前几天我发了使用 OpenCode 的体验分享后，我是真没想到，评论区和群里大家还是有不少关于使用的问题。
其实在 AI 时代，关于如何安装这类基本疑问是完全可以通过询问 AI 来解决的，而且这是最好的一对一的解决方式，大家一定要养成这个习惯，如果是怕描述不清楚，那就直接截图丢过去，比起描述起来词不达意更有效。
还有一个技巧，你完全可以让豆包浏览器的屏幕分享来帮你全程协助，这样连截图都可以省去，直接鼠标点给豆包看，说这个我搞不定，你来帮我解决，大家可以去试试看。
但是，既然大家问到了一些问题，我就选一些比较有共性，并且是基础性的概念问题来解答一下，然后再给大家提供一些使用时候的思路和技巧。
今天这篇，就倒倒车来接一下刚开始接触的小伙伴，希望能对大家有点用，结尾会碎碎念一些最近使用 Skill 的一些感触，用得越多，越是有些伤感。
搞清基本概念
1. OpenCode 和 Claude Code 是一回事吗？
完全不同，Claude Code 是 Anthropic 官方专门为自家的 Claude 模型开发的工具，最大的优势在于与 Claude 模型的高度适配和极致的推理能力，在处理复杂架构和多文件协同编辑时非常稳健，但它对第三方模型接入 API 限制比较多，还有就是从整个生态来说，还是兼容 Claude Code 的玩法更丰富。
OpenCode 被称为开源版的 Claude Code。它的目标是提供和官方一致，甚至更强的终端编程体验，但打破模型限制。对于咱们喜欢折腾的人来说，可玩性更高。
建议： 如果你追求极致稳定且只用 Claude，选官方版；如果你希望尝试不同模型、节省费用或需要桌面客户端，OpenCode 是更好的选择。
2. Gemini 能不能挂载 OpenCode？
这个问题问得好，但是逻辑反了。
OpenCode 是车，Gemini 是引擎。接入 Gemini API 就是给车装上引擎，让 OpenCode 借助 Gemini 的动力驱动运行。
3. API 和 OpenCode 什么关系？
接上面的比方，如果说 OpenCode 是车，Gemini 是引擎，那 API 就是油。
OpenCode 本质是个无智力的空壳，跑不动是因为缺了 API 这桶油。API 是连接模型的关键。
只有填入 API ，它才能调用大模型工作，否则它就是个空油箱的车，啥也跑不动。
4. MCP 协议和这里的 Skills 有什么区别？
MCP：就像是为 AI 准备的一个万能插头。如果你想让 AI 读取你电脑里的 PDF、查询学校数据库或操作你的 GitHub 仓库，你需要配置一个 MCP。
Skill：更多是关于领域知识的技能说明书，可以包含复杂的提示词、工作流，甚至一小段辅助执行的脚本。它让 AI 学会了某种特定技能。
在实际使用中：你通过 MCP 赋予 AI 访问权限，让它能读取你服务器上的代码文件。你通过 Skills 赋予 AI 专业知识，告诉它，当用户任务触发到对应领域的技能时，就拿出对应的技能去按照说明书解决问题。
5.OpenCode 中的 Plan 和 Build 分别是什么作用？
当你打开 OpenCode，通常有两个模式让你选：Plan 模式 和 Build 模式。
在 OpenCode 中，Plan 与 Build 的区别在于：前者是出方案 ，后者是搞执行。
Plan ：只读/分析模式。AI 会扫描代码库，输出一份修改清单（涉及哪些文件、逻辑如何变动），但不实际动手修改任何文件。
适合用在评估复杂功能、讨论架构方案、防止 AI 在未理解意图前乱改代码，它更像是一个可以读取你本地文件的增强版 Chatbot。
Build：全功能/执行模式。AI 直接读写文件、新建目录、运行终端命令，将想法转化为代码。适用于正式写代码、修复 Bug、部署环境。
建议：你可以把这套工作流想象成谋定而后动，先用 Plan 听听它打算怎么干，没问题了再切到 Build 让它开工干活。
先用 Plan 模式， 告诉 AI 你的想法，看它列出的修改清单涉及哪些文件、改动逻辑是什么。
如果计划没错，切换到 Build 模式，对 AI 说按刚才的计划执行，它就开始自动修改你的工程了。
这种模式最大的好处是安全，能避免 AI 因为理解偏差一下子毁掉你的整个项目。
最后总结一下：
你可以把这一整套系统想象成一个打工人：
大模型（LLM）：比如 Gemini 或 智谱 GLM，这是大脑。它负责思考，但它本身没有手，动不了你电脑里的文件。
OpenCode：这就是身体和手。它连接了大脑和你电脑的操作系统，让 AI 真的能去执行命令。
Skill：这就是工具包。比如搜索网页是一个技能，写 PDF 是一个技能。
MCP：就是通用的 USB 接口。以前 A 公司的工具 B 公司用不了，现在有了 MCP，大家的工具都能插在这个身体上用了。
我们要做的，就是给电脑装上身体（OpenCode），接上大脑（API），然后给它塞满工具（Skill）。
做个 Skill 玩玩
好了，理论课有点枯燥是吧，那咱们直接来点实操的，先从做一个 Skill 开始，完成对这玩意的祛魅，其实你会发现并不难。
咱们之前经常说提示词工程，把一段很复杂的提示词发给 AI，让它按要求干活。但每次都要复制粘贴一大段提示词，是不是很烦？
在 OpenCode 里，我们可以把这段提示词封装成一个 Skill。那怎么操作呢？
就拿我之前写的那个仿写的提示词来说吧。如果你不懂怎么搞 Skill ，没关系，我刚开始也不知道。
既然有 AI，就先问它呗。
我就直接打开 OpenCode（记得选 Build 模式），把我的需求甩给它：
找到 E 盘中文件名为 # 多篇文章风格分析与模仿系统 v3.0 的文档，我需要把这个文档中的提示词做成一个 SKILL，请告诉我具体流程。
本来我还准备按它给的教程一步步学呢。结果 OpenCode 完成一系列操作后，直接回了我一句：
需要我帮你创建这个 SKILL 文件吗？
行啊，这服务意识，这必须需要啊。
仅仅 34 秒，它就搞定了，自动按照 Skill 的格式规范，生成了一个文件，并贴心地告诉了我存放的位置以及使用方法。
我去那个文件夹一看，嘿，真的就在那儿了。
这真的是不用我操作任何动作，动动嘴就行。这么简单，你上你也行。
细心的小伙伴可能会发现：OpenCode 帮我生成的 Skill 只是一个单文件，但我看网上别人分享的官方包，怎么是一个文件夹，里面还有个 .md 文件？
就像这样的：
之所以会有这两种形态，是因为技能的复杂度不同：
1. 单文件形态：适用纯提示词（Prompt）类的技能。
它的核心逻辑是告诉 AI 怎么说话、怎么分析文本。这一切只需要一堆文字指令就够了，不需要调用外部程序。
2. 文件夹形态：适用场景：需要的复杂技能。
scripts/： 里面通常藏着 Python 或 Shell 脚本。因为把网页变成 PDF，光靠 AI 想是想不出来的，AI 必须去调用一个转换工具。
examples/：因为逻辑太复杂，开发者放了一些示例文件告诉用户怎么用。
SKILL：这是指挥中心，告诉 AI 什么时候去运行 scripts 里的代码。
所以，如果是 SKILL.md 就像我们平时写 Word 文档一样，这里面全是文字版的提示词（编辑模式）。OpenCode 运行时，实际上就是读取这个文件。
好了，我知道你想问，想从零开始做一个调用工具的 Skill 怎么办？
这时候，你就需要请出 Skill-Creator 了。
你可以把它理解为专门用来制造机器人的机器人。
普通 Skill 帮你干正常 AI 的活，而 Skill-Creator专门帮你写 SKILL.md 文件。
Anthropic 开源仓库，就有 Skill-Creator 工具。
仓库地址：
https://github.com/anthropics/skills
直接告诉 OpenCode ：
安装这个 Skill，Skill 项目地址为:
https://github.com/anthropics/skills/tree/main/skills/skill-creator
安装 Skill-Creator 后，怎么使用呢？直接输入指令： run Skill-creator
它会问你一些问题，比如你想创建什么样的 Skill?它的主要功能是什么?你能给出一些使用这个 Skill 的具体例子吗? 等等。
你就根据你的需求来回答，最后它就能自动帮你生成那个 SKILL.md 文件，把里面的提示词都填好。
或者直接和 OpenCode 说需要建一个 Skill ，用来干嘛，输出效果是什么，以及要求等等，都可以。
如何使用 Skill？
那如果别人发给你一个 Skill 怎么用呢？
比如前两天我把仿写提示词这个 Skill 发到了群里，你可以把文件另存到本地，如果你了解 Skill 的路径，可以一步存到位。
不了解也没关系，再和 OpenCode 说：
我有一个 style-mimicry.skill 文件，在 E 盘，请把他拷贝在 Skill 路径下然后调用。
一会 OpenCode 就会回复：style-mimicry 技能现已就绪。
其实这个 Skill 也是我那个仿写提示词封装的。
不管 Skill 是单文件还是文件夹都可以用这两个方法。
注意，拷贝进去后，记得输入 /reload 指令。
这就好比网页浏览器的刷新 (F5)。不刷新，OpenCode 是看不见新技能的，目前 OpenCode 还不支持热加载，和 ClaudeCode 拷贝好就能用有区别。
技能装载好之后，接下来就不用像以前那样一篇篇上传文章分析了。
直接告诉它：
分析文件夹名为参考文章里的几篇 PDF 格式文章
它自己就能去找到然后分析。你看，分析报告和在 Gemini 中完全一样。
风格分析完成后，就可以让它仿写文章了。
没错，今天这篇文章原稿就是用这个方法仿写出来的，实际使用发现，GLM-4.7 做这个仿写效果也还不错，虽然整体效果还不如 Gemini。
去哪找好用的 Skills？
所谓授人以鱼不如授人以渔，但说实话，对于咱们大多数只想提高效率的懒人来说，直接给成品 Skill 才是最爽的。
目前市面上能找到的 Skill 主要有这些：
1.
skillsmp.com：目前体量最大（已超 9 万+），靠爬虫全量聚合 GitHub 技能，搜索方便但质量参差不齐，适合找灵感或边缘需求时用。
2. https://github.com/anthropics/skills
官方出品，数量少但最稳、最纯净，几乎不会踩坑，强烈推荐作为新手/生产环境的首选和基准。
3. https://github.com/ComposioHQ/awesome-claude-skills
人工精选+分类清晰，质量较高但更新可能没那么勤，属于值得收藏但不常逛的靠谱列表型资源。
4. https://github.com/travisvn/awesome-claude-skills
这是由社区成员 Travis 维护的另一个精选列表，社区驱动的 awesome 榜单里星最高的一个，挑选偏激进/实用向，数量和新鲜度都优于 Composio 版，适合想快速找到高赞黑魔法的人。
5.
Vercel 官方合作+高质量前端/部署方向技能，安装量排行榜很实用，生态正在快速起势，React/Next.js 重度用户几乎必看。
6.skillstore.io
走安全审计+一键安装路线，技能经过筛选和版本锁定，适合对代码卫生和团队一致性要求高的场景，但整体体量和热度暂时还追不上前几个。
一句话总结优先级逻辑：
先官方（稳）→ travisvn（实用新鲜）→ skills.sh（生态+特定领域强）→ Composio（精选收藏）→ skillstore（安全团队向）→ skillsmp（海量但杂）。
实际使用中很多人是 官方 + travisvn 这两家组合打天下，再视领域补充 skills.sh 或其他。
结语
其实这段时间里，我经常会产生一种既兴奋又绝望的感觉。
人类活了几世纪辈子攒下的那些真本事，不管是处理复杂任务的智慧，还是写文案时的逻辑，现在都被人精心打包好了。
只要你把它往 AI 身上一接，这个原本只会跟你闲聊的家伙，转头就成了一个资深老师傅。这种感觉挺震撼的，它把原本需要几年甚至几十年才能磨出来的经验值，变成了一个触手可及的插件。
我觉得这才是 AI 最让人类望尘莫及的地方，想想我家小孩还得再走一遍我走过的老路，学习，刷题，背书，考试，一点捷径都省不了，你说怎么比得过 AI？
