Skill：按需加载的专项知识

把AI比作一个内功深厚的武林高手，模型智力就是他的内功。但内力再强，面对一个从未接触过的任务，也会无从下手。Skill就是给他的「专项秘籍」——一套针对特定问题的知识包。

Skill最精妙的设计在于懒加载。这些知识平时不占用上下文窗口，只有当AI遇到匹配的任务时，才会自动解锁对应的Skill。这一点非常关键，因为上下文过长会严重拖累模型的推理能力。通过Skill机制，AI既保持了轻量的工作状态，又能在需要时调用深度知识。

Agents.md：定义AI的工作哲学

如果说Skill是具体的技能，Agents.md就是「心法」——它规定了AI做事的逻辑和原则。

一个能力再强的助手，如果做事没有章法，也不会是好帮手。在Agents.md中，你可以定义工作流程，比如让AI每完成一轮工作后，自动启动子代理来审查结果；也可以设定行为准则，比如写完代码必须回看、不要跳过测试。这些规则会持续影响AI在整个项目中的行为模式。

Claude Code的作者自己公开了他的Agents.md配置，设计理念相当成熟，值得直接参考借鉴。

MCP：连接外部世界的通行证

有了内功（模型智力）、秘籍（Skill）、心法（Agents.md），AI要真正办成事，还需要能力去访问外部资源。MCP（Model Context Protocol）就是这个桥梁。

MCP本质上是一套标准化协议。大型平台和工具提供商按照这套规范开放接口，AI可以直接通过MCP访问本地文件、查询数据库、对接GitHub和Slack等服务。比如后面实操中用到的Playwright MCP，就是让AI具备了控制浏览器的能力。

可以把MCP理解为一张「通关文牒」——有了它，AI就能在不同的信息库之间自由穿梭。

实操：从PDF到部署上线

理解了概念，来看实际操作。这个项目的目标是：把一份PDF中的文章提取出来，做成一个静态展示网站，然后部署到Cloudflare。

第一步：选择模型

打开终端进入Codex界面，输入/model（输入/mo后按Tab自动补全）选择最新模型。如果任务比较重要，推荐选择xhigh级别。

第二步：提取PDF内容

目录里只有一个PDF文件，直接让Codex处理。AI本身是LLM，原生并不具备PDF阅读能力，但Codex内置了PDF处理的Skill，会自动加载。直接告诉它：

我需要你帮我把文章抽取出来，并且不要漏掉里面的图片。

Codex会将PDF转写为Markdown文件，文章和图片都完整保留。

第三步：安装Skill和MCP

  • 让Codex自己安装Playwright（不要手动装，既然用了AI编程工具，就让它来处理依赖安装）
  • 安装完成后重启Codex，让它通过Playwright MCP去GitHub上查找Claude Code官方提供的Skill，选一个适合前端开发的

第四步：生成网页

使用前端Skill，让Codex生成一个静态展示页面：

$artifacts-builder 帮我制作一个网页，目的是展示目录中这个大神的文章，
做的有点像那种展览馆的感觉，然后里面按照点赞数来排列，
点赞数最多的放前面。记得文章的时间一定要带上！
另外，这里面有一些文章是有图片的，目前我已经转写好了

第五步：部署上线

使用Codex官方提供的Cloudflare部署Skill，一条命令搞定：

$cloudflare-deploy 帮我部署吧

整个过程全自动，从代码生成到部署上线，不需要手动介入。

三层体系的协作逻辑

回顾整个流程，三层能力各司其职：

  • Skill负责「怎么做」——处理PDF、构建前端、部署到Cloudflare，每一步都有对应的Skill在关键时刻自动加载
  • Agents.md负责「做事的标准」——控制AI的工作流程和质量底线
  • MCP负责「去哪里拿资源」——通过Playwright控制浏览器、访问GitHub获取Skill配置

这套体系的核心价值在于：你不需要成为全栈工程师，只要能清楚地描述需求，AI就能调用合适的能力组合帮你完成从开发到部署的全流程。建议从配置自己的Agents.md开始，先把AI的「工作习惯」调教好，再逐步叠加Skill和MCP扩展它的能力边界。