大模型处理复杂任务时，常因冗长规则上下文而分散注意力。OpenCode框架的Skills机制，通过渐进式加载技能，让模型更专注于业务逻辑。这不仅提升了效率，还降低了token消耗。通过一个代码审查实例，可以深入了解其原理、优势，并掌握创建自定义技能的实战方法。
智能速览
OpenCode Skills通过渐进式披露机制，优化大模型的注意力分配。
相比传统Agent，Skills能显著减少规则上下文对token的消耗。
创建自定义Skill需在特定目录下构建规范的`skill.md`文件。
实战演示：一个自定义代码审查Skill，能快速定位并报告代码问题。
安装OpenCode前需确保系统已安装Node.js环境。
精华内容
要真正掌握OpenCode Skills，不仅要理解其核心优势，更需亲手实践。下面将从原理对比、实战演示和自定义创建三个维度，深入剖析这一高效机制。
原理优势
OpenCode框架的Skills机制，其核心优势在于“渐进式披露”。与MCP或Agent模式将完整规则一次性注入上下文不同，Skills采用懒加载策略。大模型最初仅需加载技能的名称和简短描述，当用户输入匹配到特定技能时，才会逐步加载详细的提示词和关联脚本。这种方式显著缩短了模型需处理的初始上下文长度，减少了不必要的token消耗，让模型的计算资源更集中于理解业务需求本身，而非解析冗长的规则说明。
代码审查实战
通过一个名为`code_review`的自定义技能，展示了其实战效果。对一个包含多处问题的代码文件（demo.js）进行审查，该技能迅速定位了具体问题。例如，它准确指出了在第28-29行存在捕获所有异常后静默处理的风险，以及在第31行对无效匹配模式的静默处理。审查过程不仅快速，而且最终生成了一份结构化的代码审查报告，并将其作为文件写入本地，提供了清晰、可追溯的问题记录和优化建议。
自定义创建指南
创建自定义技能的流程清晰。前提是安装Node.js环境，再通过npm安装OpenCode。核心步骤在于构建正确的文件结构：在用户配置目录的`skills`文件夹内，为每个技能创建独立文件夹，并内建一个`skill.md`文件。此文件必须以YAML元数据开头，用`—`包裹，明确定义`Name`与`Description`。其后方可编写详细的提示词或脚本指令。保存文件后，重启OpenCode即可识别并调用这个新技能，实现功能的按需加载。
OpenCode Skills为大模型交互提供了一个更高效、更专注的范式。通过将规则与业务解耦，它让AI的能力得以更精准地释放。随着这类机制的普及，未来的AI开发是否会更加模块化和轻量化？值得期待。
