个愣头青，他变成了一个“按照标准作业程序执行的专业技师”。
dotskills，就是AI世界里那本不断增厚的《标准作业程序汇编》。它不生产代码，它生产的是“如何不出错地生产代码”的方法。
总结
dotskills是一个为Claude Code、Codex等编程Agent设计的技能库，通过提供标准化的操作流程（SOP）来解决AI在复杂任务中表现不稳定的问题。本文详细解析了项目的核心技能、结构设计及其与MCP的协同关系。
本文深入介绍了dotskills项目，这是一个面向AI编程Agent的技能库。文章从AI编程的常见痛点出发，解释了为何单一的Prompt无法应对复杂任务，并引出了dotskills的核心价值——为AI提供可复用的标准工作流程。
文章详细拆解了dotskills中几个典型的技能包，如：
用于第三方集成的“technical-integrations”、
用于清理AI生成代码的“technical-deslop”、
用于发现知识沉淀需求的“technical-skill-finder”
以及用于自动优化Prompt和参数的“opik-optimizer”。
此外，文章还阐述了每个技能包内部的文件结构（SKILL.md与references目录），以及dotskills与MCP（模型上下文协议）的分工协作关系——MCP提供工具，dotskills提供方法论。
最后，文章介绍了dotskills当前支持的各类AI Agent及其使用方法，并总结了其与普通Prompt仓库、AI框架的本质区别，将其比喻为AI的《工程师作战手册》。
极客辣评
作者：Vincent Koc 是OpenClaw首席架构师
OpenClaw首席架构师使提示词过时了。
- dotfiles 用于配置您的机器。
- dotskills 用于配置您的 AI。
为 Codex/Cursor/智能体 提供可重用、版本化、可测试的“技能”，而不是一次性提示。