你有没有遇到这样的场景：让AI帮你写一个功能模块，代码确实写出来了，“看起来没问题”，但一上线就炸了——边界条件没处理、异常捕获缺失、甚至还有SQL注入风险。

如果你正在用Codex或其他AI编程Agent，你一定对这些痛点感同身受：AI写的代码“看起来能跑，一上线就炸”、多步任务时上下文一长就失忆、Token消耗飞快不知道怎么优化、想让AI学会调用外部服务却不知道如何下手……

这就是Skill出现的根本原因。

2026年，Codex从单纯的代码补全工具，进化为具备自主执行能力的编程Agent。

而Skills作为Agent能力扩展的核心机制，将复杂任务拆解为可复用的原子能力，其渐进式加载机制能够节省80-95%的Token消耗。

今天这篇文章，我就手把手带大家梳理Codex中最值得安装的11个Skills，从安装配置到底层原理，从实战效果到优缺点，一篇搞定。

希望对你会有所帮助。

一、什么是Codex Skills？

在开始之前，先快速科普一下Skills是什么。

Codex Skills是一套以SKILL.md文件为核心的指令包。

Codex启动时，会读取所有已安装Skill的名称与描述（大约只占2%的上下文预算），当你发起任务时系统自动匹配并加载对应Skill的完整指令。

如无匹配，则不占用任何上下文，非常高效。

更重要的是，Skills格式是开放标准——同一份SKILL.md无需修改，就可在Codex CLI、Claude Code、Gemini CLI、Cursor以及GitHub Copilot等主流AI编程工具中通用。

Skill存放有三个作用域：

Skill触发方式有两种：显式调用（在CLI中输入$skill名称）和隐式触发（任务描述与Skill描述自动匹配时自动激活）。

二、如何安装Skills？

安装Codex Skill主要有三种方式：

方式一：手动克隆安装（适合所有Skill）

将Skill仓库克隆到Codex的Skills目录即可：

# 创建Codex技能目录
mkdir -p ~/.agents/skills

# 克隆Skill到该目录下（以superpowers为例）
git clone https://github.com/obra/superpowers.git ~/.agents/skills/superpowers

# 如果使用Codex App，某些版本也可能需要同步到.codex/skills
mkdir -p ~/.codex/skills
cp -r ~/.agents/skills/superpowers ~/.codex/skills/

方式二：官方skill-installer工具（推荐）

OpenAI官方提供了一套通过$skill-installer命令安装的机制。对于官方技能库中的Skill，可以直接用该工具安装：

# 安装官方技能
$skill-installer <skill-name>

# 安装实验性技能
$skill-installer install https://github.com/openai/skills/tree/main/skills/.experimental/<skill-name>

方式三：使用社区自动化工具

社区提供了多种自动化安装工具，覆盖不同的安装来源和需求：

工具	安装方式	适用场景
@supercorks/skills-installer	npx @supercorks/skills-installer install	一键安装技能，支持Git稀疏检出和Codex Agent转换
@sstar/skill-install	skill-install install [URL或本地文件] --tool codex	支持公开URL、Wiki、本地文件，自动解压验证
@goodpostidea-tech/skills	npx @goodpostidea-tech/skills add [repo-url] --skill [name]	从任何GitHub仓库安装，交互式选择工具
@bbhxwl/skills	npx @bbhxwl/skills install [name] --target codex	从Registry安装，支持更新和卸载

以@supercorks/skills-installer为例，完整安装流程如下：

# 运行安装器
npx @supercorks/skills-installer install

# 交互式选择：
# 1. 选择安装类型（skills / subagents / both）
# 2. 选择安装路径（全局或本地）
# 3. 交互式勾选要安装的技能
#    - 使用↑/↓导航
#    - 使用SPACE切换选中
#    - 使用→展开加载描述
#    - 使用A全选
#    - ENTER确认

安装完成后，执行codex restart使新技能元数据生效——该命令会清空当前会话缓存并重载SKILL.md中定义的触发关键词和前置条件。

💡 技巧：如果希望所有AI工具共享同一个Skill目录，可以用软链接实现。Codex默认不自动读取.claude/skills，可以通过以下命令统一管理：ln -s ~/.claude/skills ~/.agents/skills

三、去哪里寻找更多Skills？

Codex Skills生态已经相当丰富，以下是最值得关注的官方Registry和资源库：

Registry	特点	访问地址
TokRepo	500+技能，支持中文，社区投票排序，一键安装命令	https://tokrepo.com
Anthropic官方Skills	SKILL.md规范参考实现	https://github.com/anthropics/skills
VoltAgent/awesome-agent-skills	社区整理的Awesome列表，含官方技能	https://github.com/VoltAgent/awesome-agent-skills
OpenAI Codex Skills Catalog	Codex官方技能目录	https://github.com/openai/skills
ComposioHQ/awesome-codex-skills	Composio整理的Codex精选技能	https://github.com/ComposioHQ/awesome-codex-skills
SkillsMP	70万+技能，智能过滤	https://skillsmp.com

如果只想快速上手，试试一条命令批量安装：npx antigravity-awesome-skills --codex（需要先安装antigravity-awesome-skills工具包）。

四、11个必装Skills

下面这个架构图可以帮助你快速了解各个Skill在整个开发流程中的定位，以及它们之间的层次关系：

下面一个一个来说，每个Skill都会附上开源地址和安装命令。

Skill 1：create-plan

它告别“Prompt First乱写”。

开源地址： https://github.com/openai/skills/tree/main/skills/.experimental/create-plan

安装命令：

# 官方安装
$skill-installer install create-plan

# 或从LobeHub安装
# 访问 https://lobehub.com/skills 搜索create-plan

一句话说清楚： 强制Codex在写任何代码之前，先拆解任务、输出可审阅的执行计划。

很多小伙伴在工作中可能会遇到这样的情况：给Codex一个复杂的任务，比如“帮我把这个单体应用的后台管理模块改成微服务架构”，然后它就埋头开始写了。

写了一半你发现路径错了，改一遍Prompt，它又从零开始。再改一遍，Token消耗了几万，任务还是没完成……

create-plan通过在写代码前强制AI输出可审阅计划，从根本上解决了“prompt-first乱写”的问题。

安装后，当你向Codex描述需求，它会先输出一个结构化的执行计划（格式化为<NAME>_PLAN.md），让你确认后再开始写代码。

就像真实架构师的日常工作步骤：先设计方案，评审通过，再开始编码。

从Codex 1月的更新起，create-plan已部分内置到Codex CLI中，Shift+Tab即可在Plan和Code模式之间自由切换。

• 优点： 大幅减少返工，确保大方向正确后再执行；对所有复杂任务都有效

• 缺点： 多一次确认步骤，高频简单任务会稍显繁琐

• 适用场景： 多文件、多模块的中大型任务；需要多人协作审阅方案的项目

Skill 2：Superpowers

它让AI像严格工程师一样工作。

开源地址： https://github.com/obra/superpowers

安装命令：

# 方法一：直接克隆
git clone https://github.com/obra/superpowers.git ~/.agents/skills/superpowers

# 方法二：使用npx安装器
npx @supercorks/skills-installer install
# 然后在交互界面中勾选superpowers

# 方法三：使用skill-install工具
skill-install -t codex install https://github.com/obra/superpowers/archive/main.zip

安装后必须重启Codex，因为Superpowers依赖会话启动时的钩子来完成技能发现与注入。

社区热度最高（90k+）的Skills框架。

核心问题：如何避免AI写出“看起来能跑、实际上有坑”的代码？Superpowers的核心理念是强制TDD（测试驱动开发）+ 自动代码审查。

它内部包含了14个技能（Skills）和1个代理（Agent），在Codex写任何功能代码之前，先要求它生成测试用例；写完代码后，主动执行代码审查。

这种“先测试、后实现、再检查”的流程，能显著减少逻辑漏洞和边界条件遗漏。

Superpowers的工作流程覆盖了完整的开发链路：brainstorming（头脑风暴）→ writing-plans（编写计划）→ test-driven-development（测试驱动开发）→ subagent-driven-development（子代理开发）→ requesting-code-review（请求代码审查）→ verification-before-completion（完成前验证）→ finishing-a-development-branch（完成开发分支） 。

每个阶段都有专门的技能保障质量。

• 优点： 代码质量大幅提升；主动发现边界条件和异常处理；减少后期调试成本

• 缺点： TDD流程会增加一定Token消耗；不适合原型快速验证场景

• 适用场景： 生产级业务代码开发；需要有测试覆盖率的项目；核心功能模块开发

Skill 3：gh-fix-ci

它能将20分钟的CI排查压缩到几秒钟。

开源地址：

官方Skill - https://github.com/openai/skills/tree/main/skills/gh-fix-ci

社区版 - https://github.com/davila7/claude-code-templates

安装命令：

# 官方安装
$skill-installer install gh-fix-ci

# 从LobeHub安装
# curl https://lobehub.com/skills/composiohq-awesome-codex-skills-gh-fix-ci/skill.md
# 然后按照提示完成安装配置

# 从Community Registry安装
npx @bbhxwl/skills install gh-fix-ci --target codex

解决问题： GitHub Actions失败排查耗时耗力。很多后端和DevOps工程师每周可能要花几个小时在排查CI失败上。

gh-fix-ci会自动读取失败的GitHub Actions运行记录，汇总错误原因并给出具体修复建议。

这是一个非常巧妙的Skill，它把“AI读取错误日志 → 理解失败原因 → 分析相关代码 → 定位问题根源 → 给出修复方案”这条链路完全自动化了。

Skill内部执行了8步结构化流程：验证gh CLI认证状态 → 识别失败的PR检查 → 提取失败日志 → 区分GitHub Actions内外部范围 → 汇总失败摘要 → 请求用户批准修复方案 → 实施修复 → 推回验证。

• 优点： 把原本20分钟的CI排查压缩到几秒钟；自动识别多类型错误；输出结构化

• 缺点： 必须GitHub Actions用户，需要正确配置GitHub集成；需要本地安装gh CLI

• 适用场景： 频繁使用GitHub Actions的后端/全栈/DevOps开发；多人协作项目；上线前质量保障

Skill 4：frontend-skill

它让AI帮你设计好看的页面。

开源地址： https://github.com/anthropics/skills/tree/main/skills/frontend-design

安装命令：

# 从官方Anthropic仓库安装
git clone https://github.com/anthropics/skills.git ~/.agents/skills/anthropic-skills
# 然后进入~/.agents/skills/anthropic-skills/skills/frontend-design 即可使用

# 或使用TokRepo一键安装
npx tokrepo install frontend-design

纯前端或者全栈开发者应该最有感触：Codex默认生成的前端页面，功能是能跑，但样式简直“复古”。

frontend-skill将设计规范和组件风格编码进指令，让Codex生成更具设计感的前端页面。

核心解决的是“懂功能不懂设计”的问题。Skill内部封装了常见的设计原则（间距、色彩、字体、圆角、阴影）以及现代UI框架的组件模式，让AI在生成页面时自动应用。

Skill的核心目标是避免生成千篇一律的“AI风格”界面，而是通过在设计上有意地选择大胆、明确的美学方向（例如：极简、复古、未来感、野兽派等），并注重排版、色彩、动效、空间布局等细节，来打造出令人印象深刻、具有艺术感的前端页面。

• 优点： 颜值提升显著；可无缝配合其他设计Skill使用

• 缺点： 部分复杂自定义设计仍需人工干预

• 适用场景： 前端/独立开发快速构建后台、营销页等；没有专业设计师的资源团队

Skill 5：webapp-testing

它能自动化的Web应用测试。

开源地址： https://github.com/openai/skills/tree/main/skills/webapp-testing

安装命令：

$skill-installer install webapp-testing

核心价值： 针对Web应用执行自动化测试并汇总结果报告。

webapp-testing基于Playwright浏览器自动化框架，能够模拟用户交互行为，包括点击按钮、填写表单、验证登录/退出链路以及捕获控制台报错。

其核心优势在于允许开发者使用自然语言描述测试场景，系统自动生成脚本并执行测试，最终返回结果与截图留证。

Skill会自动识别项目使用的测试框架（Jest、Mocha、Playwright、Cypress），生成的测试用例风格与现有测试保持一致，无需额外清理。

具体工作流程：Skill会先扫描项目根目录及package.json，检测已安装的测试框架，读取现有测试文件的命名模式和代码风格，然后生成风格一致的新测试用例。

最后执行测试并汇总报告，以结构化方式展示通过/失败情况、失败原因和建议修复方案。

• 优点： 保持项目已有测试风格一致性；适用于任何Web技术栈

• 缺点： 项目需要已配置测试框架；复杂集成测试仍需人工补充

• 适用场景： QA工程师和全栈开发者的日常；项目有测试覆盖率要求的CI流程

Skill 6：mcp-builder

它是高质量的MCP Server构建向导。

开源地址： https://github.com/openai/skills/tree/main/skills/mcp-builder

安装命令：

$skill-installer install mcp-builder

MCP（Model Context Protocol）是2024年发布的开放标准，其核心价值在于建立模型与外部系统的标准化通信通道，解决M×N集成难题。

mcp-builder通过四阶段工作流（规划→实现→评估→优化） 引导构建符合最佳实践的MCP Server，确保每个MCP Server都能获得高质量的工具定义、合理的错误处理和良好的用户体验。

四阶段解释：

• 规划： 理解数据源/API，确定需要暴露哪些Tools、Resources和Templates

• 实现： 基于MCP SDK构建Server，支持Python（FastMCP）或Node/TypeScript（MCP SDK）

• 评估： 测试工具是否按预期工作，响应格式是否正确

• 优化： 迭代改进性能和处理逻辑

MCP Server的质量衡量的标准是：它能在多大程度上帮助大模型完成真实世界中的任务。

• 优点： 标准化流程防止遗漏；代码质量和可维护性有保证

• 缺点： 四阶段流程对简单Server可能稍显重

• 适用场景： 正在构建AI Agent接入外部API的开发者；需要标准化工具集的项目

Skill 7：brooks-lint

它能做代码规范自动化审计。

开源地址： https://github.com/hyhmrright/brooks-lint

安装命令：

# 方法一：直接克隆
git clone https://github.com/hyhmrright/brooks-lint.git ~/.agents/skills/brooks-lint

# 方法二：使用CLI安装
npx @bbhxwl/skills install brooks-lint --target codex

来自社区hyhmrright/brooks-lint的审计类Skill，与普通的代码审查工具不同之处在于——brooks-lint从六本经典软件工程书籍中提炼出6个衰退风险维度，对代码进行结构化诊断：

书籍	审查维度
《人月神话》（Brooks）	概念完整性、沟通开销
《代码大全》（McConnell）	代码可读性、构建实践
《重构》（Fowler）	代码异味、设计腐化
《整洁架构》（Martin）	架构边界、依赖原则
《程序员修炼之道》（Hunt & Thomas）	务实编程、关注点分离
《领域驱动设计》（Evans）	领域模型完整性

集成了多种编程语言的代码规范检查，能够扫描Pull Request变更，基于项目既定规范检测代码格式、命名、注释等合规性问题，并直接给出违反规则的具体位置和修复指引。

触发方式很灵活：可以在GitHub Actions中作为CI Job自动执行，也可以在本地Git Hook中作为提交前的质量把关。

• 优点： 对代码规范的高效自动把关；可嵌入CI/Hook流程；权威书籍驱动的深度诊断

• 缺点： 需正确配置项目规则集才能达到理想效果

• 适用场景： 需要统一代码风格的团队；代码审查流程的标准环节

Skill 8：pr-review

它是AI驱动的PR自动审查。

开源地址： https://github.com/openai/skills（官方Skill目录）

安装命令：

$skill-installer install pr-review

当代码提交PR时，Codex会自动扫描变更文件并输出结构化问题报告，无需人工干预。它支持多维度分析：功能正确性、架构合理性、安全漏洞等，并能结合多个AI（Claude、Codex、Gemini）进行全面的PR审查。

触发方式：通常通过GitHub Actions自动触发（on: pull_request: types: [opened, synchronize, reopened]），Codex会读取变更文件的diff，检查空指针、资源泄漏、API兼容性、安全漏洞等多个维度，最后输出结构化的审查报告。

报告可直接作为PR评论呈现。

• 优点： 大幅减少人工Code Review工作量；7×24小时随时可用

• 缺点： 需正确配置自动化触发流程；复杂业务逻辑可能需要人工介入

• 适用场景： 多人协作项目的日常PR流程；团队Code Review效率优化

Skill 9：Planning-with-Files

它能将Markdown当外挂记忆库。

开源地址： https://github.com/OthmanAdi/planning-with-files

安装命令：

# 方法一：使用plugin marketplace（如果使用Claude Code，Codex同理映射到.agents/skills）
/plugin marketplace add OthmanAdi/planning-with-files
/plugin install planning-with-files@planning-with-files

# 方法二：手动安装
mkdir -p ~/.agents/skills/planning-with-files
curl -L -o skill.zip "https://mcp.directory/api/skills/download/593"
unzip -o skill.zip -d ~/.agents/skills/planning-with-files
rm skill.zip

Skill体系的一大核心优势在于渐进式加载机制。

AI主上下文只用2%预算读Skill摘要，真正的领域知识按需加载，不会烧爆上下文窗口。

Planning-with-Files把这个机制发挥得淋漓尽致，它利用Markdown文件给AI当“外挂记忆库”。

AI可以在执行过程中将中间结果、决策记录、待办事项写入Markdown文件，在后续步骤中随时读取。

这个机制的深层价值在于：当任务链条长到单次对话Token不够时，Markdown文件充当了可持续读写的外置记忆。

Skill会创建并维护三个文件：

• task_plan.md — 任务拆解和整体规划，记录阶段进度和决策

• findings.md — 调查发现和中间结论，记录每次会话的操作和错误

• progress.md — 当前进度和已完成步骤

最实用的地方在于：执行/clear清空上下文后，Codex能从这些文件中完整恢复状态，不会丢失之前的工作进展。

对于跨多个会话的大型功能开发来说，这个特性非常关键。

• 优点： 突破单次对话的上下文限制；长流程任务的执行力大大提升

• 缺点： 文件读写操作有一定I/O开销

• 适用场景： 需要多轮交互的大型重构/开发任务；AI执行进度可追溯性要求高的场景

Skill 10：DocumentSkills

它拥有强大的文档解析能力。

开源地址： https://github.com/anthropics/skills（Anthropic官方Skills仓库）

安装命令：

# 克隆官方仓库
git clone https://github.com/anthropics/skills.git ~/.agents/skills/anthropic-skills

# 然后在skills/document-skills目录下即可使用PDF、Word、Excel、PPT解析功能

# 或通过/plugin marketplace安装
/plugin marketplace add anthropics/skills/plugin
/plugin install document-skills@anthropic-agent-skills

支持在Codex侧边栏直接打开PDF、Word、Excel等文档并预览。

底层技术基于大模型的文档解析能力，将非结构化文档内容转化为AI可理解的结构化数据。

当你需要让Codex理解一份产品需求文档、API文档或技术设计说明书时，DocumentSkills会让AI“看懂”并基于文档内容执行任务。

该Skill来源于Anthropic官方仓库，是为开发者处理大量技术或需求文档而设计的。

• 优点： 扩大AI的知识来源，不局限于代码库；文档驱动的开发工作流

• 缺点： 文档格式的复杂程度影响解析准确率

• 适用场景： 基于需求文档自动生成代码；处理现存项目的技术文档

Skill 11：Context-Engineering

它教会AI管理自己的上下文。

开源地址： https://github.com/openai/skills（实验性技能）

安装命令：

$skill-installer install context-engineering

AI在工作时对自身Token消耗和上下文状态是“无知”的，Context Engineering Skills就解决了这个问题，包含对上下文的监控、压缩、优先级管理等核心能力。

技术机制：在任务执行过程中持续监控Token使用量，当接近上限时，主动压缩或摘要化非核心上下文内容；在高优先级任务前确保关键上下文不被挤出窗口。

对长期运行的Agent来说，这个Skill可以帮助避免“掉链子”。

Antigravity-awesome-skills中的Context Engineering Suite包含了7个完整的上下文管理工具。

• 优点： 减少长对话中的“失忆”现象；自动优化Token使用

• 缺点： 压缩策略可能导致部分信息的丢失

• 适用场景： 长时间运行的AI任务；需要精细化成本控制的AI使用场景

五、底层原理

上述Skills之所以能带来如此显著的效率提升，得益于背后的Skill体系设计。

我们可以通过这张流程图，清晰地看到Skill的完整工作链路和技术实现：

这个流程中最关键的技术点在于：渐进式加载机制。

Skill体系通过“2%预算预览+按需加载”的模式，在保证AI具备足够上下文知识的同时，大幅降低了Token消耗。

来看一个实测对比：用传统Prompt处理10万次客服咨询，Token消耗约15M；用MCP方案降至约12M（含协议开销约1.5M）；用Skill方案通过知识压缩，Token消耗可降至2-3M，相当于节省80-90%。

此外，MCP协议定义了模型与外部系统交互的标准——支持JSON-RPC 2.0通信、采用客户端-服务器模式。

当Skill需要外部数据时，MCP负责将数据库查询结果或API响应转换为模型可理解的JSON格式，极大简化了AI调用外部服务的过程。

Skill系统的加载机制同样值得关注：Codex会在启动时执行BFS广度优先遍历，向上搜索最多6层目录，全局最多访问2000个目录查找SKILL.md文件。

这一设计在保证Skill可发现性的同时，控制了扫描开销。

六、优缺点和使用建议

优点：

• Token高效利用，核心知识渐进式加载，相比传统Prompt可节省80-95%

• 知识可沉淀，Skill本质上是“可执行的领域知识”，经验可复用、版本可控制

• 技能可组合，任意调用多个Skill协同完成复杂任务

• 输出一致性高，通过知识固化可将输出一致性提升300%

• 跨平台通用，同一SKILL.md可用于Codex、Claude Code、Cursor等工具

缺点：

• 需要学习和建设，初期花时间了解Skill配置和推荐清单

• 质量良莠不齐，建议从社区高热度/官方Skill开始，避免“Skill堆砌”

• 部分场景不如直接Prompt灵活，高度定制化任务时反而增加步骤

适用场景推荐：

记住两个关键原则：

• 不是越多越好，而是越“对”越好。

• Skill不是替代人工思考，而是放大你的思考效率。

总结

如果说2024年是MCP“协议元年”，那2026年就是Skills“应用爆发之年”。

Skill体

最近建了几个AI技术交流群，扫描加我微信，备注：AI，即可进群交流和学习，获取AI最新咨询。系通过“专家知识封装+渐进式加载”的设计理念，为AI Agent提供了强大的能力扩展机制。

从最初的自定义Skill开始，到如今社区已有基于awesome-agent-skills索引、包含数千个Skill的庞大生态。

上文的11个Skills是我经过半年多实战筛选出的“真·必装”清单。

建议的安装路径：先装create-plan体验任务拆解，再装Superpowers让TDD和代码审查成为AI的新习惯，然后按需添加gh-fix-ci、frontend-skill等针对性Skill。

搭配planning-with-files和Context-Engineering两基友，即便是跨数天的大型重构任务，AI也能高效完成、不掉链子。

最后，送大家一句话：Skill用得好，AI从“什么都能答”的实习生，秒变“什么都懂行”的资深架构师。

如果觉得今天的分享对你有帮助，点个在看，转发给更多需要提升效率的小伙伴！