AI Skill 是什麼？行銷人不用寫程式，也能看懂的 Agent 技能入門
Agent AI Skill（代理技能）是什麼？這篇用行銷人聽得懂的白話，拆解 Prompt、MCP 與 Agent Skill 的分工：Prompt 管這一次的指令，MCP 管 AI 拿不拿得到資料，Skill 管拿到資料後該怎麼做。從每月報表、受眾分群命名到活動檢討，看零售與電商行銷團隊怎麼把每天重複交代 AI 的工作，變成一次設定、全隊共用、跨工具可攜的能力，文末並附打造第一支 Skill 的三步驟與常見問題。
一份寫給零售與電商行銷團隊的 Agent Skill 白話指南。看懂 2025 年由 Anthropic 推出、年底開放標準化的 Agent Skills，你就能把每天重複交代 AI 的工作，變成一次設定、全隊共用的能力。
同樣一個 AI，為什麼別人的會做月報，你的還在問「你要什麼格式」
兩個行銷企劃，用的是同一個 AI 工具。
第一個人每次要做月報，都得從頭打一長串指示：要看哪些指標、用什麼口徑、表格放前面還是後面、語氣要正式還是白話。打完一輪，AI 給的東西還是七分像，又得再來一次。第二個人只丟一句「跑這個月的月報」，AI 就照著品牌固定的格式、固定的指標、固定的語氣，把報告產好。
差別不在 AI 的聰明程度，兩個人用的是同一顆腦。差別在第二個人給了 AI 一份 Agent AI Skill，把「這件事該怎麼做」一次寫清楚、存起來，之後再也不用重講。
這不是某家工具的私房功能。Anthropic 在 2025 年 10 月 16 日推出 Agent Skills，並在同年 12 月 18 日把它發布為跨平台可攜的開放標準。雖然目前多數採用者來自開發者工具，但它真正重要的地方無關寫程式：重點是把一套工作方法封裝成 AI 能重複使用的能力。
最有感的不是 AI 變聰明，是不用再重講一遍
91APP 團隊這一年，也把工作裡重複的分析、報表、寫作流程，一支一支拆成了 Skill。
最有感的時刻很平凡：某天我發現，自己已經很久沒有對著螢幕第七次解釋「我要的會員分群報告長什麼樣」。那種終於不用再重講一遍的鬆一口氣，正是這篇文章想跟你聊的起點。Agent Skill 真正解決的，是行銷團隊每天都在發生、卻很少有人計算成本的那件事：把同一套規則，一遍又一遍地重新交代給工具、交代給新人、交代給自己。
先把三個常被搞混的詞分清楚：Prompt、MCP、Skill
行銷人第一次接觸 Agent Skill，最容易卡在分不清它跟 Prompt、MCP 的關係。這三個詞常常一起出現，但管的是完全不同的事。
| 概念 | 一句話定義 | 行銷場景比喻 | 解決什麼 |
|---|---|---|---|
| Prompt（提示詞） | 一次性的對話指令 | 你當下口頭交代同事的一句話 | 這一次，我要 AI 做什麼 |
| Tools / MCP（連接協定） | 讓 AI 接到外部系統、資料庫的管路 | 給同事開通 GA、後台、會員系統的權限 | AI 能不能拿到那份資料 |
| Agent Skill（代理技能） | 寫給 AI 的標準化工作說明書 | 一本「這份報告該怎麼做」的作業手冊 | 拿到資料後，該照什麼流程、出什麼格式 |
用一個更生活的方式講：經理人把 MCP 和 Skill 的分工比成餐廳，MCP 負責進貨，把食材（資料）運進廚房；Skill 負責出菜流程，決定這些食材怎麼變成一道符合水準的菜。一個管「拿不拿得到」，一個管「拿到之後怎麼做」。
簡單說，Agent Skill 是一份可重複使用的 AI 作業手冊，負責規範 AI 在特定任務裡的判斷流程、資料處理方式與輸出格式。
所以 Agent Skill 補的是流程這一層：當 AI 已經拿到任務與必要資料，該照哪一套方法判斷、整理、產出。Prompt 負責這一次的要求，MCP 或其他工具連接負責資料與系統存取，Skill 則把任務和資料轉成穩定的工作流程與輸出格式。
對行銷團隊來說，這層恰恰是最痛的一層。工具好買，資料也接得上，真正難的是把「我們公司這份東西該長什麼樣」穩定地交代下去。Skill 把這件事變成一個檔案，而不是一次次的口頭傳承。
Agent Skill 能幫行銷團隊做什麼？四個真實會用到的場景
把 Skill 講白了，它是一個資料夾，核心是一份 SKILL.md。這份檔案前段用 YAML frontmatter 寫 name 和 description，讓 AI 知道何時該用；後段用 Markdown 寫工作指令。需要時，還可以附上 scripts/、references/、assets/ 等資料夾，放腳本、參考資料或範本。設定一次，整個團隊都能重複呼叫。
以下是行銷團隊最容易上手的四個場景。
場景一：每月報表。 把「月報該看哪些指標、用什麼口徑、表格怎麼排、洞察怎麼寫」做成一支 Skill。之後每個月只要丟資料，產出的報告格式一致、口徑一致，不會這個月的 ROAS 算法跟上個月不一樣。
場景二：受眾分群命名。 行銷團隊最怕的就是每個人對「沉睡客」「主力客」的定義都不同。把分群規則和命名邏輯寫成 Skill，AI 幫你貼標時就會照同一套標準，跨檔期、跨同事都對得起來。
場景三：文案與品牌規範。 把品牌的語氣準則、禁用詞、格式規範封裝成 Skill。像新品上市 EDM、LINE 推播、會員分眾優惠訊息，都能先用同一套品牌語氣與禁用詞檢查過，第一版就接近品牌調性，不用每次都從頭調教。
場景四：活動檢討。 把檔期復盤的固定問法（業績拆解、客群貢獻、通路效率）做成 Skill，活動一結束就能跑出結構一致的檢討報告，不會每次都從一張白紙開始。
這四件事的共通點很明顯：它們都是高頻、有固定章法、卻又依賴人腦記憶的工作。這正是 Skill 最能發揮的地方。
這不是單一廠商的玩法。Agent Skill 已經成為跨平台採用的開放標準，被 26 個以上的平台支援，包括 Claude、OpenAI 的 Codex、Google 的 Gemini CLI、GitHub Copilot 與 Cursor。你在一個支援 Agent Skills 的工具裡寫好的 SKILL.md，因為採用相同核心格式，通常可以移植到其他支援的工具；若這支 Skill 依賴特定腳本或平台權限，移植前再做相容性測試即可。對行銷團隊來說，你建立的能力有機會跨工具沿用，不必綁死在單一平台。
如果你想看最入門的動手教學，數位時代整理過用六個步驟打造第一個 Skill的流程，從寫 SKILL.md 到打包成資料夾講得很白話。
為什麼 Skill 跟「貼一段很長的提示詞」根本不一樣
很多人第一個反應是：那我把規則寫成一段超長的 Prompt，每次貼上去不就好了？
差別藏在一個叫漸進式揭露（Progressive Disclosure）的機制裡，這也是 Anthropic 設計 Agent Skills 時的核心原則。
它的運作分三個階段。第一階段是「發現」：AI 啟動時，只先讀每一支 Skill 的名稱和描述，份量極小，剛好夠它知道這支技能大概在處理什麼。第二階段是「啟用」：當你的任務真的對上了某支 Skill 的描述，AI 才把完整的指令讀進來。第三階段是「執行」：需要用到附帶的範本或參考檔時，才進一步載入。
這個設計解決了長提示詞最大的兩個毛病。
一是上下文負擔。如果你把所有規則都塞進一段長 Prompt，AI 每次對話都得讀完整包內容，任務越複雜，越容易抓不到當下重點。Skill 讓 AI 平常只記得「我有這些技能」，真正用到才展開細節，把上下文留給當下的任務。
二是穩定度。長 Prompt 靠人去複製貼上，貼漏一段、改錯一個字，結果就跑掉。Skill 是存在資料夾裡的固定檔案，不像每次重新口頭交代的指令，每一次呼叫都是同一套規則。對需要對外交付、對客戶負責的行銷工作來說，這份穩定性比聰明更重要。
把團隊的最佳實踐變成 Skill，這件事零售品牌早就在做
讀到這裡，零售與電商品牌的行銷主管應該已經想到一個更大的問題：我們團隊累積了這麼多年的會員經營 know-how，能不能也變成 Skill？
可以，而且這正是第一方數據時代最值得投資的方向。
品牌真正的競爭力，從來不在 AI 模型多強，而在你有沒有一套別人沒有的做事方法。第一方數據只是原料，真正能拉開差距的是品牌怎麼解讀這些資料：怎麼定義主力客和流失客、怎麼判斷一個檔期該打誰、怎麼從會員行為裡讀出回購訊號。當團隊把這些判斷寫成 Skill，AI 就不只是會整理數字，而是能照品牌自己的經營方法產出分析。
這也呼應 91APP CDMP 一直強調的人機協作：AI 負責大量整理、比對與初步分析，人負責定義商業問題、判斷取捨與決定下一步行動。Skill 不是要取代行銷人的判斷，而是把判斷標準化、寫下來，讓 AI 在分析現場照著做，不會每次重新摸索，也不會變成一個會聊天卻每次答案都不一樣的黑箱。
說到底，當每個品牌都用得到 AI，最後拉開差距的，就是誰能把自己的專業更快、更穩地交給 AI 執行。Skill 就是這件事的載體。
行銷團隊的第一支 Skill，從這三件重複工作下手
不用一開始就想得太大。挑團隊裡最常重複、最有固定章法的工作，先做一支試試水溫，比一次規劃十支更實際。
| 行動 | 怎麼做 | 預期效果 | 建議週期 |
|---|---|---|---|
| 挑一件每週都重複的工作 | 列出團隊每週固定要做、規則清楚的事（週報、貼標、文案檢查），選最痛的一件 | 找到投報率最高的起手點，避免一開始就做太雜 | 第 1 週 |
寫成 SKILL.md 雛形 |
用白話寫清楚「什麼時候做、拿到什麼資料、出什麼格式、有什麼禁忌」；像 Claude 的 skill-creator 或 Agent Skills 入門課程，可以協助把需求整理成雛形 | 不用寫程式，但仍由團隊確認規則與輸出是否符合品牌需求 | 第 1 到 2 週 |
| 試跑、修正、再固定 | 用真實資料跑幾次，把跑歪的地方回頭改進說明檔，直到產出穩定 | 確保這支 Skill 能對外交付，而不只是好玩 | 第 3 週 |
等這支會動了，再把通用工作擴大到品牌專屬判斷，例如會員分群和回購訊號，讓 Skill 從省時工具變成全隊都能呼叫的資產。
關鍵心法只有一句：先做一支會動的，再求做一套完整的。 行銷團隊最常見的失敗，不是 Skill 寫得不夠好，而是一開始就想做大全套，結果一支都沒上線。
從通才到專家，差的就是那一份說明書
回到開頭那兩個用同一顆 AI 的行銷企劃。
真正把他們分開的，不是工具，是其中一個人願意花時間，把腦袋裡的做事方法寫下來，交給 AI 保管。一個通用的 AI 助理，載入一支寫得好的 Skill，就能在那一刻變成懂你品牌、懂你規則的專家。
對台灣的零售與電商品牌來說，這是一個不只靠預算、也靠方法沉澱就能拉開差距的機會。你不需要比對手更大的模型，你需要的是比對手更早把自己的專業，變成一份 AI 讀得懂、團隊用得上的說明書。會聊天的 AI 大家都有，會照你的規矩做事的 AI，得你親手教。
2026 年的 Agent Skill：從一家的功能，變成整個業界的共同標準
過去一年 Skill 最大的轉變，不是它變得多強，而是它從 Anthropic 一家的功能，變成幾乎所有主流 AI 工具都讀得懂的共同格式。
時間線很清楚。Anthropic 在 2025 年 10 月推出 Agent Skills，同年 12 月 18 日把它開源成開放標準。規格一公開，GitHub Copilot 當天就宣布支援，微軟的 VS Code、OpenAI 的 Codex 也很快跟進，讀取同一份 SKILL.md。到了 2026 年年中，能讀同一份 SKILL.md 的工具與平台已經有數十個，涵蓋 Claude、OpenAI Codex、Google 的相關工具、GitHub Copilot、Cursor 等。
更值得注意的是治理方式。Anthropic 官方談到的設計原則，包括漸進式揭露、可同時組合多支技能，以及讓 Skill 在不同工具之間盡量行為一致。同一時期，Linux 基金會底下成立了 Agentic AI Foundation，Anthropic、OpenAI、Google、微軟都是成員；這個基金會維護的是 MCP、AGENTS.md 等專案，Agent Skills 標準本身則由開放社群在 agentskills.io 持續發展。就連 Google 都在 2026 年釋出了官方的 Agent Skills，開箱就能在多個相容工具裡使用。
對品牌的意義很直接：你今天花時間寫好的一支 Skill，不會被綁死在某一家工具。工具會換、會漲價、會停更，但你沉澱下來的做事方法，用的是一份大家都認得的檔案格式。
Claude、Codex、Gemini 的 Skill 怎麼選？一張表看懂差異
結論先講：三大工具都讀同一份 SKILL.md，差別不在格式，而在你的團隊平常用哪個工具、需不需要團隊集中管理、以及要跟哪一套現有資料流銜接。
| 比較面向 | Claude（Anthropic） | Codex（OpenAI） | Gemini（Google） |
|---|---|---|---|
| 技能檔格式 | 原創的 SKILL.md 格式 | 直接採用同一份 SKILL.md | 透過 Gemini CLI／Antigravity 相容同一份 SKILL.md |
| 漸進式揭露 | 支援，平常只讀名稱與描述 | 支援，初始清單有容量上限 | 支援，任務對上才展開 |
| 行銷人怎麼上手 | 在 Claude.ai 上傳，或放進 Claude Code 資料夾 | 在 Codex 用指令叫用；ChatGPT 端另有技能編輯器 | 用 Gemini CLI／Antigravity 掛載；另有 Gems（非 SKILL.md 格式） |
| 取得門檻 | 自訂技能需付費方案並開啟程式碼執行 | 需 ChatGPT 付費方案使用 Codex | Gems 免費層可建，開發者工具需付費方案 |
| 官方現成技能 | 內建簡報、試算表、文件、PDF 等文件類技能 | 提供官方技能目錄 | 2026 年釋出十多支官方 Agent Skills |
| 團隊／企業管理 | 企業方案可集中佈署、預設啟用、自動更新 | 以版控庫共用技能，搭配 AGENTS.md 專案規範 | 以套件打包散布 |
| 最適合的行銷團隊 | 重視現成文件產出（月報、簡報） | 已用 Git 版控、想工程化管理 | 資料多在 Google Workspace 裡 |
簡單說，如果你重視現成的文件產出（月報、簡報、試算表），Claude 內建文件類技能、上手最快；如果團隊已經習慣用 Git 版控、想把 Skill 當成工程資產來管理，Codex 搭配 AGENTS.md 專案規範最順。Google 這條線要分清楚：想用 SKILL.md 標準，走 Gemini CLI（2026 年起併入 Antigravity）；如果只是想快速做一個懂品牌、能連 Gmail 與文件的助理，Gemini 的 Gems 更好上手，但它不是 SKILL.md 格式、可攜性較低。
還有一個實務細節值得記住：三家的技能檔格式共通，但「檔案要放在哪個資料夾」還沒統一——Claude 放在 .claude/skills、Codex 放在 .agents/skills，各家路徑不同。這代表 Skill 的內容可以跨工具沿用，但擺放位置要各自設定一次，也提醒我們：格式可攜不等於完全互通，真正搬移前還是要先測試。
2026 年把 Skill 寫好的關鍵：精準、可信、夠精簡
一個常見的誤會是：Skill 寫得越長越詳細越好。2026 年業界累積下來的經驗剛好相反，寫得好的 Skill，講究的是精準與可信，篇幅長短反而其次。
精簡是第一課。好的 SKILL.md 通常控制在幾百行內，把確定性的工作（固定算式、改檔名、呼叫特定資料）交給附帶的腳本，讓主檔只留判斷方法。描述欄要寫成「什麼情況該用這支 Skill」的判斷依據，而不只是一段摘要，因為 AI 就是靠這句話決定要不要叫用它。這種平常只讀名稱與描述、需要時才展開完整內容的做法，能大幅減少 AI 每次要消化的資訊量，不會越讀越發散。
品質也勝過數量。與其一次做十支半生不熟的 Skill，不如先把一支最常用的做到穩定、能對外交付，這也呼應前面提到的心法：先做一支會動的，再求做一套完整的。
更關鍵的是把 Skill 當成信任邊界來管。因為 Skill 是以你的權限在執行，等於讓別人寫的說明書碰你的檔案與資料，安全就成了 2026 年最被討論的議題。資安公司 Snyk 的 ToxicSkills 研究抽查了公開市集上近四千支 Skill，發現超過三成至少有一項安全瑕疵，少數甚至藏了惡意內容，資安社群也開始整理 agent skill 的風險清單。實務原則很簡單：外部來源的 Skill 要像審核開源套件一樣，先讀過 SKILL.md 和裡面的腳本、鎖定版本再更新；就算是品牌自建，也要注意別把密鑰或會員資料寫進去。來源可控的 Skill 比較好治理，也最能累積成長期資產——這也是把資料與 AI 應用收攏在像 91APP CDMP 這樣的環境裡，會比讓行銷團隊各自去接外部工具更安全的原因。
品牌最常問的 Agent AI Skill 問題
Q1：Agent AI Skill 到底是什麼？ A1：Agent AI Skill（代理技能）是一份寫給 AI 的標準化工作說明書。它把專業知識和工作流程打包成一個資料夾，核心是一份叫 SKILL.md 的純文字檔，寫清楚 AI 在什麼情境該出手、拿到資料要怎麼處理、結果怎麼呈現。設定一次，之後就能重複呼叫，不必每次重新交代。
Q2：Agent Skill 跟 Prompt、MCP 有什麼不同？ A2：Prompt 是一次性的對話指令，解決「這一次要做什麼」；MCP 是讓 AI 連到外部系統和資料庫的管路，解決「AI 拿不拿得到資料」；Agent Skill 補的是流程這一層，解決「拿到資料後該照什麼流程、出什麼格式」。三者分工不同，Skill 管的是最關鍵的做事方法。
Q3：行銷人不會寫程式，也能做 Skill 嗎？ A3：可以。SKILL.md 是用白話寫的純文字檔，不是程式碼。部分支援 Skill 的工具還提供 Skill Creator 這類協助建立 Skill 的功能，你只要描述任務是什麼、輸出要長什麼樣、有什麼注意事項，就能先生出雛形，再由團隊檢查與修正。行銷人完全能自己上手。
Q4：預算有限的小品牌，值得花時間做 Skill 嗎？ A4：值得。Skill 本身是一種檔案格式與工作方法，不等於要採購大型系統；但實際能不能用，取決於團隊目前的 AI 工具是否支援。對人力吃緊的小團隊來說，把重複工作交給穩定的 Skill，省下的時間就是最直接的回報，建議先從一件最常重複的工作做起。
Q5：做一支 Skill 多久能看到效果？ A5：如果是週報、文案檢查這類規則清楚的通用工作，通常一到兩週可以做出可試跑的版本；能不能正式上線，取決於資料品質、審核流程與團隊修正速度。把品牌專屬判斷（會員分群、回購訊號）沉澱成 Skill 需要更久，建議用一個月以上的時間試跑、修正、再固定。
Q6：Skill 會被綁死在某一個 AI 工具上嗎？ A6：不一定。Agent Skill 在 2025 年底成為跨平台開放標準，Claude、OpenAI Codex、Gemini CLI、GitHub Copilot、Cursor 等工具已支援同一套核心格式，這代表 SKILL.md 有較高的可攜性；但如果這支 Skill 用到特定平台的工具、腳本或權限，移植前仍要測試與調整。
Q7：Claude、Codex、Gemini 的 Skill 真的能互通嗎？ A7：大致可以。三者都讀同一份 SKILL.md 開放標準檔，只用純文字說明和標準欄位寫成的 Skill，通常能跨工具沿用。但要注意兩件事：一是各家「檔案放哪個資料夾」的路徑還沒統一，搬移時要各自設定；二是如果這支 Skill 用到某個工具專屬的腳本或權限，移植前要先測試。
Q8：行銷團隊該選 Claude、Codex 還是 Gemini 來做 Skill？ A8：看團隊平常的工作方式。重視現成文件產出（月報、簡報、試算表）的，Claude 上手最快；已經習慣用 Git 版控、想把 Skill 當工程資產管理的，Codex 搭配 AGENTS.md 最順；資料多在 Google Workspace 裡的，走 Gemini CLI（已併入 Antigravity）用 SKILL.md 標準，或用 Gems 快速做一個懂品牌的助理（Gems 不是 SKILL.md 格式、可攜性較低）。格式互通，先從團隊最熟的工具起步就好。
Q9：2026 年寫 Skill 有什麼新的最佳實踐？ A9：重點從「寫得詳細」轉向「管得精準」。先挑一件高頻又規則穩定的工作、指定維護的人，保持 SKILL.md 精簡、把確定性工作交給腳本、描述欄寫成「何時該用」的判斷依據；品質勝過數量，先把一支做穩再擴充；並善用漸進式揭露，讓 AI 平常只讀名稱、需要時才展開，減少每次要消化的資訊量。
Q10：用第三方的 Skill 安全嗎？要注意什麼？ A10：要當心。Skill 是以你的權限在執行，等於讓外部寫的說明書碰你的檔案與資料。2026 年已有資安研究抽查公開市集，指出相當比例的 Skill 含安全瑕疵。原則是：外部來源的 Skill 要像審核開源套件一樣，安裝前先讀過 SKILL.md 與其中的腳本、鎖定版本再更新；來源可控、由品牌自己維護的 Skill 比較好治理，也別把敏感資料直接餵給未經審查的外部工具。
延伸閱讀
- 選 CDP AI Agent 前，先問這 4 個問題：不然你買的只是一個會聊天的介面
- Agentic Commerce 的資料困局：為什麼 CDP 升級成 CDMP 是零售品牌的下一步
- Google AI Mode 如何改寫電商流量規則，AI 流量標籤是第一方數據重要資產
- AI Agent 是什麼？和 Agent Skill 差在哪，行銷人一次搞懂
- 【實戰分享】Agent Skill 能幫行銷團隊做什麼？10 個零售行銷應用場景
- 第一個 Agent Skill 怎麼做？行銷人的每月報表 Skill 手把手教學
- ChatGPT Skills 教學：台灣零售行銷團隊把 SOP 變成可重複資產
- AI 技能包實戰：把每週講三次的行銷 SOP，變成 AI 能穩定重現的做法（2026）
- 91APP AgentOne 是什麼？從 AI 助理到數位產能，零售與餐飲的下一場轉型
想把會員分群、報表口徑與活動檢討流程整理成可重複使用的團隊方法，不妨先從一件每週都會重複的工作開始。
