很多人以为 Codex Skills 是高级提示词，其实它的核心是「可复用的工作流程」。每个 Skill 包含任务拆解、执行步骤、输出格式和最佳实践。比如 `gh-fix-ci` 不只是查报错，而是围绕 GitHub Actions 的排查流程，把日志分析、错误定位和修复建议整理成一个完整流程。`meeting-insights-analyzer` 则能提取主题、风险和后续行动项，而非简单摘要。这本质上是把团队或个人反复跑通的经验沉淀成可一键调用的 SOP。

2026 年，AI 编程工具的竞争点已从「谁更会写代码」转向「谁能把经验固化下来」。早期工具如 Copilot 是「建议者」，只做代码补全；而 Codex、Claude Code、Cursor CLI 等新代工具是「执行者」，能自主阅读仓库、执行命令、运行测试。GitHub Copilot CLI 近期也引入了自定义 Agent，允许团队把标准流程写进 Markdown 文件。这个转变意味着：提示词技巧不再是门槛，工作流设计能力才是。

这五款主流 AI 编码 CLI 对 Skills 的支持各有侧重：Claude Code 原创了 SKILL.md 格式，官方维护专属技能包；Cursor 支持 SKILL.md 加自定义 .cursorrules 文件；Gemini CLI 和 Codex CLI 兼容 SKILL.md 格式。但 GitHub Copilot CLI 是后来者，只支持有限的 dotnet/skills。这意味着 Skills 尚未形成统一标准，用户在不同工具间迁移的成本很高。未来谁家的 Skills 生态更丰富、更开放，谁就更可能锁定开发者。

接入预设的 Skills 能大幅提升效率，但一个值得追问的问题是：当团队越来越依赖别人沉淀的 SOP，会不会反而失去探索更优解的动力？比如一个固定的「竞品广告分析」Skill，可能只扫描特定维度的数据，而忽略新兴的渠道或内容形态。真正值得问的不是「用不用 Skills」，而是「如何设计一套机制，让 Skills 既能被复用，又能被持续挑战和迭代」——就像代码库需要重构，Skills 库也需要定期复盘和淘汰。