菲菲ruby1. 项目概述：技能创建器的设计理念
在AI助手领域工作多年后，我发现一个关键问题：大多数组织都在重复"造轮子"。每当新成员加入或新项目启动时，那些经过验证的工作方法、领域知识和工具集成经验都需要从头开始积累。这促使我开发了skill-creator——一个能够自动生成技能的技能。
skill-creator的核心价值在于将个人能力转化为可复用的组织资产。想象一下，当团队中的任何成员发现某个工作流程特别高效时，他们可以立即将其封装成技能，供整个组织共享。这不仅解决了知识孤岛问题，更重要的是建立了一个持续进化的能力库。
这个项目的独特之处在于它的"自指"特性——我们用一个技能来创建其他技能。这种设计本身就展示了技能的模块化本质：每个技能都是独立的、可组合的，就像乐高积木一样能够构建出无限可能。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技能架构解析
2.1 技能的核心组件
一个完整的技能包含三个关键部分：
-
元数据层：相当于技能的"身份证"，包含：
- name：简洁准确的技能名称（如"pdf-editor"）
- description：50-100字的功能描述，这是Claude判断是否调用该技能的唯一依据
-
执行逻辑层（SKILL.md）：
- 采用Markdown格式编写
- 只包含Claude执行任务所需的必要信息
- 严格遵循"最少必要知识"原则
-
资源层：
- scripts/：可执行代码（Python/Bash等）
- references/：参考文档（按需加载）
- assets/：输出模板/素材
关键设计原则：SKILL.md文件必须控制在500行以内。超过这个限制时，应该将内容拆分到references/目录下的独立文件中。
2.2 自由度的艺术
技能设计中最精妙的部分在于自由度的把控。根据任务特性，我们采用三级控制：
-
高自由度（文本指令）：
- 适用场景：创意写作、开放式问题解答
- 示例："请用专业但友好的语气回复这封客户邮件"
-
中等自由度（带参数的伪代码）：
- 适用场景：数据分析、报告生成
- 示例："使用柱状图展示{{metric}}在过去{{n}}个月的趋势"
-
低自由度（具体脚本）：
- 适用场景：敏感操作、标准化流程
- 示例："执行scripts/rotate_pdf.py --file=input.pdf --degrees=90"
这种分级控制确保了技能既保持灵活性，又在关键环节提供足够的约束。
3. 技能创建全流程
3.1 从具体用例开始
创建有效技能的第一步永远是收集真实用例。以开发"财务报告生成"技能为例：
- 访谈财务团队成员，记录他们最常处理的5种报告类型
- 收集实际的报告样本（去除敏感信息）
- 分析制作每种报告所需的：
- 数据来源
- 处理步骤
- 格式要求
- 常见问题
这个阶段产出的是用例文档，而非技能本身。但跳过这一步的技能往往缺乏实用性。
3.2 资源规划矩阵
基于用例分析，我们需要构建资源规划矩阵：
| 资源类型 | pdf-report技能示例 | web-scraper技能示例 |
|---|---|---|
| scripts | generate_pdf.py | scrape_news.py |
| references | accounting_standards.md | website_structure.json |
| assets | company_template.docx | output_schema.xml |
这个矩阵确保每个技能都包含必要的资源，同时避免过度设计。我建议团队为新技能创建至少3个真实用例的矩阵后再开始编码。
3.3 初始化与实现
使用init_skill.py初始化项目后，重点转向SKILL.md的编写。这里有几个关键技巧：
-
描述字段要包含：
- 核心功能
- 典型触发场景
- 排除场景（何时不应使用）
-
操作说明采用"动作-目的"格式：
- "使用scripts/merge.py合并CSV文件 → 确保数据完整性"
- "参考style_guide.md检查格式 → 符合品牌规范"
-
错误处理部分要包含：
- 常见错误代码
- 诊断方法
- 恢复步骤
4. 高级设计模式
4.1 渐进式加载系统
skill-creator实现了三级加载机制：
- 元数据常驻（~100 tokens）
- SKILL.md按需加载（<5k tokens）
- 资源延迟加载（执行时才调用）
这种设计使得一个包含数十个脚本的大型技能（如全栈开发套件）也能高效运行，因为只有当前任务需要的部分才会占用宝贵的上下文空间。
4.2 技能组合模式
真正强大的场景是技能组合。例如：
- 将"数据清洗"+"可视化"+"报告生成"三个技能串联
- 通过在description字段中添加"Compatible with: visualization-suite"建立技能关联
我们可以在SKILL.md中添加"协同技能"章节，说明与其他技能配合使用的最佳实践。
5. 避坑指南
5.1 常见反模式
-
文档膨胀：
- 错误做法：在SKILL.md中包含安装指南、变更日志
- 正确做法：这些应放在外部文档库中
-
过度具体化：
- 错误示例：写死API密钥格式
- 正确做法：使用{{api_key}}占位符
-
假设环境：
- 错误示例："运行python script.py"
- 正确示例："在Python 3.8+环境执行scripts/process.py"
5.2 性能优化技巧
-
Token节省策略：
- 用缩写代替长名称（但确保可读性）
- 用表格替代段落描述参数
- 删除所有非必要的示例
-
缓存机制：
- 对频繁使用的reference文件添加hash校验
- 实现智能缓存失效策略
-
懒加载设计：
- 将大型资源拆分为按需加载的模块
- 为脚本添加--help参数减少文档需求
6. 技能评估框架
开发完成后，使用以下检查清单验证技能质量：
-
实用性（权重40%）：
- 是否解决真实痛点？
- 能否处理边缘情况？
-
效率（权重30%）：
- Token使用是否高效？
- 加载时间是否可控？
-
可维护性（权重20%）：
- 结构是否清晰？
- 是否易于更新？
-
可组合性（权重10%）：
- 能否与其他技能协同？
- 接口是否明确？
根据我们的实践，得分≥80分的技能在实际使用中表现最佳。建议团队建立定期的技能健康度评估机制。
7. 迭代与进化
技能创建只是开始。我们建立了以下迭代机制：
-
使用分析：
- 记录技能调用频率
- 跟踪完成率/错误率
-
反馈循环：
- 收集用户评分
- 分析修改建议
-
版本控制：
- 使用语义化版本号
- 维护变更日志（外部）
例如，我们的docx技能已经迭代了7个版本，处理速度提升了3倍，同时token消耗降低了40%。这种持续优化才是技能真正产生长期价值的关键。