skills-best-practices

GitHub
1.8k 129 非常简单 1 次阅读 今天Agent开发框架
AI 解读 由 AI 自动生成,仅供参考

skills-best-practices 是一套专为构建高质量 AI 智能体(Agent)技能而设计的开源指南。它旨在解决开发者在创建智能体工具时常见的痛点,如提示词结构混乱、上下文窗口冗余以及技能难以被智能体准确识别和调用等问题。

这套指南主要适合从事 AI 应用开发的工程师、Prompt 工程师以及希望提升智能体执行稳定性的研究人员使用。其核心技术亮点在于提出了一套标准化的技能目录结构,将元数据(SKILL.md)、可执行脚本、参考文档和静态资源分离管理。它特别强调“渐进式披露”策略,指导开发者如何将详细信息卸载到子目录中,仅在需要时由智能体按需加载,从而极大节省宝贵的上下文令牌(Token)。此外,它还提供了针对智能体路由机制优化的命名规范和描述撰写技巧,通过包含“负面触发条件”来确保技能调用的精准度。遵循这些最佳实践,能帮助团队打造出更专业、高效且易于维护的智能体技能库。

使用场景

某全栈开发团队正在构建一个能自动处理复杂前端任务(如组件重构、样式迁移)的 AI 代理,旨在提升日常编码效率。

没有 skills-best-practices 时

  • 上下文爆炸:将所有 API 文档和逻辑说明堆砌在单个提示词文件中,导致 Token 消耗巨大且经常超出模型窗口限制,引发信息丢失。
  • 技能触发失败:技能描述过于模糊(如仅写"React 技能”),导致代理无法准确识别何时调用该技能,或在 Vue 项目中错误触发。
  • 执行结果不稳定:缺乏标准化的脚本目录和分步指令,代理在处理重复性操作时容易产生幻觉,输出格式混乱或代码逻辑错误。
  • 维护成本高昂:文件结构杂乱无章,包含大量人类阅读的 README 或冗余逻辑,更新某个功能时需重新梳理整个庞大的上下文。

使用 skills-best-practices 后

  • 上下文极致精简:遵循“按需加载”原则,主文件 SKILL.md 控制在 500 行内,仅在需要时引导代理读取 references/ 中的具体文档,大幅节省 Token。
  • 路由精准命中:优化元数据描述,明确写入“负向触发条件”(如“勿用于 Vue 项目”),确保代理仅在匹配 Tailwind CSS 样式更新等特定场景时才激活技能。
  • 操作流程标准化:将易错操作封装为 scripts/ 下的微型 CLI 脚本,并用严格的步骤编号替代自然语言叙述,保证每次执行结果 deterministic(确定性)且专业。
  • 架构清晰易扩展:严格区分元数据、脚本、参考资源和资产目录,移除人类文档冗余,使新技能的开发和旧技能的迭代变得像搭积木一样高效。

skills-best-practices 通过将非结构化的提示词工程转化为标准化的软件工程范式,让 AI 代理从“偶尔可用的聊天机器人”进化为“稳定可靠的专业开发者”。

运行环境要求

操作系统
  • 未说明
GPU

未说明

内存

未说明

依赖
notes该工具并非传统的可执行软件或模型,而是一套用于编写和验证 AI Agent 技能(Skills)的指南和规范。它不包含需要特定操作系统、GPU、内存或 Python 版本运行的代码库。用户需遵循其定义的目录结构(SKILL.md, scripts/, references/, assets/)来创建技能文件,并利用 LLM 进行验证。脚本部分支持 Python、Bash 或 Node.js,但具体版本取决于用户编写的脚本内容而非工具本身的要求。
python未说明
未说明
skills-best-practices hero image

快速开始

创建智能体技能的最佳实践

本指南介绍了如何编写专业级别的智能体技能、使用大语言模型对其进行验证,以及如何保持简洁的上下文窗口。

本指南是一套高度浓缩的最佳实践,用于创建智能体技能。如果您需要更全面的文档,请参阅 Claude 的文档

要评估您的技能表现是否良好并防止功能退化,请查看 skillgrade

技能的结构

每个技能都必须遵循以下目录结构:

纯文本

skill-name/
├── SKILL.md              # 必需:元数据 + 核心指令(不超过500行)
├── scripts/              # 可执行代码(Python/Bash),设计为小型命令行工具
├── references/           # 补充上下文(模式、速查表等)
└── assets/               # 用于输出的模板或静态文件
  • SKILL.md: 充当“大脑”。用于导航和高层次流程。
  • References: 直接从 SKILL.md 链接。仅保持一层深度
  • Scripts: 用于处理脆弱或重复性操作,其中任何变化都可能引发错误。请勿在此处捆绑库代码

优化 frontmatter 以提高可发现性

SKILL.md 文件中的 namedescription 是智能体在触发技能之前唯一能看到的字段。如果它们没有针对可发现性进行优化且不够具体,您的技能将无法被识别。

  • 严格命名规范: name 字段必须为 1–64 个字符,只能包含小写字母、数字和连字符(不允许连续连字符),并且必须与父目录名称完全一致(例如,名称为 angular-testing 的技能必须位于 angular-testing/SKILL.md 中)。
  • 编写适合触发的描述: (最多 1,024 字符)。这是智能体用于路由的唯一元数据。以第三人称描述功能,并包含“负面触发条件”。
    • 不良示例: “React 技能。”(过于笼统)。
    • 良好示例: “使用 Tailwind CSS 创建并构建 React 组件。当用户希望更新组件样式或 UI 逻辑时使用。请勿用于 Vue、Svelte 或原生 CSS 项目。”

渐进式披露和资源管理

通过仅在需要时加载信息来保持清晰的上下文窗口。SKILL.md 是用于高层次逻辑的“大脑”;将详细信息下放到子目录中。

  • 保持 SKILL.md 简洁: 主文件限制在500 行以内。用于导航和主要流程。
  • 使用扁平子目录: 将大量上下文移至标准文件夹。文件应保持一层深度(例如,references/schema.md,而不是 references/db/v1/schema.md)。
    • references/:API 文档、速查表、领域逻辑。
    • scripts/:用于确定性任务的可执行代码。
    • assets/:输出模板、JSON 模式、图片。
  • 即时加载(JiT): 明确指示智能体何时读取文件。在您明确指示之前,它不会看到这些资源(例如:“请参阅 references/auth-flow.md 以获取特定错误代码”)。
  • 显式路径: 始终使用带有正斜杠 (/) 的相对路径,无论操作系统如何。

技能是为智能体设计的,而非人类。为了保持上下文窗口简洁并避免不必要的 token 消耗,请勿创建:

  • 文档文件: README.mdCHANGELOG.mdINSTALLATION_GUIDE.md
  • 冗余逻辑: 如果智能体已经能够可靠地完成某项任务而无需帮助,则应删除相关指令。
  • 库代码: 技能应引用现有工具,或包含小型的、单一用途的脚本。长期存在的库代码应放在标准仓库的 CLI 目录中。

使用具体的程序化指令而非散文

为 LLM 而非人类编写指令。

  • 使用逐步编号: 将工作流程定义为严格的按时间顺序排列的步骤。如果有决策树,应清晰地绘制出来(例如:“第 2 步:如果需要源映射,请运行 ng build --source-map。否则,跳至第 3 步。”)。
  • 提供具体模板: 智能体对模式匹配非常擅长。与其花费数段文字描述 JSON 输出应如何呈现,不如将模板放置在 assets/ 文件夹中,并指示智能体复制其结构。
  • 使用第三人称祈使语气: 将指令表述为直接对智能体的命令(例如:“提取文本……”而不是“我将提取……”或“你应该提取……”)。

在技能文件中引用概念时,务必保持具体性和一致性。

  • 使用一致的术语: 为特定概念选择一个统一的术语。
  • 具体性: 使用最符合您所描述领域的专业术语。例如,在 Angular 中使用“template”这一概念,而非“html”、“markup”或“view”。

为重复性操作打包确定性脚本

不要每次运行技能时都要求 LLM 从头开始编写复杂的解析逻辑或样板代码。

  • 将脆弱或重复的任务下放: 如果智能体需要解析复杂的数据集或查询特定数据库,可以为其提供经过测试的 Python、Bash 或 Node 脚本,存放在 scripts/ 目录中供其运行。
  • 优雅地处理边缘情况: 智能体依靠标准输出(stdout/stderr)来判断脚本是否成功。编写返回高度描述性、易于理解的错误信息的脚本,以便智能体能够准确地自我纠正,而无需用户干预。

验证指南

由于 LLM 将会使用您的技能,我发现确保其有用性的最佳方法就是与 LLM 合作。

对技能进行评估至关重要,以确保您所做的更改产生积极影响,且不会导致功能退化。一个流行的技能基准测试是 SkillsBench,它可以为您提供一些灵感。

在您起草技能的初始版本后,可以通过以下步骤来验证您的工作:

发现验证

代理会严格按照 YAML 前置元数据来加载技能。请单独测试 LLM 对您描述的理解,以避免误触发(例如,当该技能适用于 Angular 时却因 React 应用而被触发)。

将以下文本原封不动地粘贴到一个新的 LLM 对话中:

我正在根据 agentskills.io 规范构建一个代理技能。代理将完全依据下方的 YAML 元数据来决定是否加载此技能。

name: angular-vite-migrator
description: 将 Angular CLI 项目从 Webpack 迁移到 Vite 和 esbuild。当用户希望更新构建配置、用 rollup 等效插件替换 webpack 插件,或加快 Angular 编译速度时使用。

仅基于此描述:

  1. 生成 3 条您 100% 确信应该触发此技能的真实用户提示。
  2. 生成 3 条听起来相似但不应触发此技能的用户提示(例如,将 React 应用迁移到 Vite,或仅仅更新 Angular 版本)。
  3. 评价该描述:是否过于宽泛?请提出优化后的改写建议。

此外,向代理提供预期会触发该技能的任务,并仔细检查其思考过程。与代理反复交流,明确它为何选择(或未选择)特定技能。

逻辑验证

确保您的步骤式指令具有确定性,且不会迫使代理凭空猜测缺失的步骤。

将您的整个 SKILL.md 文件及目录结构输入 LLM:

以下是我的 SKILL.md 完整草稿及其支持文件的目录结构。

├── SKILL.md
├── scripts/esbuild-optimizer.mjs
└── assets/vite.config.template.ts

[在此处粘贴您的 SKILL.md 内容] 请扮演刚刚触发此技能的自主代理,模拟执行过程,任务是将我的 Angular v17 应用迁移到 Vite。

针对每一步,请写出您的内心独白:

  1. 您具体在做什么?
  2. 您正在读取或运行哪份具体的文件/脚本?
  3. 标记任何执行障碍:指出由于我的指令不够明确而不得不猜测或“幻觉”出答案的确切位置(例如,如何将 Angular 环境文件映射到 Vite 的 import.meta.env)。

边界场景测试

强制 LLM 寻找潜在漏洞、不支持的配置以及 Web 工具固有的失败状态。

让 LLM 攻击您的逻辑:

现在请切换角色,扮演一位严苛的 QA 测试员。您的目标是“破坏”这个技能。 请就边界场景、失败状态或 SKILL.md 中缺失的回退机制,向我提出 3 到 5 个高度具体且具有挑战性的问题。重点关注:

  • 如果 scripts/esbuild-optimizer.mjs 因遗留的 CommonJS 依赖而失败怎么办?
  • 如果用户的 angular.json 包含大量自定义的 Webpack 构建器(如 @angular-builders/custom-webpack),而 Vite 又不支持这些配置,该如何处理?
  • 我是否对用户的 Node 环境做出了一些隐含假设?

请先不要修复这些问题,只需依次提出上述问题并等待我的回答。

架构优化

LLM 经常会尝试将大型配置文件直接塞入主提示中。通过这一步骤,您可以实施渐进式披露策略,从而减少 token 消耗。

让 LLM 应用您的修复方案并重构技能:

根据我对您提出的边界场景问题的回答,重新编写 SKILL.md 文件,严格遵循渐进式披露的设计模式:

  1. 保持主 SKILL.md 仅为高层次的步骤集合,采用第三人称祈使句形式(例如,“执行 esbuild 脚本”、“阅读 Vite 配置模板”)。
  2. 如果文件中包含密集规则、大型 vite.config.ts 模板或复杂的 angular.json 模式等,将其移除。指示我在 references/assets/ 目录下创建新文件,并用一条明确的指令替代 SKILL.md 中的相关内容,仅在需要时才读取该文件。
  3. 在底部添加专门的错误处理部分,结合我对 Webpack 回退机制和 CommonJS 解析问题的回答进行完善。

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|1周前
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|1周前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

159.6k|★★☆☆☆|今天
开发框架Agent语言模型

opencode

OpenCode 是一款开源的 AI 编程助手(Coding Agent),旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件,而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码,还是排查难以定位的 Bug,OpenCode 都能通过自然语言交互高效完成,显著减少开发者在重复性劳动和上下文切换上的时间消耗。 这款工具专为软件开发者、工程师及技术研究人员设计,特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构,这意味着用户可以审查代码逻辑、自定义行为策略,甚至私有化部署以保障数据安全,彻底打破了传统闭源 AI 助手的“黑盒”限制。 在技术体验上,OpenCode 提供了灵活的终端界面(Terminal UI)和正在测试中的桌面应用程序,支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具,安装便捷,并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客,还是渴望提升产出的独立开发者,OpenCode 都提供了一个透明、可信

144.3k|★☆☆☆☆|昨天
Agent插件

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

108.3k|★★☆☆☆|1周前
开发框架图像Agent

gemini-cli

gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。

100.8k|★★☆☆☆|1周前
插件Agent图像