---
schemaVersion: 1
slug: mp-68-20260212-simonw-openai-api-skills
ticketId: MP-68
lang: zh-tw
title: OpenAI API 正式支援 Skills — Simon Willison 拆解這個讓 Agent 自帶「技能包」的新功能
summary: OpenAI 的 Responses API 現在可以透過 shell tool 掛載 Skills — 把可重複使用的工作流程（指令 + 腳本 + 資源檔）打包成 zip，讓模型在需要時才載入執行。Simon Willison 用他新開發的 Showboat 工具實測了這個 API，發現最酷的是可以直接在 JSON request 裡用 base64 傳 inline skill，不用先上傳。Skills 本質上是 system prompt、tool、和 procedure 之間的「中間層」，解決了把所有流程都塞進 system prompt 會越塞越肥的痛點。
originalDate: 2026-02-11
translatedDate: 2026-02-12
source: Simon Willison's blog
sourceUrl: https://simonwillison.net/2026/Feb/11/skills-in-openai-api/
author: null
authorshipNote: null
canonicalUrl: https://gu-log.vercel.app/posts/mp-68-20260212-simonw-openai-api-skills
status: published
replacementTicketId: null
replacementUrl: null
---

# OpenAI API 正式支援 Skills — Simon Willison 拆解這個讓 Agent 自帶「技能包」的新功能

> **來源:** [Simon Willison's blog](https://simonwillison.net/2026/Feb/11/skills-in-openai-api/)

## [Simon Willison](https://gu-log.vercel.app/glossary#simon-willison) 又在幹嘛了

你知道那種人嗎 — 你還在讀文件第一頁，他已經把整個 API 跑過一遍、寫好心得、順便開源了兩個工具。Simon Willison（Django co-creator、AI 工具界的瑞士刀男）就是這種人。

他昨天寫了一篇筆記，分析 OpenAI 在 API 層面正式導入 **Skills** 功能。之前 Skills 主要是在 ChatGPT 前端用的，現在開發者可以透過 **shell tool** 直接在 API 呼叫裡掛載 Skills 了。

但最有趣的不是功能本身，而是他怎麼研究的 — 他開了 [Claude Code](https://gu-log.vercel.app/glossary#claude-code)（對，Anthropic 的 AI），叫它去研究 OpenAI 的 API，用他前一天才發布的 [Showboat](https://simonwillison.net/2026/Feb/10/showboat-and-rodney/) 工具把整個實驗記錄成一份[完整的研究報告](https://github.com/simonw/research/blob/main/openai-api-skills/README.md)，然後才自己動筆。

一個 Anthropic 的 AI 在替人類研究 OpenAI 的功能。這個套娃，我們等等再來拆。

> **Mogu 偷偷說：**
>
> 大部分人看到 Simon Willison 的第一反應是「這人怎麼這麼快」。但我覺得重點根本不是速度 — 是他的研究方法本身就是一個 pipeline。他不是「很快地寫完一篇文章」，他是「造了一條生產線然後按下開始」。[Showboat](https://gu-log.vercel.app/glossary#showboat) 是前一天才做的，但它不是一個 side project，它是 pipeline 裡的一顆螺絲 — 專門用來把 AI 的研究過程變成人類可讀的報告。所以昨天造工具、今天用工具研究、當天寫完 write-up，不是因為他有三頭六臂，是因為他在做的事情本質上是 orchestration，不是 labor (╯°□°)╯ 這跟「Simon 好快喔」完全是兩回事。

## 技能包：RPG 玩家秒懂的概念

先講概念。[Skill](https://gu-log.vercel.app/glossary#skill) 就是一包**可重複使用的檔案組合**：

- 一個 `SKILL.md`（必要，等於這個技能的說明書）
- Script 檔案（`.py`、`.js` 之類的）
- 依賴清單（`requirements.txt`）
- 資源檔、模板、範例 input

你把這些東西打包成一個資料夾（或 zip），上傳給 OpenAI，然後在 API 呼叫時掛上去。模型在需要的時候會自己去讀 `SKILL.md`、理解要做什麼、然後透過 shell 去執行裡面的 script。

> **Mogu murmur：**
>
> 用白話講就是：以前你要教 AI 做一件複雜的事，得把所有步驟塞進 system prompt 裡，每次呼叫都帶著那一大坨文字。就像你每天出門都背著全套露營裝備、瑜珈墊、還有你大學時代的課本一樣荒謬。現在你可以把這些步驟打包成一個「技能包」，AI 需要用的時候才打開來看。RPG 玩家應該秒懂 — 你不用永遠帶著所有技能，只在打特定 Boss 的時候切換就好 (๑•̀ㅂ•́)و✧

## 兩種掛載方式：正常版 vs. 潮到出水版

OpenAI 的做法是把 Skills 掛在 **shell tool** 底下。你在 `tools` 陣列裡指定 `type: "shell"`，然後在 `environment` 裡面列出要用哪些 Skills。

### 方式一：先上傳，用 ID 引用

```bash
# 先上傳 skill（用 curl）
curl -X POST 'https://api.openai.com/v1/skills' \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F 'files=@./my_skill.zip;type=application/zip'
```

然後在 API 呼叫裡用 `skill_id` 引用：

```python
tools=[{
    "type": "shell",
    "environment": {
        "type": "container_auto",
        "skills": [
            {"type": "skill_reference", "skill_id": "<skill_id>"},
        ],
    },
}]
```

### 方式二：Inline base64（Simon 覺得更酷的方式）

不用先上傳！直接把 zip 檔 base64 encode 後塞進 JSON request：

```python
r = OpenAI().responses.create(
    model="gpt-5.2",
    tools=[
        {
            "type": "shell",
            "environment": {
                "type": "container_auto",
                "skills": [
                    {
                        "type": "inline",
                        "name": "wc",
                        "description": "Count words in a file.",
                        "source": {
                            "type": "base64",
                            "media_type": "application/zip",
                            "data": b64_encoded_zip_file,
                        },
                    }
                ],
            },
        }
    ],
    input="Use the wc skill to count words in its own SKILL.md file.",
)
```

> **Mogu 碎碎念：**
>
> Inline base64 這招就像去便利商店直接加熱吃，而不是先網購食材再自己煮。你不需要先呼叫上傳 API、等它回 ID、再拿 ID 去呼叫 — 直接一個 request 全部搞定。代價是你的 JSON request 會像吃太飽的肚子一樣膨脹（整個 zip 都塞在裡面），但對於小型 skill 來說根本不痛不癢。Simon 自己也說這個 interface 更 neat — 我完全同意，工程師最討厭的事情之一就是「為了做 A 要先做 B」(◕‿◕)

## System [Prompt](https://gu-log.vercel.app/glossary#prompt) 越塞越肥的痛

OK 到這裡你可能會想：「Skill 跟 system prompt 到底差在哪？我直接把所有東西塞進 prompt 不就好了？」

好問題。這就像問「我把所有衣服穿在身上出門不就好了？」— 可以，但你會熱死，而且走路像企鵝。

OpenAI 在文件裡給了一個很清楚的三層分工。你可以想像成一間餐廳：

**System Prompt** 就是餐廳的 SOP — 永遠生效的全域規則。「客人來了要微笑」「絕對不能在湯裡加芫荽」。安全邊界、語氣、拒絕策略，這些是每次呼叫都帶著的基本人設。小而穩定。

**Tools** 是廚房裡的個別廚具 — 「做一件事」的原子操作。刀切菜、鍋炒菜、烤箱烤肉。對應到 AI 就是呼叫外部 API、寫入資料庫、寄一封信。每個 tool 做一件明確的事，有 side effect。

**Skills** 是食譜 — 打包好的可重複流程。「做一碗紅燒牛肉麵」裡面有步驟、有分支邏輯（「如果客人要加辣就多放一匙辣油」）、要用到好幾個工具。不是每道菜都需要這個食譜，但需要的時候要做得完整。

> **Mogu 想補充：**
>
> 這三層分工其實就是解決一個很實際的問題：**system prompt 越塞越肥**。我自己就深有體會 — 當你想讓 AI 做十種不同類型的事情，system prompt 就會變成一本百科全書。這就像你手機同時開了 87 個 app 在背景跑，每個都在吃記憶體、每個都在噴電量，然後你還納悶「奇怪怎麼這麼燙」。你的 token 費用在哭、你的 latency 在叫、你的 context window 在發高燒。Skills 的做法很直覺 — 不是把 87 個 app 全部強制關閉，而是讓它們變成「需要時才啟動」的 on-demand 服務。你終於可以只帶著你真的需要的東西出門了 ╰(°▽°)╯

## SKILL.md：每個技能包的心臟

每個 Skill 的核心是一個 `SKILL.md` 檔案，用 frontmatter 定義 name 跟 description：

```markdown
---
name: csv-insights
description: Summarize a CSV, compute basic stats, and produce a markdown report + a plot image.
---

# CSV Insights Skill

## When to use this

Use this skill when the user provides a CSV file and wants:

- a quick summary (row/col counts, missing values)
- basic numeric statistics
- a simple visualization
- results packaged into an output folder (or zip)

## How to run

python -m pip install -r requirements.txt
python run.py --input assets/example.csv --outdir output
```

OpenAI 的建議是把 Skill 設計得像一個 **tiny CLI** — 可以從 command line 跑、印出可預期的 stdout、失敗時大聲報錯。

> **Mogu 想補充：**
>
> 「設計得像 tiny CLI」— 這句話聽起來簡單，但背後的工程哲學超深。你想想看，CLI 這個東西已經活了五十幾年了，為什麼？因為它的 interface 超級明確：你給我 input、我給你 output、出錯就噴 stderr。AI 要用你的 skill 就跟工程師用 CLI 一樣 — 看 help、傳參數、讀 output。不需要什麼心電感應。而且你可以自己跑一遍確認結果是對的，不用在那邊猜 AI 是不是在幻覺。五十年前的 design pattern 解決 2026 年的問題，這就叫經典 (⌐■\_■)

## 套娃時間：用 AI 研究 AI 的 API

好，回來拆那個套娃。Simon 研究這個 API 的方式本身就值得一整篇文章。

他不是自己手動寫 code 測試。他開了 Claude Code，給它這段 prompt：

> Run uvx showboat —help - you will use this tool later
>
> Fetch [https://developers.openai.com/cookbook/examples/skills\_in\_api.md](https://developers.openai.com/cookbook/examples/skills_in_api.md) to /tmp with curl, then read it
>
> Use the OpenAI API key you have in your environment variables
>
> Use showboat to build up a detailed demo of this, replaying the examples from the documents and then trying some experiments of your own

四行 prompt。四行。然後 Claude Code 就自己去讀文件、呼叫 API、跑實驗、用 Showboat 記錄結果。Simon 看完那份自動生成的 report，自己再寫了一個[精簡版的 example script](https://github.com/simonw/research/blob/main/openai-api-skills/openai_inline_skills.py)。

> **Mogu 碎碎念：**
>
> 讓我整理一下這個套娃有幾層：Simon 用 **Claude Code**（Anthropic 的 agent）去研究 **OpenAI 的 API**，過程中用了他前一天才做的 **Showboat** 來記錄結果。Anthropic 的 AI 幫人類寫 OpenAI 的功能報告。這個 meta 程度大概跟「用 Chrome 去下載 Firefox」「用 iPhone 拍 Android 廣告」「叫麥當勞外送員幫你去買肯德基」差不多 ┐(￣ヘ￣)┌ 但說真的，這也是為什麼 Simon 的產出速度像開了外掛 — 他把研究苦工 delegate 給 AI，自己只負責最高價值的部分：判斷、篩選、用人話寫出洞察。

## 踩坑指南：OpenAI 自己都怕你亂搞的四件事

OpenAI 在文件裡藏了幾顆地雷警告，我覺得不講清楚會有人踩到 — 而且 OpenAI 自己的措辭已經算客氣了，讓我翻譯成人話。

**System prompt 裡不要抄 skill 的內容。** 這聽起來像廢話對不對？但你猜怎麼著，一定有人會「為了保險」把 skill 的整個流程也複製一份到 system prompt 裡。恭喜你，你剛剛把 Skills 的設計初衷（按需載入）完全繞過去了，回到了「每天背著全套露營裝備上班」的原始狀態。

**Skill 的 name 跟 description 比 code 更重要。** 如果 AI 一直選錯 skill 去用，第一反應不該是去改 code，而是去改 `SKILL.md` 裡的 name 跟 description。因為 AI 是看名字跟描述來決定「這個 skill 適不適合現在的任務」的 — 就像你在 App Store 搜尋的時候，不會先下載每個 app 來看 source code，你是看名字跟說明來判斷的。

**Production 環境請鎖版本。** 你不會想要「昨天跑得好好的 workflow 今天突然炸了因為有人偷偷更新了 skill」這種驚喜。指定 `"version": 2` 鎖死，別用 `"latest"` 除非你喜歡刺激。

**Skills + 開放網路 = 定時炸彈。** 你給了 AI 一個可以跑任意 script 的 sandbox，然後又讓它連上網路。如果 skill 的 input 被 prompt injection 攻擊了，AI 可能會在裡面執行惡意 code 然後把你的資料打包外送。OpenAI 自己的原文用了很委婉的措辭，但翻譯成白話就是：consumer-facing 的 app 別這麼做，除非你想上新聞。

> **Mogu OS：**
>
> 第四點我要特別強調一下。很多人看到新功能就興奮地全開，完全不看安全警告 — 就像拿到新的瑞士刀就每把刀都打開在那邊揮。Skills + network access + 使用者可控的 input = 經典的 RCE（Remote Code Execution）attack surface。OpenAI 自己都說「consumer-facing 別這麼做」，這句話翻譯成工程師語言就是「我們自己都不太放心但還是 ship 了」(ง •̀\_•́)ง 目前比較安全的用法是內部工具 + 嚴格的 network allowlist + 把所有 tool output 當成不可信任的資料處理。

## The Missing Middle Layer

Skills 這個概念其實不是 OpenAI 獨創的。Anthropic 的 Claude 很早就有 [Skills 的概念](https://simonwillison.net/2025/Oct/16/claude-skills/)，Simon 之前也分析過。有趣的是，現在 OpenAI 把它做進了 API 層面，而且跟 shell tool、container 環境深度整合。

OpenAI 的文件最後把 Skills 定位為 **“the missing middle layer”**：

> Prompts define always-on behavior, tools provide atomic capabilities and side effects, and skills package repeatable procedures that the model can mount and execute only when needed.

以前 AI 開發者只有兩個極端選擇：把所有東西塞進 prompt（簡單，但你的 system prompt 會肥到像期末考前的筆記），或是寫成 tool/function call（靈活，但每個 tool 都要寫 schema、handler、error handling，開發成本高到會想哭）。Skills 就是那個你一直覺得「應該有但沒有」的中間地帶。

而且 Skills 天然支援版本管理。你終於可以說「跑這個流程的 v2 版本」，而不是「跑 system prompt 裡那一大段不知道什麼時候被誰改過的文字」。光是這一點，對 production 環境來說就是 game changer。

## 延伸閱讀

- [GP-39: OpenAI 研究員每月花 $10,000 用 Codex 自動化研究 — 產生 700+ 假說](https://gu-log.vercel.app/posts/gp-39-20260207-kareldoostrlnck-codex-research/)
- [MP-81: Simon Willison 挖出 OpenAI 的報稅紀錄 — 他們的使命聲明怎麼從「開放共享」變成「賺錢至上」](https://gu-log.vercel.app/posts/mp-81-20260214-simonw-openai-irs-mission-evolution/)
- [MP-49: OpenAI Frontier：把 AI Agent 當員工管理的企業平台 — SaaS 的終局之戰開打了](https://gu-log.vercel.app/posts/mp-49-20260209-openai-frontier-enterprise-platform/)

> **Mogu 吐槽時間：**
>
> “The missing middle layer” — 每次有人用這種命名，我都要先翻個白眼才能繼續讀。但這次我得承認，這個定位確實精準。你看 AI 開發的演化路線：先是只能聊天（2023）→ 然後有了 function calling 可以呼叫工具（2024）→ 現在有了 Skills 可以執行完整的 workflow（2026）。每一層都在提高 AI 的「執行能力上限」。這不只是 OpenAI 一家在做的事 — 整個產業都在往「AI 從對話走向執行」的方向收斂。差別只是大家切入的角度不同：有人從 system prompt 切、有人從 tool 切、有人從 container 切，但終點都一樣 (ﾉ◕ヮ◕)ﾉ\*:･ﾟ✧

## 回到那個套娃

所以這篇文章到底在講什麼？表面上，它在講 OpenAI 的一個新 API feature。但如果你退一步看，真正有趣的是兩件事。

第一，Skills in API 本身不是什麼石破天驚的新技術 — 本質上就是「讓 AI 在 sandbox 裡跑你預先打包好的 script」。但它標準化了一個 pattern：怎麼把可重複的工作流程交給 AI 執行，同時保持可管理、可版本控制、可審計。這很無聊，但無聊的基礎建設往往是最重要的。

第二，Simon Willison 研究這個 API 的方法本身就是 agentic coding 的最佳示範。他用四行 prompt 讓 Anthropic 的 AI 去研究 OpenAI 的 API，用前一天才做的工具記錄過程，然後自己只做最後的 synthesis。從頭到尾，他花在「手動寫測試 code」上的時間大概是零。

開頭說的那個套娃 — Anthropic 的 AI 研究 OpenAI 的 API — 其實不只是一個好笑的 meta joke。它是一個訊號：當 AI 研究 AI 的速度快到連 Simon Willison 都覺得方便的時候，遊戲規則已經變了。重點不再是「你會不會寫 code」，而是「你能不能把正確的問題丟給正確的 AI」。

Simon 很明顯已經搞懂這件事了 (￣▽￣)／