首页
手游
资讯
专题
首页 > 教程攻略 > ai资讯 >怎么写专业的 Skill

怎么写专业的 Skill

来源：互联网 时间：2026-06-19 13:48:06

如何写出稳定可靠、触发精准的AI Skill？这篇文章分享的，是从10万行代码实践中提炼出来的专业方法论。

核心内容：

1. Skill的准确定义与核心结构 2. 入门级与专业级Skill的对比分析 3. 从脚本到专业工作手册的进阶路径 怎么写专业的 Skill

有没有过这种经历：给AI Agent写了一个Skill，它能跑，但总是触发不准、执行不稳、隔两天就出bug？就好比做菜——照着网上的菜谱做，味道是有了，但总觉得跟大厨做的差了点什么。

差的那点东西，就是

专业性

。

维护过一个10万行级别的Skill（WeWrite公众号全流程助手），从最初的一个简单脚本一路迭代至今。过程中踩过的坑、总结出的方法论，今天系统性地梳理出来。

先搞清楚：Skill 是什么

30秒版本：

Skill = 给AI Agent的工作手册

。

它不是提示词（prompt），也不是API文档，而是一份

结构化的操作指南

，告诉Agent：

  • 什么时候

    该被触发（trigger）

  • 怎么

    一步步完成任务（workflow）

  • 什么情况

    下会出错以及怎么处理（pitfall）
  • 做完之后

    怎么验证

    结果（verification）

一个Skill的物理结构大概长这样：

my-skill/
├── SKILL.md              # 核心指令（必需）
├── scripts/              # 可执行脚本
│   └── helper.py
├── references/           # 参考文档
│   ├── api.md
│   └── best-practices.md
└── templates/            # 模板文件
    └── output.md

SKILL.md是唯一必需的文件，其他都是辅助。但

专业的Skill和入门级Skill的差距，恰恰就在这些辅助文件里

。

能跑 vs 专业：一个对比

用两个真实案例来说明差距。

案例 A：入门级 Skill（aihot）

这是一个查询AI资讯的Skill，核心功能正确，结构也算清晰。它的frontmatter长这样：

---
name: aihot
description: AI HOT 资讯查询 Skill。当用户想知道"今天 AI 圈有什么"时使用。
---

工作流部分只有一段核心命令：

since=$(date -u -v-24H +%Y-%m-%dT%H:%M:%SZ)
curl -s "https://aihot.virxact.com/api/public/items?mode=selected&since=$since"

能用吗？完全能用。

239行代码，11KB大小，功能完整。

案例 B：专业级 Skill（WeWrite）

同样是完成一个任务，WeWrite这个公众号写作Skill多了不少东西：

维度 入门级 (aihot) 专业级 (WeWrite)
Frontmatter name + description 完整元数据 + tags + related_skills + version
触发条件 一句话描述 20+ 触发关键词 + 反向触发词（何时

不

用）
工作流 1 个主路径 8 步流水线，每步有输入输出定义
错误处理 无 每个步骤有 fallback + 已知坑位手册
辅助文件 无 references/ (7个文档) + scripts/ (5个脚本) + personas/ (人格库)
验证方法 手动测试 自动化质量检查（禁用词扫描、human-ness 评分）
迭代机制 无 history.yaml 记录每篇文章的元数据，避免重复

文件大小：11KB vs 103KB+。

不是故意写长，而是每个字节都在解决一个实际问题。

专业 Skill 的五个关键维度

1. Frontmatter：Agent 决定是否加载你的 Skill 的唯一依据

这是最重要，也最容易被忽视的部分。

Agent在加载Skill之前，只能看到frontmatter里的 name 和 description。

如果这两个字段写得不好，你的Skill就像一本没有封面的书——再好也没人打开。

入门级写法：

---
name: my-skill
description: 帮我做 X 事
---

问题在于：太泛了。"帮我做X事"可以匹配任何请求，结果要么是

过度触发

（在不该用的时候被加载），要么是

触发不准

（在该用的时候没被选中）。

专业级写法：

---
name: commit-message-generator
description: |
  Use when the user wants to generate conventional commit messages based on
  staged git changes. Covers feat/fix/docs/refactor/test/chore types.
  Triggers on: "commit message", "生成提交信息", "git commit", "提交说明".
  Do NOT use for: general text writing, PR descriptions, or changelogs.
version: 1.2.0
author: your-name
license: MIT
metadata:
  hermes:
    tags: [git, commit, conventional-commits, automation]
    related_skills: [github-pr-workflow, github-code-review]
---

关键改进在哪里：

  • description ≤ 1024 字符

    （Hermes硬性限制），但需要把触发条件写清楚

  • 明确反向触发词

    （Do NOT use for）：减少误触发

  • 添加 metadata

    ：tags用于分类检索，related_skills用于关联推荐

  • 版本号

    ：方便后续迭代追踪

2. 结构化指令：让 Agent 能"按图施工"

入门级的指令通常是段落式的：

先拉数据，然后处理一下，最后输出

问题在于，Agent对"处理一下"的理解可能跟你完全不同。

专业级用的是

分步骤 + 表格 + 代码块

的组合。下面是一个工作流片段的写法示例——先定义参数表，再给命令：

参数 值 说明
端点 /api/public/items 主数据接口
mode selected 精选模式（默认）
since 动态计算 最近 24 小时 
# 计算时间窗口（兼容 macOS 和 Linux）
if [[ "$OSTYPE" == "darwin"* ]]; then
  since=$(date -u -v-24H +%Y-%m-%dT%H:%M:%SZ)
else
  since=$(date -u -d '24 hours ago' +%Y-%m-%dT%H:%M:%SZ)
fi

curl -sH "User-Agent: $UA" \
  "https://example.com/api/public/items?mode=selected&since=$since&take=50"

输出格式

：JSON数组，每项包含 {id, title, category, url, published_at}。下一步将输出传入Step 2进行过滤。

注意这几个细节：

  • 表格定义参数

    ：Agent不需要猜

  • 代码块可直接复制运行

    ：不省略任何参数

  • 明确输出格式

    ：下一步知道该怎么接

  • 兼容性处理

    ：macOS和Linux的date命令不同

3. 错误处理：专业和业余的分水岭

入门级Skill假设一切顺利。专业级Skill假设

一定会出错

。

下面是一段pitfalls章节的写法示例——每个坑都按"现象→原因→处理"三段式展开：

Pitfall 1：API返回空结果

items 数组为空，但HTTP状态码是200。原因：时间窗口内无数据，或 since 参数格式错误。

# 检查返回是否为空
response=$(curl -s "...")
count=$(echo "$response" | python3 -c "import sys,json; print(len(json.load(sys.stdin)))")
if [ "$count" -eq 0 ]; then
  echo "⚠️ 无数据，尝试扩大时间窗至 7 天"
  since=$(date -u -v-7d +%Y-%m-%dT%H:%M:%SZ)
  # 重试...
fi

Pitfall 2：User-Agent 被 403

直接curl返回403 Forbidden。原因：API端点有UA黑名单。处理：所有curl必须带浏览器UA。

Pitfall 3：编码问题

中文显示乱码。原因：远程终端locale不是UTF-8。处理：传递数据用纯ASCII JSON文件，不在命令行中硬编码中文。

专业Skill的pitfalls不是事后补的，而是边写边记录的。

每次踩坑就记一条，积累下来就是竞争力。

4. 辅助文件体系：把 SKILL.md 控制在合理大小

SKILL.md有

100,000字符的硬性限制

（约36K tokens）。超过这个值，Agent加载时就会截断。

当Skill复杂度上升时，解决方案不是把SKILL.md写得更长，而是

拆分到辅助文件

：

professional-skill/
├── SKILL.md                 # 核心（控制在 8-15K 字符）
├── references/
│   ├── api-reference.md     # API 完整文档
│   ├── error-codes.md       # 错误码对照表
│   └── best-practices.md    # 最佳实践
├── scripts/
│   ├── validate.sh          # 自动化验证脚本
│   └── deploy.sh            # 部署脚本
└── templates/
    └── output-template.md   # 输出模板

SKILL.md里只保留简短引用指向细节，比如API文档部分可以这样写：

详见 `references/api-reference.md`，覆盖以下端点：
- 数据采集（3 个端点）
- 内容发布（2 个端点）
- 媒体上传（1 个端点）
端点 用途 认证
/api/data 数据采集 无
/api/publish 发布内容 OAuth
/api/media 上传图片 OAuth

原则：SKILL.md放决策逻辑和关键路径，references放参考信息，scripts放可执行逻辑。

5. 验证机制：能自动检查就不要靠人眼

专业Skill都有自检能力。最基础的是

验证清单

，发布前逐项确认：

  • [ ] Frontmatter 以 --- 开头，无前导空白行
  • [ ] name ≤ 64 字符，仅小写字母 + 连字符
  • [ ] description ≤ 1024 字符，包含触发词 + 反向触发词
  • [ ] 所有代码块可直接复制运行（已实测）
  • [ ] curl 命令都带了正确的 User-Agent
  • [ ] 时间窗口计算兼容 macOS 和 Linux
  • [ ] pitfalls 至少覆盖 3 个已知错误场景
  • [ ] 总文件大小 ≤ 100,000 字符
  • [ ] related_skills 引用的 Skill 确实存在

进阶做法是写一个

自动化验证脚本

：

#!/usr/bin/env python3
"""Skill 质量检查工具"""
import yaml, re, pathlib

def validate_skill(skill_path: str) -> dict:
    path = pathlib.Path(skill_path)
    content = path.read_text()
    
    issues = []
    
    # 检查 1: frontmatter 格式
    if not content.startswith("---"):
        issues.append("❌ 必须以 --- 开头")
    
    # 检查 2: description 长度
    fm = yaml.safe_load(content.split("---")[1])
    desc_len = len(fm.get("description", ""))
    if desc_len > 1024:
        issues.append(f"❌ description {desc_len} 字符，超过 1024 限制")
    
    # 检查 3: 代码块数量（教程型 Skill 要求 ≥ 5）
    code_blocks = re.findall(r"```[\s\S]*?```", content)
    if len(code_blocks) < 5:
        issues.append(f"⚠️ 只有 {len(code_blocks)} 个代码块，建议 ≥ 5")
    
    # 检查 4: 是否有 pitfalls 章节
    if "## Common Pitfalls" not in content and "## pitfalls" not in content.lower():
        issues.append("⚠️ 缺少 pitfalls 章节")
    
    return {
        "skill": skill_path,
        "valid": len([i for i in issues if i.startswith("❌")]) == 0,
        "issues": issues,
        "stats": {
            "size_chars": len(content),
            "code_blocks": len(code_blocks),
            "has_pitfalls": "pitfalls" in content.lower(),
        }
    }

if __name__ == "__main__":
    import sys, json
    result = validate_skill(sys.argv[1] if len(sys.argv) > 1 else "SKILL.md")
    print(json.dumps(result, indent=2, ensure_ascii=False))

运行效果：

$ python3 validate_skill.py SKILL.md
{
  "skill": "SKILL.md",
  "valid": true,
  "issues": [],
  "stats": {
    "size_chars": 12458,
    "code_blocks": 7,
    "has_pitfalls": true
  }
}

实战：从零写一个专业 Skill

理论讲完了，动手写一个。场景：

Git提交信息自动生成器

。

第一步：创建目录结构

mkdir -p commit-gen/{scripts,references,templates}
touch commit-gen/SKILL.md

第二步：写 Frontmatter

---
name: commit-message-generator
description: |
  Use when user wants to generate conventional commit messages from staged
  git changes. Supports feat/fix/docs/refactor/test/chore/style/ci/perf/revert
  types. Triggers on: "commit message", "提交信息", "git commit", "生成提交",
  "commit msg". Do NOT use for: PR descriptions, changelogs, release notes.
version: 1.0.0
author: your-name
license: MIT
metadata:
  hermes:
    tags: [git, commit, conventional-commits, automation]
    related_skills: [github-pr-workflow]
---

第三步：写核心工作流

Skill的主体部分从获取diff开始。如果没有staged变化，先提示用户 git add：

git diff --cached --no-color

然后根据变更内容判断commit type：

变更特征 type 示例
新功能/新文件 feat feat: add user login endpoint
Bug 修复 fix fix: null pointer in auth middleware
文档变更 docs docs: update API reference
重构（不改变行为） refactor refactor: extract validation logic
测试相关 test test: add coverage for auth flow
构建/CI 相关 ci ci: upgrade node version to 20
性能优化 perf perf: reduce DB queries by 50%

生成的commit message遵循Conventional Commits规范：第一行 type(scope): subject（≤ 50字符），第二行空行，正文可选（说明why不是what），页脚可选（Breaking Change / Closes #123）。示例输出：

feat(auth): add OAuth2 Google login

- Integrate with Google Identity Platform
- Support token refresh flow
- Add unit tests for token validation

Closes #42

最后用户确认后执行：

git commit -e -F /tmp/commit-msg.txt

第四步：补充 Pitfalls 和 Checklist

Pitfall 1：空diff

— 用户忘记 git add 就触发了Skill。处理：检测staged变化数量，为0时提示而非报错。

Pitfall 2：subject过长

— Conventional Commits建议subject ≤ 50字符。处理：生成后自动检查长度，超长则拆分。

Pitfall 3：scope歧义

— 同一个diff可能涉及多个模块。处理：取变化文件最多的目录作为scope，或省略scope。

Verification Checklist：

  • [ ] 支持 9 种 commit type
  • [ ] subject 长度检查（≤ 50 字符）
  • [ ] 空 diff 优雅降级
  • [ ] -e flag 允许用户编辑
  • [ ] 兼容 Git 2.0+

运行验证：

python3 scripts/validate_skill.py commit-gen/SKILL.md

这就是一个完整的、专业的Skill scaffold。

从这里出发，根据实际需求迭代即可。

从能跑到专业的检查清单

最后，给你一个速查表。下次写Skill的时候逐项打勾：

层次 检查项 入门 专业
Frontmatter name/description 清晰 ✅ ✅
包含触发词 + 反向触发词 ❌ ✅
有 version/author/metadata ❌ ✅
结构 分步骤工作流 ✅ ✅
表格定义参数 ❌ ✅
代码块可直接运行 ⚠️ ✅
明确输入输出格式 ❌ ✅
鲁棒性 有 pitfalls 章节 ❌ ✅
覆盖 ≥ 3 个错误场景 ❌ ✅
兼容性处理（OS/版本） ❌ ✅
工程化 拆分 references/ ❌ ✅
有验证脚本 ❌ ✅
有历史记录机制 ❌ ✅
总工作量 30 分钟 2-4 小时

结论：入门级Skill解决"能不能做"，专业级Skill解决"能不能稳定地做100次"。

如果你的Skill只用一次，入门级就够了。但如果它会被反复调用、给别人用、或者承载关键业务流程，花时间做到专业级是值得的——回报是调试时间的数量级减少。

本文基于Hermes Agent Skill系统（hermes.nousresearch.com）和WeWrite公众号流水线的实战经验写成。文中所有代码片段均可直接复制运行。

相关阅读

相关下载