今天是 Day 20，筆者要來介紹 GitHub Copilot 裡面的 Skill。簡單講，就是把平常一直重複貼上的 Prompt，整理成一個可重複使用的技能，讓 Agent 在適合的情境自己拿來用，不用每次都重新跟 AI 交代一長串規則。

🤖 什麼是 GitHub Copilot Skill？

先把 Skill 想成一個「Prompt 的封裝盒」。平常我們可能會寫一段很長的指令，要求 Copilot 進行重構、保留原本行為、執行檢查、整理修改前後差異，最後再產生一份報告。這些規則如果每次都重新貼，手會痠、眼睛會花，Skill 的目的，就是把這些固定方法整理成一個可重複使用的能力。

📁 Skill 放在哪裡？資料夾位置很重要
在 GitHub Copilot 專案裡建立 Skill 時，筆者會看到它產生在類似以下的結構中：

.github/
└── skills/
└── refactor/
└── SKILL.md

refactor 是 Skill 的名稱，而真正描述技能內容的檔案就是 SKILL.md。未來 Agent 要判斷是否使用這個技能，就會依照這個名稱與檔案內容來處理。除了專案內的 .github/skills，也可以使用其他支援的 Skill 位置，例如 Agent 相關的目錄，或個人使用的 ~/.copilot/skills/。

🗂️ 筆者的放置建議
團隊共用：放在 Repository 裡，例如 .github/skills//SKILL.md。
個人習慣：可以放在個人 Copilot Skill 目錄，避免污染每一個專案。
跨工具協作：優先採用大家比較容易辨識的 Agent / Skills 慣例這樣Codex或是Claude Code 可以呼叫.agent/skills//SKILL.md。

⚖️ Slash Command 和 Skill，到底差在哪裡？
這裡是筆者覺得最容易搞混的地方。Slash Command 和 Skill 都可以把一段固定 Prompt 重複使用，但觸發方式不同。

🔵 Slash Command：使用者主動下令
Slash Command 比較像傳統的手動操作，使用者輸入特定命令，要求 Copilot 執行一件事，例如：
它適合「我現在就要你做這件事」的情境，觸發明確、控制感比較強。

🟣 Skill：Agent 可以依情境使用
Skill 則比較像一個可重複使用的專業能力。Agent 讀到任務內容後，如果判斷符合 Skill 的使用條件，就可能把這個 Skill 納入工作流程。

例如我們把「不改變行為的安全重構」整理成 refactor Skill，之後 Agent 處理相關需求時，就可以依照 Skill 中的規則來執行，而不是臨時憑感覺亂改。

隨著 Skill 逐漸變成大家共同採用的通則，很多原本只為了重複 Prompt 而建立的 Slash Command，可能會被 Skill 取代。不是說 Slash Command 馬上消失，而是如果現在要重新設計一套可重複流程，筆者會優先考慮 Skill。

🛠️ 實作：建立一個 Refactor Skill
接著進入實作。筆者沒有手動從零開始建立資料夾，而是先請 GitHub Copilot 協助建立 Skill，指定要做一個和 Refactor 有關的技能。

Copilot 會建立 Skill 的資料夾與 SKILL.md。檔案產生後，在 Skill 裡補上一段要求，讓它完成工作後：

產生一份 Refactor Report。
摘要這次做了哪些修改。
列出修改前與修改後的差異。
將報告存成指定的 Markdown 檔案，Report_Refactor.md。
為什麼要多做這一步？因為這份報告不只是給人看的，也是筆者用來驗證 Skill 是否真的被呼叫的「證據」。

🔍 不要只聽 AI 說有做，要留下證據
這裡是筆者特別想提醒大家的坑。當筆者要求 Copilot 執行 Refactor 時，如果只說「請使用 refactor Skill」，模型有可能直接自己完成一份重構，卻沒有真正讀取我們建立的 SKILL.md。

這種狀況最麻煩的是，結果可能看起來還不錯，聊天視窗也可能回覆「已完成 Skill」，但實際上它只是自己做了一套 ad-hoc refactor。表面上有像，內裡不一樣，這就是 AI 版的魚目混珠 😅

✅ 筆者用來驗證 Skill 的方法
在 SKILL.md 裡加入一個明確且可驗證的輸出要求。
例如要求建立 Report_Refactor.md。
在任務描述裡明確要求「完成後請呼叫 refactor Skill」。
執行後確認報告是否真的產生，以及內容是否符合 Skill 的規範。
檢查修改內容、檔案差異與驗證結果，不要只看 Copilot 的摘要。
這個方法實務上非常實用。凡走過必留下痕跡，Skill 也一樣；沒有輸出、沒有 log、沒有可檢查的結果，就很難證明它到底有沒有走過那條流程。

🚧 實作踩坑：模型沒有真的呼叫 Skill
筆者第一次測試時，使用的模型似乎沒有正確呼叫到指定的 Skill。當下的感覺就是：「嗯？怎麼跟預期不太一樣？」原本以為 Prompt 已經寫得很清楚，結果模型還是用自己的方式處理。

第二次測試時，筆者改用另一個模型與模式重新執行，這次就比較接近預期。Copilot 會依照 Skill 裡面的規則處理，並且產生指定的修改結果與報告。

更多實作細節，請參考完整版影片囉

📝 本日結論
這次 Day 20 的重點，不只是建立一個 SKILL.md，而是理解 Skill 的定位：它不是單純的快捷鍵，而是可以被 Agent 使用的可重複能力。如果只是偶爾手動下命令，Slash Command 已經很好用；但如果是團隊長期會重複執行的工作流程，Skill 會更適合。

筆者這次也再次體會到，AI 工具最怕的不是它不會做，而是它看起來會做、實際上卻偷偷換了一套做法。所以該加驗證一定要加