Skill：按需加载的专项能力
把AI想象成一个武功高强的人。模型本身的智力就是他的内功，但内功再深厚，遇到从没见过的事，他也束手无策。比如你让他处理一个PDF文件——大语言模型天生只理解文本输入，哪怕是多模态模型，也不自带PDF阅读能力。
这时候就需要给他一本"操作手册"，告诉他怎么处理PDF。这本手册，就是Skill。
Skill最巧妙的设计在于按需加载。平时这些知识并不会塞进AI的工作记忆里，只有当AI碰到相关问题时，才会自动解锁对应的Skill。换句话说，Skill完全不占用上下文窗口。
这一点非常关键。上下文过长会严重拖累AI的表现——它会开始遗忘前面的指令、混淆关键信息。通过Skill机制，AI既保持了轻装上阵的状态，又能在需要时随时调用专项能力。
Agents.md：定义AI的工作准则
一个人能力再强，如果做事没有章法，也不会是好帮手。Agents.md就是用来定义AI"怎么做事"的配置文件，相当于给它一套工作准则。
举个例子：你在Agents.md里写上"每完成一轮工作后，用子代理来审查工作结果"，AI就会严格按照这个流程执行。你还可以要求它写完代码后必须回头检查、不能跳过测试、输出风格要简洁——所有这些行为规范，都可以写进Agents.md。
Claude Code的作者本人公开了自己的Agents.md配置，设计理念很值得参考，建议直接借鉴他的思路来搭建自己的版本。
MCP：连接外部世界的通行证
AI有了智力（模型）、有了专项技能（Skill）、有了工作准则（Agents.md），但如果只能在本地环境里闭门造车，能做的事终究有限。
它需要访问你的本地文件，需要查询外部数据库，需要接入Slack、GitHub这些实时工具来获取最新信息。MCP（Model Context Protocol）就是解决这个问题的协议。
可以把MCP理解为一张"通行证"。大的机构和平台制定好一套标准接口，AI拿着这张通行证就能按规范访问各种不同的内容和服务。比如后面会频繁用到的Playwright MCP，它让AI学会了控制浏览器——打开网页、点击按钮、截图，这些原本AI做不到的事，通过MCP就变得轻而易举。
实操：从PDF到上线一个网站
理解了这三个概念，来看一个完整的实操流程。目标是：把一份PDF里的文章提取出来，做成一个可以公开访问的静态网页。
第一步：选择模型
打开终端进入Codex界面，输入 /model 选择最新的模型。如果任务比较重要，建议选择更高的推理等级。
第二步：用Skill处理PDF
项目目录里只有一个PDF文件。直接问AI能不能处理——它会自动识别到自己具备PDF Skill，然后开始提取内容。关键指令是：
我需要你帮我把文章抽取出来，并且不要漏掉里面的图片，你能做到吗？
AI会把PDF转换成Markdown文件，文章和图片都完整保留。
第三步：安装MCP和Skill
让AI自己安装Playwright MCP（不需要手动操作，交给AI来完成）。安装完成后重启Codex，让AI通过Playwright去GitHub上查找官方推荐的前端Skill，选一个合适的安装上。
第四步：生成网页
调用前端Skill，告诉AI你的需求：
$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：一键部署
用官方提供的Cloudflare部署Skill，一句话搞定：
$cloudflare-deploy 帮我部署吧
整个过程不需要你手动写任何代码，也不需要你去配置部署流程。从PDF提取到网站上线，全部由AI代劳。
写在最后
Skill、Agents.md、MCP这三个机制各司其职：Skill提供按需调用的专项能力，Agents.md规定工作流程和行为准则，MCP打通与外部世界的连接。把它们组合起来，AI编程助手就不再只是一个"帮你补全代码"的工具，而是一个能独立完成从数据处理到产品部署的全流程搭档。建议从配置自己的Agents.md开始——它是让AI真正按你的方式工作的第一步。