Agent Skills從入門到精通 Skill創建,應用與優化的方法和技巧

前言

第一分　入門與準備

第1章　Skill解決什麼問題：覆讀成本、盲盒輸出與金魚記憶的

　　　　系統解法　 2

1.1　三個讓AI用戶抓狂的痛點：覆讀成本、盲盒輸出、金魚記憶　 3

1.2　Skill是什麼　 4

1.3　Skill的組成：一個指令背後的三層結構　 5

1.3.1　構成Skill的四要素　 5

1.3.2　三級漸進式披露：非要不加載　 6

1.4　Skill能實現四件傳統方式無法完成的事　 8

1.4.1　一個指令串聯多個工具　 8

1.4.2　外掛知識庫突破記憶限制　 9

1.4.3　多模態處理越純聊天功能　 9

1.4.4　狀態管理確覆雜任務不出錯　 10

1.5　提示工程與 Skill工程化：為什麼需要從小作坊升級到流水線　 10

1.5.1　提示工程是手工作坊　 10

1.5.2　Skill工程化是工廠流水線　 11

1.5.3　從提示工程向Skill工程化轉變的本質是什麼　 11

1.6　兩個文件別搞混：CLAUDE.md管項目，SKILL.md管任務　 13

1.6.1　CLAUDE.md：項目級別的背景說明書　 13

1.6.2　SKILL.md：具體任務的執行手冊　 14

1.7　常見問題排查　 14

1.8　思考題　 15

第2章　創建和使用Skill的準備工作與模型選擇　 16

2.1　工具推薦：根據技術背景選擇合適起點　 17

2.2　工具安裝　 20

2.2.1　Claude Code for VS Code安裝　 21

2.2.2　Trae 安裝　 24

2.2.3　Cursor 安裝　 27

2.2.4　三個工具的Skill目錄路徑對比　 29

2.3　國內用戶接入方案：以MiniMax Coding Plan為例的完整配置步驟　 30

2.3.1　準備工作：註冊MiniMax賬號，購買MiniMax Coding Plan套餐　 30

2.3.2　詳細配置：以MiniMax Coding Plan為例　 31

2.3.3　其他廠商Coding Plan / API接入的處理原則　 41

2.3.4　兩種方案怎麼選　 41

2.4　模型怎麼選：主流模型橫向對比與“一條夠用”的選型原則　 41

2.4.1　選購建議：好的模型幫你去返工的麻煩　 42

2.4.2　主流模型多維度橫向對比　 42

2.5　規則　 45

2.6　常見問題排查　 46

2.7　思考題　 47

第3章　輸入、處理、輸出：用流水線思維設計穩定產出的Skill　 48

3.1　流水線思維：輸入是原料，處理是工序，輸出是驗收標準　 49

3.2　寫好輸入：三要素讓AI明確任務方向　 50

3.2.1　什麼是AI Slop　 50

3.2.2　好輸入的三要素　 51

3.2.3　description字段：別讓Skill“上錯場”　 52

3.3　拆好步驟：三步法將大任務分解為清晰工序　 53

3.3.1　拆解三步法　 53

3.3.2　順序工作流編排　 54

3.4　定好輸出：輸出規範三件套讓結果有標準可查　 56

3.4.1　輸出規範三件套　 56

3.4.2　驗收清單模板　 57

3.5　常見問題排查　 58

3.6　思考題　 59

第二分　從零創建Skill

第4章　六步創建第一個Skill：從真實痛點到可覆用工具的完整流程　 62

4.1　選對場景：什麼樣的工作值得做成Skill　 63

4.1.1　痛點：重覆整理的高成本　 63

4.1.2　驗收標準與預期體驗　 63

4.2　短路徑：一個文件夾+一個SKILL.md就夠了　 64

4.2.1　編寫文件　 64

4.2.2　六步作流程　 65

4.2.3　SKILL.md的結構解析　 66

4.3　運行不通怎麼辦：三個檢查點　 67

4.3.1　先把問題寫清楚　 67

4.3.2　三個常見的檢查點　 68

4.4　從能用到好用：三個問題化你的Skill　 69

4.4.1　三個問題，從能用到好用　 69

4.4.2　什麼時候該把一件事做成Skill　 69

4.5　固化版本：止“改一次壞一次”的記錄方法　 70

4.5.1　為什麼需要版本管理　 70

4.5.2　什麼是固化　 71

4.6　六步創建法覆盤：一張流程圖記住完整步驟　 71

4.7　元Skill捷徑：用Skill生成Skill　 72

4.7.1　什麼是元Skill　 72

4.7.2　skill-creator：Anthropic元Skill　 73

4.7.3　Create模式：使用方法　 73

4.8　常見問題排查　 74

4.9　思考題　 75

第5章　邊界、模塊與接口：讓Skill從“只有我能用”變為團隊

　　　　可覆用工具　 76

5.1　Skill失控的根因：隱性認知未寫入SKILL.md　 77

5.2　用邊界障穩定性：明確Skill的作範圍　 78

5.2.1　固定區與變量區　 78

5.2.2　allowed-tools：不只是，更是可預測性　 78

5.2.3　何時需要添加限制　 79

5.2.4　不同類型Skill的邊界劃分　 80

5.3　模塊化拆分：一個Skill只做一件事，覆雜任務靠串聯　 81

5.3.1　一個Skill只做一件事　 81

5.3.2　串聯：用簡單Skill組合出覆雜工作流　 81

5.3.3　何時該拆分，何時不該拆分　 82

5.4　接口先行：先定義輸入與輸出，再編寫處理邏輯　 83

5.4.1　寫接口，就是一次假設清查　 83

5.4.2　接口模糊，下遊受連鎖影響　 84

5.4.3　接口減少溝通成本　 85

5.5　SKILL.md文檔：把設計決策寫進去　 85

5.5.1　別另寫README：兩份文檔遲早不同步　 86

5.5.2　references文件夾：細節按需查閱　 86

5.6　變量的正確用法：靈活且不失控的配置參數設計　 87

5.6.1　變量讓Skill適應不同場景　 87

5.6.2　變量的陷阱：用多了反而難用　 88

5.7　避坑指南：警惕Skill的過度設計　 89

5.8　常見問題排查　 90

5.9　思考題　 91

第6章　能抄不寫：借助ClawHub社區與GitHub倉庫快速擴展

　　　　你的Skill庫　 93

6.1　能抄不寫原則：為何先尋找現成資源而非自行開發　 94

6.2　兩條路徑的選擇：ClawHub社區直裝與自行改造GitHub項目　 94

6.2.1　先選路徑，再動手　 94

6.2.2　ClawHub：一行命令安裝社區技能　 95

6.2.3　完整走一遍：五分鐘裝好一個周報匯總Skill　 96

6.3　覆用的邊界：四種情況下不該直接抄　 97

6.4　四看原則：改造GitHub倉庫的四個評估維度　 98

6.4.1　四個評估維度　 98

6.4.2　讓AI幫你評估　 99

6.5　讓AI幫你讀倉庫：四塊核心信息與提示詞模板　 100

6.5.1　四塊核心信息　 100

6.5.2　四塊核心信息對應的提示詞模板　 100

6.6　改造為Skill：通過Claude Code完成的完整案例　 101

6.6.1　一步到位：將提交給Claude Code　 101

6.6.2　完整案例：RSS監控腳本　 102

6.7　覆用前看的四類風險　 104

6.8　常見問題排查　 105

6.9　思考題　 106

第三分　穩定與系統化

第7章　測試、觸發診斷與失敗樣例庫：建立讓Skill穩定運行的機制　 108

7.1　先定成功標準：量化指標與質量指標缺一不可　 109

7.1.1　量化指標：三件可量化的測試項　 109

7.1.2　質量指標：兩件需主觀判斷的關鍵項　 110

7.1.3　基準測試：先測“無Skill”的基礎水平　 110

7.2　三種測試方式：手工測試、腳本化測試、程序化測試怎麼選　 111

7.2.1　手工測試：快速便捷，無須準備　 111

7.2.2　腳本化測試：穩定可靠，可重覆執行　 111

7.2.3　程序化測試：工具大幅降低門檻　 112

7.3　觸發診斷：Skill該響不響或亂響的排查方法　 113

7.3.1　觸發太少：五個信號　 113

7.3.2　觸發太多：四個信號　 114

7.4　用Given/When/Then撰寫測試用例，改一處測一處　 115

7.4.1　測試用例寫法：Given/When/Then　 115

7.4.2　臟數據測試：測試用例過於理想化是核心問題　 116

7.4.3　哪些內容須人工審核，哪些可自動化處理　 116

7.4.4　回歸原則：改一處測一處　 118

7.4.5　Benchmark回歸檢測：模型升級後告別“憑感覺判斷”　 118

7.5　失敗樣例庫：記錄每次失敗，讓Skill越改越穩定　 119

7.5.1　失敗樣例的結構與存放位置　 119

7.5.2　一個真實的失敗樣例　 120

7.5.3　失敗樣例庫每月覆盤一次，30分鐘可完成　 121

7.6　MEMORY.md：跨會話存經驗，讓AI具備長期記憶　 121

7.6.1　MEMORY.md：跨會話的經驗倉庫　 121

7.6.2　質與劣質的MEMORY.md條目　 122

7.6.3　MEMORY.md的清理時機　 122

7.6.4　版本變更記錄：給未來的自己留條路　 123

7.7　常見問題排查　 123

7.8　思考題　 124

第8章　采集、加工、交付：將零散Skill串聯為自動化工作流　 126

8.1　三段式框架：采集、加工、交付是所有工作流的核心骨架　 127

8.2　從交付倒推：先定點再選工具　 128

8.2.1　常見誤區：工具先行　 128

8.2.2　正確順序：從交付倒推　 129

8.3　帕累托法則：先將耗時的20%重覆任務封裝為Skill　 129

8.3.1　先級矩陣：三維評分　 130

8.3.2　奧卡姆剃刀：想加內容之前，先問一句“不加行不行”　 131

8.4　三個驗收指標：如何判斷工作流已經搭好了　 131

8.4.1　觸發率、完成輪次和說法一性　 132

8.4.2　指標沒通過，查這三個地方　 132

8.5　實戰：周報自動化工作流的完整搭建過程　 133

8.5.1　步驟一：數據摘要 Skill　 134

8.5.2　步驟二：初稿生成Skill　 135

8.5.3　步驟三：格式校驗Skill　 136

8.5.4　步驟四：人工微調與發送　 137

8.5.5　疊代型：何時需要反覆運行　 138

8.5.6　多服務協調型：多路數據各自獨立運行，在末端進行匯總　 140

8.5.7　封裝為一個Skill還是拆成多個Skill　 142

8.6　Skill之間如何傳數據：傳遞模式、邊界標記與呆檢查　 143

8.6.1　兩種傳遞模式　 143

8.6.2　邊界標記：讓機器準定位內容　 144

8.6.3　呆檢查：攔截錯誤輸入　 144

8.7　不適合轉化為工作流的工作　 144

8.8　常見問題排查　 145

8.9　思考題　 147

第四分　場景應用與進

第9章　內容生產全鏈路自動化：總控Skill調度六個子Skill的

　　　　完整系統　 150

9.1　系統全景：總控Skill與六個子Skill的分工設計　 151

9.2　總控Skill：一鍵啟動全內容流水線　 154

9.2.1　為什麼需要總控Skill　 154

9.2.2　兩種觸發模式　 155

9.2.3　總控Skill的設計　 155

9.3　選題從X平臺開始的原因：數據密度與公開可爬取的實際分析　 157

9.4　選題雷達Skill：三維評分選出值得寫的題目　 158

9.4.1　三個維度，不只是看熱度　 158

9.4.2　Skill規則的設計邏輯　 159

9.4.3　結果輸出的實際效果　 160

9.5　三類內容生成Skill：幹貨型、故事型、熱點追蹤型　 161

9.5.1　為什麼不用一個Skill完成所有　 161

9.5.2　幹貨型Skill　 161

9.5.3　故事型Skill　 163

9.5.4　熱點追蹤型Skill　 164

9.6　多平臺適配與封面圖生成：結構差異與圖像接入方法　 165

9.6.1　結構差異，不只是字數差異　 165

9.6.2　封面圖：Seedream 4.5接入火山方舟　 166

9.6.3　封面圖生成腳本　 167

9.7　飛書API存稿：留人工審核的半自動發布設計　 168

9.7.1　為何留人工環節　 168

9.7.2　接入飛書API　 169

9.7.3　飛書寫入腳本　 169

9.8　數據監控Skill：以互動指標而非閱讀量實現閉環　 172

9.8.1　為何不聚焦閱讀量　 172

9.8.2　數據監控Skill　 172

9.8.3　閉環的含義　 173

9.9　運行不通怎麼辦：先拿錯誤信息咨詢AI再動手排查　 174

9.10　選題決策留給人：系統不替你做判斷　 175

9.11　思考題　 176

第10章　典型場景解析：PPT匯報Skill四步工作流　 177

10.1　核心問題：材料堆了20頁，結論在哪裏　 178

10.2　四步分工：每個Skill只做一件事　 180

10.3　outline-builder：用金字塔結構倒逼核心結論產出　 181

10.3.1　V1：信息完備，結論缺失　 181

10.3.2　V2：三層金字塔，結論先行　 182

10.4　slide-copy-writer：每頁15字限制的設計邏輯　 184

10.4.1　頁稿生成器的SKILL.md　 184

10.4.2　論點一的頁稿是什麼樣的　 185

10.5　reveal-renderer：輸出Reveal.js HTML替代PPT　 186

10.5.1　演示文稿生成器的SKILL.md　 187

10.5.2　自定義模板與本地預覽　 188

10.6　speaker-notes-writer：臺詞與頁面同步生成　 189

10.7　思考題　 191

第11章　數據分析三件套：盯數字、讀研報、出圖表的Skill協作方案　 192

11.1　數據越多盲區越大：巡檢疲勞是異常漏看的根本原因　 193

11.2　三件套分工：分析、解讀、可視化各司其職　 195

11.3　data-analyst：異動檢測+歸因分析的兩個版本　 197

11.3.1　V1：有數字無判斷　 197

11.3.2　V2：異動檢測 + 歸因分析　 198

11.4　report-reader：以英偉達財報為例　 201

11.4.1　以英偉達2025財年財報完成真實案例　 201

11.4.2　研報解讀器的SKILL.md　 203

11.5　chart-renderer：ECharts可交互圖表的生成方法　 204

11.5.1　圖表渲染器的SKILL.md　 205

11.5.2　自定義模板與本地預覽　 205

11.5.3　英偉達數據運行示例　 207

11.6　Skill做不到的事：臟數據處理、口徑統一與投資判斷　 208

11.7　思考題　 209

第12章　管理、調與長期積累：讓你的Skill庫越用越有值　 210

12.1　工具稅：當維護Skill的時間過其節省的時間　 211

12.1.1　從3個到47個　 211

12.1.2　工具稅的臨界點　 211

12.2　日常維護四件事：成熟度六維評估與年度維護節奏　 212

12.2.1　Skill庫成熟度六維評估　 212

12.2.2　Skill庫年度維護節奏　 213

12.3　從70分調到90分：四層診斷法與調的正確順序　 214

12.3.1　診斷：輸出不佳，問題出在哪一層　 214

12.3.2　調的正確順序　 215

12.3.3　什麼信號說明調已達上限　 216

12.4　工具會疊代，這三種不過時　 217

12.4.1　從憑感覺對話到結構化指揮：你已走過的路　 217

12.4.2　三種不會過時的　 218

12.4.3　你學的不是工具用法，而是工作方式　 219

12.5　Skill 管理與化的底層邊界　 220

12.6　思考題　 221