告別複製粘貼：將 OpenAI Prompt 轉化為 Claude Code Skills

作者：大卷學長
日期：2026年1月24日 上午3:55
來源：WeChat 原文

✦整理版優先睇

速讀 5 個重點 高亮

本文介紹如何將OpenAI嘅Prompt轉化為Claude Code Skills，實現自動化、上下文感知嘅程式碼協作流程，告別手動複製貼上。

整理版摘要

呢篇文章講嘅係點樣將OpenAI嘅Prompt轉化為Claude Code嘅Skills。作者係個開發者，成日要複製貼上Prompt去ChatGPT，覺得好麻煩。佢發現Claude Code嘅Skills功能可以自動根據用戶嘅意圖去調用對應嘅Prompt，唔使再手動操作。文章整體結論係：將Prompt封裝成Skill之後，可以喺IDE入面直接輸入模糊意圖，Agent就會自動識別場景、調用封裝好嘅Prompt，直接生成結果，工作效率大大提高。

首先，文章解釋咗OpenAI Prompt同Agent Skill嘅結構差異。OpenAI Prompt通常係一段文字，包含背景、任務同輸出要求，用戶每次要手動複製貼上。而Agent Skill就係一個文件夾入面嘅SKILL.md，加咗YAML Frontmatter，可以自動檢索。然後文章用產品經理寫PRD嘅用例做示範，一步步教點樣將OpenAI嘅Prompt轉成SKILL.md，並且喺Claude Code入面使用。

最後，文章仲介紹咗一個叫skill-creator嘅工具，可以由AI自動幫你做呢個轉換工作。總結嚟講，呢種方法有三大好處：上下文感知、被動觸發變主動檢索、團隊可以共用Skills。呢篇文章適合想提升Prompt管理效率嘅開發者同產品經理。

  • 核心問題：每次要用Prompt都要複製貼上，工作流斷裂，效率低。
  • 解決方案：將Prompt封裝為Claude Code嘅Skill，放入.claude/skills/目錄，Agent可自動根據意圖觸發。
  • 轉換要點：喺SKILL.md加入YAML元數據（name、description、when to use），再放入原本Prompt內容同Input Variables。
  • 實戰示例：以產品經理生成PRD為例，展示從OpenAI Prompt到Skill嘅完整轉換過程同使用效果。
  • 自動化工具：使用Anthropics嘅skill-creator，可以讓AI自動分析Prompt並生成對應Skill，進一步降低門檻。
值得記低
連結 github.com

skill-creator

Anthropics 嘅技能創建工具，可以自動將 Prompt 轉換為 Claude Code Skills。

開啟
整理重點

告別複製貼上：從Prompt到Skill

早前OpenAI發佈咗一堆企業級Use Cases，分門別類列好Prompt。以前我哋要揾筆記軟件記錄，每次用嘅時候要揾返出嚟複製貼上，工作流好斷裂。

每次用的時候還需要找回來，複製粘貼

而家Claude Code嘅Skills功能咁強大，我哋可以將Prompt封裝做Skill。用戶喺IDE鍵入模糊意圖，Agent就自動識別場景、調用封裝好嘅Prompt，直接生成結果。

整理重點

理解結構差異：OpenAI Prompt vs Agent Skill

OpenAI Prompt通常係一段文字，包含背景、任務同輸出要求，每次要手動複製貼上。Agent Skill係一個文件夾入面嘅SKILL.md，將Prompt包裝咗元數據。

YAML Frontmatter

自動檢索並加載

程式內容 markdown 
---
name: <技能名稱，如 generate-prd>
description: <一句話描述，如：為新功能撰寫產品需求文檔 (PRD)>
---
# <技能標題>

## When to use this skill
- <描述觸發場景1>
- <描述觸發場景2>

## Instructions
<這裏粘貼 OpenAI 的 Prompt 內容>
- Context: ...
- Task: ...
- Output Format: ...

## Input Variables
- <變量1>: <描述>
整理重點

實戰轉換：產品經理用例

我哋揀咗一個產品經理用例嚟示範轉換。原始OpenAI Prompt係：

程式內容 markdown 
Based on this feature idea and customer need, write a first-draft PRD. Include user story, problem statement, solution overview, acceptance criteria, and success metrics. [Insert context or problem]

轉換後嘅SKILL.md命名為product-draft-prd，放喺項目嘅.claude/skills/product-draft-prd/SKILL.md。

product-draft-prd

程式內容 markdown 
---
name: product-draft-prd
description: Draft a comprehensive Product Requirements Document (PRD) from a feature idea.
---
# Product Requirements Document Generator

## When to use this skill
- When the user asks to write a PRD or spec for a feature.
- When the user provides a rough feature idea and needs a structured document.
- When asking to "flesh out" a product concept.

## Instructions
You are an expert Product Manager. Your goal is to draft a PRD based on the user's input.
1. **Analyze the Request**: Identify the core feature, target audience, and business goal from the user's prompt.
2. **Draft the Content**: Generate a response following this strict structure:
 * **Problem Statement**: What are we solving?
 * **User Stories**: As a [user], I want to [action], so that [benefit].
 * **Acceptance Criteria**: Gherkin syntax (Given/When/Then) or bullet points.
 * **Technical Constraints**: Potential limitations or requirements (ask if unknown).
 * **Success Metrics**: How will we measure success?
3. **Refinement**: If the user's input is too vague, ask clarifying questions before generating the full doc.

喺Claude Code入面輸入「/」就可以見到呢個技能，然後話「幫我寫一份關於‘AI 自動剪輯短視頻’功能的PRD」，就會自動觸發並生成內容。

整理重點

自動化轉換：使用skill-creator

自己手動轉換始終有啲麻煩，好彩Anthropics出咗個skill-creator工具，可以讓AI幫你自動轉換。

讓 AI 幫我們做呢個轉換工作

  1. 1 將skill-creator放喺項目嘅skills目錄下。
  2. 2 啓用技能，然後將想轉換嘅Prompt同技能名稱提供畀佢。
  3. 3 AI會分析需求，並按三個維度（使用場景、編程語言、審查重點）提問，你只需畀返答案。
  4. 4 處理完之後，喺.claude/skills/入面就會生成新嘅Skill目錄同SKILL.md文件。

我哋用一個工程師用例做測試，原始Prompt係「Explain this code snippet to a junior engineer, point out potential bugs, and suggest a refactor for better performance.」。經過skill-creator生成後，就得到一個eng-code-review嘅Skill。

整理重點

升級優勢：點解咁做比直接用Prompt更好

將OpenAI嘅Prompt遷移為Claude嘅本地技能，係一次能力嘅全面升級。

上下文感知 (Context Awareness)

被動觸發 vs 主動檢索

團隊對齊

  • 上下文感知：Claude直接「住」喺你嘅程式碼庫，可以睇到你引用嘅庫、目錄結構甚至剛寫嘅Bug，令答案更針對性。
  • 被動觸發變主動檢索：你唔需要建立文檔記錄Prompt，喺終端直接表達意圖，Agent會自動執行對應Skill。
  • 團隊對齊：可以將Skills文件夾提交到Git倉庫，團隊成員Check out後即刻擁有一致嘅Prompt工程能力，Code Review標準同PRD格式全部統一。

早前 OpenAI OpenAI官方發咗一堆俾企業級用戶嘅Use Cases（用例），分門別類咁列好曬，教產品經理點樣寫Prompt，工程師點樣寫Code Review提示詞。

圖片

諗起以前要周圍揾 Prompt，周圍學 Prompt 應該點樣寫，仲要揾啲筆記軟件分門別類記低，每次用嘅時候又要揾返出嚟，複製貼上。

喺ChatGPT網頁版入面，我哋嘅工作流程通常係：

複製 Prompt -> 切換窗口 -> 粘貼代碼上下文 -> 等待生成 -> 複製回 IDE

跟住我諗，而家 Skills 技能咁強大，可唔可以攞嚟用嚇呢。透過將 Prompt 封裝為 Skill，噉我哋嘅工作流程就變成咗：

用戶在 IDE 鍵入模糊意圖 -> Agent 自動識別場景 -> 調用封裝好的 Prompt -> 讀取當前代碼 -> 直接生成結果

由Prompt到Skill

喺轉換之前，我哋需要理解兩者嘅結構分別：

  • OpenAI Prompt：通常係一段文字，包含背景（Context）、任務（Task）同輸出要求（Output）。用戶每次要手動複製貼上俾ChatGPT。

  • Agent Skill：係一個文件夾（通常包含SKILL.md），佢將Prompt包裝咗元數據（YAML Frontmatter）。Agent會根據用戶嘅模糊意圖（Intent）自動檢索並載入呢個Prompt。

Skill範本

一般 SKILL.md 範本嘅格式內容大概係咁：

---
name: <技能名稱，如 generate-prd>
description: <一句話描述，如：為新功能撰寫產品需求文檔 (PRD)>
---

# <技能標題>

## When to use this skill
- <描述觸發場景1，例如：當用戶要求寫 PRD 時>
- <描述觸發場景2，例如：當用戶提供了功能想法但需要文檔化時>

## Instructions
<這裏粘貼 OpenAI 的 Prompt 內容>
- Context: ...
- Task: ...
- Output Format: ...

## Input Variables
- <變量1>: <描述>

所以我哋要做嘅嘢就相當於做一層轉換 YAML 元數據 (定義何時使用) + OpenAI Prompt 內容 (定義怎麼做)

實戰轉換例子

我們從 OpenAI Academy 嘅資源入面揀幾個典型用例嚟做轉換。

產品經理用例（Product）

原始 OpenAI Prompt ：

Based on this feature idea and customer need, write a first-draft PRD. Include user story, problem statement, solution overview, acceptance criteria, and success metrics. [Insert context or problem]

噉轉換之後嘅 SKILL.md 大概係咁嘅：

---
name: product-draft-prd
description: Draft a comprehensive Product Requirements Document (PRD) from a feature idea.
---

# Product Requirements Document Generator

## When to use this skill
- When the user asks to write a PRD or spec for a feature.
- When the user provides a rough feature idea and needs a structured document.
- When asking to "flesh out" a product concept.

## Instructions
You are an expert Product Manager. Your goal is to draft a PRD based on the user's input.

1.  **Analyze the Request**: Identify the core feature, target audience, and business goal from the user's prompt.
2.  **Draft the Content**: Generate a response following this strict structure:
    *   **Problem Statement**: What are we solving?
    *   **User Stories**: As a [user], I want to [action], so that [benefit].
    *   **Acceptance Criteria**: Gherkin syntax (Given/When/Then) or bullet points.
    *   **Technical Constraints**: Potential limitations or requirements (ask if unknown).
    *   **Success Metrics**: How will we measure success?

3.  **Refinement**: If the user's input is too vague, ask clarifying questions before generating the full doc.

Claude Code使用Skills

然後我哋試嚇喺 Claude Code 入面用呢份 Skill，然後將佢改名做 product-draft-prd，並保存喺項目入面 .claude/skills/product-draft-prd/SKILL.md，噉就得呢個項目可以用到。

啓動 Claude Code 工具，輸入 / 就可以見到啱啱創建嘅 product-draft-prd 技能

圖片
幫我寫一份關於‘AI 自動剪輯短視頻’功能的 PRD
圖片

見到會自動觸發我哋新增嘅 Skill

圖片

最後就會展示呢份PRD文檔內容

圖片

佢會根據我哋定義嘅文檔內容，一步步同我哋做分析

圖片

如果仲有其他唔清楚嘅內容，可以繼續同佢溝通

圖片

冇問題嘅話，我哋就可以保存到本地

圖片

更自動咁轉換做Skills

如果由我哋自己做呢個轉換，始終有啲難度，呢啲嘢梗係要俾AI幫手處理，好似之前介紹過咁，Anthropics 有個叫 skill-creator 嘅技能，我哋叫佢幫我哋做呢個轉換工作。

倉庫地址

https://github.com/anthropics/skills/tree/main/skills/skill-creator

我哋用一段工程師用例，試嚇呢個轉換：

Explain this code snippet to a junior engineer, point out potential bugs, and suggest a refactor for better performance.
圖片

將上面嘅技能放喺 skills 目錄下面，然後啟用呢個技能

圖片

然後將技能名同 Prompt 提示詞發俾佢，佢就會幫我哋分析呢個需求，仲會提出一啲問題，佢嗰邊會按照三個維度（使用場景、編程語言、審查重點），我哋按實際情況揀就得

圖片

我嗰邊就係無腦全部揀曬

圖片

處理完之後，就可以喺 .claude/skills/ 入面見到生成咗一個新嘅 eng-code-review 目錄，呢個就係我哋啱啱創建嘅新 Skill

圖片

在 SKILL.md 文檔入面，詳細記錄咗呢個技能嘅內容

圖片

重新入返去之後，就可以見到呢個新技能。然後我喺目錄入面隨便寫咗一個python函數嘅腳本，叫呢個技能幫我睇嚇入面嘅問題。

def process_data(l):
    # 保存去重後的用戶
    res = []
    for u in l:
        # 糟糕的去重邏輯：每次循環都遍歷一遍 res，性能災難
        if u['id'] not in [x['id'] for x in res]:
            res.append(u)

    total = 0
    count = 0
    for u in res:
        if u['active'] == True:
            total += u['age']
            count += 1

    # 致命 Bug：如果 count 為 0，這裏會報錯 (ZeroDivisionError)
    return total / count

代碼問題：

  1. 效能極差：喺循環入面用列表推導式做成員檢查，搞到複雜度變成O(N^2)
  2. 潛在Bug：冇處理空列表（會導致除以零錯誤）。
  3. 穩健性差：假設所有字典都有keys，而且冇類型檢查（如果age係字符串會報錯）。
  4. 命名差劣：變量名l, u, x完全冇意義。
圖片

然後叫佢開始檢查代碼

圖片

執行之後，輸出結果，都檢查到問題出嚟

點解咁做比起直接用Prompt更好

將OpenAI嘅Prompt遷移做Claude嘅本地技能，係一次能力嘅全面升級：

  1. 上下文感知（Context Awareness）以往你要手動複製貼上代碼俾AI，而家Claude直接「住」喺你嘅代碼庫入面。佢睇到你引用嘅庫、你嘅目錄結構甚至你啱啱寫嘅Bug。呢種上下文感知（Context Awareness）能力，令AI嘅回答由「通用嘅正確」變成「針對性嘅解決方案」。

  2. 被動觸發 vs 主動檢索你唔需要特登建立一個文檔嚟記錄嗰啲複雜嘅Prompt。喺終端入面，佢哋變成咗可執行嘅命令。你只需要表達意圖（例如review或gen-prd），其餘嘅交俾配置好嘅路徑去執行。呢個係將知識「代碼化」咗。

  3. 團隊對齊你可以將 .agent/skills 文件夾提交到Git倉庫。即係你嘅團隊成員喺Check out代碼之後，即刻擁有一致嘅Prompt工程能力——所有人嘅Code Review標準同PRD格式瞬間統一。


早前 OpenAI 官方發佈了一堆給企業級用戶的 Use Cases（用例），分門別類地列好了給產品經理怎麼寫 Prompt，給工程師怎麼寫 Code Review 提示詞。

圖片

想起以前還需要到處找 Prompt，到處學習 Prompt 應該怎麼寫，還需要找些筆記軟件來分門別類記錄下來，每次用的時候還需要找回來，複製粘貼。

在 ChatGPT 網頁版中，我們的工作流通常是：

複製 Prompt -> 切換窗口 -> 粘貼代碼上下文 -> 等待生成 -> 複製回 IDE

然後我在想，現在 Skills 技能這麼強大，能不能拿過來用用呢。通過將 Prompt 封裝為 Skill，那麼我們的工作流就變為了：

用戶在 IDE 鍵入模糊意圖 -> Agent 自動識別場景 -> 調用封裝好的 Prompt -> 讀取當前代碼 -> 直接生成結果

從 Prompt 到 Skill

在轉換之前，我們需要理解兩者的結構差異：

  • OpenAI Prompt: 通常是一段文本，包含背景（Context）、任務（Task）和輸出要求（Output）。用戶需要每次手動複製粘貼給 ChatGPT。

  • Agent Skill: 是一個文件夾（通常包含 SKILL.md），它將 Prompt 包裝了元數據（YAML Frontmatter）。Agent 會根據用戶的模糊意圖（Intent）自動檢索並加載這個 Prompt。

Skill 模板

一般 SKILL.md 模板的格式內容大致如下：

---
name: <技能名稱，如 generate-prd>
description: <一句話描述，如：為新功能撰寫產品需求文檔 (PRD)>
---

# <技能標題>

## When to use this skill
- <描述觸發場景1，例如：當用戶要求寫 PRD 時>
- <描述觸發場景2，例如：當用戶提供了功能想法但需要文檔化時>

## Instructions
<這裏粘貼 OpenAI 的 Prompt 內容>
- Context: ...
- Task: ...
- Output Format: ...

## Input Variables
- <變量1>: <描述>

所以我們要做的事情就相當於做一層轉換 YAML 元數據 (定義何時使用) + OpenAI Prompt 內容 (定義怎麼做)

實戰轉換示例

我們從 OpenAI Academy 的資源中挑選幾個典型用例來進行轉換。

產品經理用例 (Product)

原始 OpenAI Prompt ：

Based on this feature idea and customer need, write a first-draft PRD. Include user story, problem statement, solution overview, acceptance criteria, and success metrics. [Insert context or problem]

那麼轉換後的 SKILL.md 大概是這樣的：

---
name: product-draft-prd
description: Draft a comprehensive Product Requirements Document (PRD) from a feature idea.
---

# Product Requirements Document Generator

## When to use this skill
- When the user asks to write a PRD or spec for a feature.
- When the user provides a rough feature idea and needs a structured document.
- When asking to "flesh out" a product concept.

## Instructions
You are an expert Product Manager. Your goal is to draft a PRD based on the user's input.

1.  **Analyze the Request**: Identify the core feature, target audience, and business goal from the user's prompt.
2.  **Draft the Content**: Generate a response following this strict structure:
    *   **Problem Statement**: What are we solving?
    *   **User Stories**: As a [user], I want to [action], so that [benefit].
    *   **Acceptance Criteria**: Gherkin syntax (Given/When/Then) or bullet points.
    *   **Technical Constraints**: Potential limitations or requirements (ask if unknown).
    *   **Success Metrics**: How will we measure success?

3.  **Refinement**: If the user's input is too vague, ask clarifying questions before generating the full doc.

Claude Code 使用 Skills

然後我們嘗試一下在 Claude Code 中來使用這份 Skill，然後將它命名為 product-draft-prd，並保存在項目中 .claude/skills/product-draft-prd/SKILL.md，這樣就僅此項目能使用。

啓動 Claude Code 工具，輸入 / 就能夠看到剛才創建的 product-draft-prd 技能

圖片
幫我寫一份關於‘AI 自動剪輯短視頻’功能的 PRD
圖片

可以看到會自動觸發到我們新增的 Skill

圖片

最終就會展示出這份 PRD 文檔內容

圖片

它將根據我們定義的文檔內容，一步步給我們做分析

圖片

如果還有其他的不清楚的內容，還可以繼續跟它溝通

圖片

沒問題的話，我們就可以保存到本地

圖片

更自動的轉換為 Skills

如果由我們自己來做這個轉換，畢竟是有點難度，這種事情當然是要讓 AI 幫我們處理，例如之前介紹過的，Anthropics 有一個叫 skill-creator 的技能，我們讓它幫我們做這個轉換工作。

倉庫地址

https://github.com/anthropics/skills/tree/main/skills/skill-creator

我們使用一段工程師用例，嘗試這個轉換：

Explain this code snippet to a junior engineer, point out potential bugs, and suggest a refactor for better performance.
圖片

將上面的技能放到 skills 目錄下，然後啓用這個技能

圖片

然後將技能名稱和 Prompt 提示詞發給它，它就會給我們分析這個需求，並且會提出一些問題，它這邊會按照三個維度（使用場景、編程語言、審查重點），我們按照實際情況做出選擇即可

圖片

我這邊就是無腦全部勾上了

圖片

處理完以後，就能夠在 .claude/skills/ 裏面看到生成了一個新的 eng-code-review 目錄，這個就是我們剛才創建的新 Skill

圖片

在 SKILL.md 文檔裏面，詳細的記錄了這個技能的內容

圖片

重新進去以後，就能夠看到這個新的技能。然後我在目錄裏面隨便寫了一個 python 函數的腳本，讓這個技能去幫我看看這裏面的問題。

def process_data(l):
    # 保存去重後的用戶
    res = []
    for u in l:
        # 糟糕的去重邏輯：每次循環都遍歷一遍 res，性能災難
        if u['id'] not in [x['id'] for x in res]:
            res.append(u)

    total = 0
    count = 0
    for u in res:
        if u['active'] == True:
            total += u['age']
            count += 1

    # 致命 Bug：如果 count 為 0，這裏會報錯 (ZeroDivisionError)
    return total / count

代碼槽點：

  1. 性能極差：在循環裏用了列表推導式做成員檢查，導致複雜度變成O(N^2)
  2. 潛在 Bug：沒有處理空列表（會導致除以零錯誤）。
  3. 健壯性差：假設所有字典都有 keys，且沒有類型檢查（如果 age 是字符串會報錯）。
  4. 命名糟糕：變量名 l, u, x 毫無意義。
圖片

然後讓它開始檢查代碼

圖片

執行後，輸出結果，都能檢查出問題來了

為什麼這樣做比直接用 Prompt 更好

將 OpenAI 的 Prompt 遷移為 Claude 的本地技能，是一次能力的全面升級：

  1. 上下文感知 (Context Awareness)： 以往你需要手動複製粘貼代碼給 AI，現在 Claude 直接“住”在你的代碼庫裏。它能看見你引用的庫、你的目錄結構甚至你剛寫的 Bug。這種上下文感知 (Context Awareness) 能力，讓 AI 的回答從“通用的正確”變成了“針對性的解決方案”。

  2. 被動觸發 vs 主動檢索： 你不需要專門建立一個文檔來記錄那些複雜的 Prompt。在終端裏，它們變成了可執行的命令。你只需要表達意圖（比如 review 或 gen-prd），剩下的交給配置好的路徑去執行。這是把知識“代碼化”了。

  3. 團隊對齊： 你可以將 .agent/skills 文件夾提交到 Git 倉庫。這意味着你的團隊成員在 Check out 代碼後，立刻擁有了一致的 Prompt 工程能力——所有人的 Code Review 標準和 PRD 格式瞬間統一