技能创建器：把通用智能体变成领域专家，从写好一个技能开始
- 它是什么：技能创建器（skill-creator）是一份"教你造技能"的元技能，提供从需求澄清、资源规划、目录初始化、SKILL.md 编写到验证迭代的完整方法论与配套脚本。
- 解决什么问题：让 AI 智能体不必每次重复"摸索"，把多步骤流程、领域知识和脚本沉淀成可复用的技能包。
- 怎么用：通过触发短语（如"帮我创建一个技能"）唤起，按 6 步流程推进，期间调用
init_skill.py、deepagents skills create、quick_validate.py等工具落地产物。 - 核心亮点：强调"简洁是关键"与"渐进式披露"三级加载机制，避免技能把上下文窗口吃光。
- 适合谁：希望沉淀团队流程的开发者、需要封装脚本与模板的工程团队，以及任何想把 AI 使用经验固化成资产的效率工具用户。
1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？
技能中文名：技能创建器 技能英文名：skill-creator 技能ID：13842
这个技能要解决的问题相当根本：大多数人在使用 AI 智能体时，会把同一套流程、同一套模板、同一段脚本反复讲一遍又一遍。每换一个会话，经验就清零。技能创建器给出的答案是——把这类知识封装成"技能"（Skill），即模块化、自包含的包，通过专门的知识、工作流程和工具集成来扩展智能体能力。用技能自己的话说，技能就是特定领域或任务的"入职指南"，把通用智能体转变为具备程序性知识和领域专业知识的专门智能体。
而"一键安装"的思路，本质上不是敲一条命令就万事大吉，而是把技能放到智能体会去读取的目录里，让它在下一次对话中自动被识别。
安装前提：需要一个支持技能加载机制的运行环境（技能详情中以 deepagents CLI 为例）。具体安装指令、下载渠道与版本要求，以官方说明为准。
步骤一：确定技能落位目录。deepagents CLI 从四个目录加载技能，优先级由低到高如下：
| # | 目录 | 范围 | 说明 |
|---|---|---|---|
| 1 | ~/.deepagents/<agent>/skills/ |
用户（deepagents 别名） | deepagents skills create 的默认位置 |
| 2 | ~/.agents/skills/ |
用户 | 跨代理工具共享 |
| 3 | .deepagents/skills/ |
项目（deepagents 别名） | deepagents skills create --project 的默认位置 |
| 4 | .agents/skills/ |
项目 | 跨代理工具共享 |
其中 <agent> 是代理配置名称，默认为 agent。当两个目录存在同名技能时，优先级更高的版本生效，即项目技能覆盖用户技能。
步骤二：放入或创建技能目录。标准布局是一个以技能名命名的文件夹，内部必须包含 SKILL.md，可选包含 scripts/、references/、assets/ 三个资源目录。
步骤三：验证是否生效。检查目录中 SKILL.md 是否存在、YAML 元数据中 name 与 description 是否填写完整；随后在会话中以触发短语试探，例如"帮我创建一个技能"“如何创建技能"或"X 的技能”。如果智能体开始按技能创建流程反问你的需求，说明技能已经命中。
2. 该技能的主要功能和特点
- 全流程向导：覆盖"理解需求 → 规划可复用内容 → 初始化 → 编辑 → 验证 → 迭代"六个步骤，按顺序推进，仅在确有理由时才跳过。
- 两种初始化路径：丰富型技能用
scripts/init_skill.py <技能名称> --path <输出目录>生成完整模板（含三个示例资源目录）；最小化技能用deepagents skills create <技能名称>（项目级加--project），只生成一个 SKILL.md 模板。 - 结构规范明确：SKILL.md 由 YAML 前端元数据（
name、description必填）与 Markdown 正文组成，正文仅在技能被触发后才加载。 - 三类捆绑资源分工清晰：
scripts/存放可执行代码，解决"同样的代码反复重写"的问题；references/存放按需加载的文档（数据库模式、API 文档、公司政策）；assets/存放不进入上下文、只在最终输出中使用的模板与素材。 - 渐进式披露设计：三级加载——元数据常驻上下文（约 100 字）、SKILL.md 正文在触发时加载（建议少于 500 行）、捆绑资源按需取用。超过 10 MB 的 SKILL.md 会被运行时静默跳过。
- 自由度分级指导：高自由度（纯文本指令）、中自由度（伪代码或带参数的脚本）、低自由度（固定脚本、少量参数），按任务的脆弱性与可变性匹配约束强度。
- 内置校验环节：
scripts/quick_validate.py <路径/到/技能-文件夹>检查元数据格式、命名规范（连字符小写、最长 64 字符）、描述完整性（无尖括号、最长 1024 字符）以及允许的字段范围。 - 反冗余原则：明确禁止创建 README.md、INSTALLATION_GUIDE.md、QUICK_REFERENCE.md、CHANGELOG.md 之类的辅助文档，技能只保留完成工作所必需的信息。
和"直接写一段提示词"相比，它的差异在于：提示词是一次性消耗品，技能是可版本化、可复用、可共享的资产，并且带有明确的触发条件与资源边界。
3. 如何使用该技能？
第 1 步：用触发短语唤起技能。 常见触发方式包括"创建技能"“新技能”“制作技能”“X 的技能”“如何创建技能”"帮我构建技能"等。示例输入：
帮我创建一个技能，用来处理 PDF 旋转和页面提取。
第 2 步：回答需求澄清问题。 技能会围绕具体使用示例提问，例如"这个技能应支持什么功能？"“你能给出几个它会被如何使用的例子吗？”“用户说什么应该触发它？”。建议一次只回答最关键的问题，避免一次性抛出过多信息。如果技能的使用模式已经非常清楚，可以跳过这一步。
第 3 步：确认可复用内容清单。 技能会分析每个示例，判断哪些内容值得固化。输出通常是一份资源清单，例如：
- 旋转 PDF 每次都要重写同样的代码 → 需要
scripts/rotate_pdf.py - 前端应用每次都要同一套样板 → 需要
assets/中的模板项目 - 查询数据仓库每次都要重新摸表结构 → 需要
references/schema.md
第 4 步：初始化技能目录。 两种命令按需选择：
# 丰富技能：生成含 scripts/、references/、assets/ 的完整模板
scripts/init_skill.py <技能名称> --path ~/.deepagents/agent/skills
# 最小技能：仅生成 SKILL.md 模板
deepagents skills create <技能名称> --project
第 5 步：编写 SKILL.md 与资源文件。 正文使用命令式/不定式写法；把全部"何时使用"信息集中写进 description 字段，因为正文只在触发后才加载，正文里的"何时使用"对智能体毫无帮助。示例描述风格可参考官方 docx 技能：先说明能做什么，再逐条列出"(1) 创建新文档 (2) 修改内容 (3) 处理跟踪更改……"。新加的脚本必须实际运行测试，示例文件如果不需要就删掉。
第 6 步：验证。 执行 scripts/quick_validate.py <路径/到/技能-文件夹>，若报错则按提示修复后重跑。
第 7 步：真实任务迭代。 在真实工作里使用这个新技能，记录卡顿与低效点，回头修改 SKILL.md 或资源文件，再次测试。
4. 同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| 技能创建器（skill-creator） | 面向智能体的技能工程方法论 + 脚手架 | 六步创建流程、init_skill.py、quick_validate.py、渐进式披露设计、脚本/参考/资产三类资源规范 |
需支持技能加载的运行环境；沿用已有 CLI 与脚本，无需额外编码 | 沉淀团队流程、封装脚本与模板、把经验固化为可复用资产 | 优势：规范完整、有校验、上下文占用可控；不足：需要按目录约定组织文件，前期需投入澄清需求 |
| 手写提示词模板 | 个人经验复用 | 一段可复制的文本指令 | 几乎为零，复制粘贴即可 | 一次性任务、轻量问答 | 优势：上手最快；不足：无触发机制、无资源管理、难以版本化与共享 |
| MCP 类工具协议服务 | 标准化工具/数据接入 | 以协议方式向模型暴露工具与数据源 | 需编写服务端代码、配置连接 | 接入外部系统、调用 API 与数据库 | 优势：能力强、边界清晰；不足：偏工程实现，不适合沉淀"流程性知识" |
| 知识库检索（RAG）方案 | 外挂资料检索 | 向量化文档、按相似度召回 | 需搭建索引与更新流程 | 大量非结构化文档问答 | 优势：容纳海量资料；不足：只解决"知道"，不解决"会做"，缺少确定性执行步骤 |
5. 该技能的典型应用场景与实际体验情况
场景一：团队知识沉淀型开发者。 痛点是"公司内部规范散落在文档、群聊和口口相传里"。使用方式是让技能创建器把公司 NDA 模板、财务口径、政策条款整理进 references/，SKILL.md 只保留工作流程与检索指引。实际体验上，最容易出彩的环节是资源拆分决策——一旦把细节挪进参考文件，SKILL.md 立刻变得清爽。
场景二：多格式文档处理团队。 痛点是"每次处理 PDF、DOCX 都要重写同一段脚本"。使用方式是针对每种格式建立独立技能，脚本放 scripts/，模板素材放 assets/。注意事项是：技能会明确要求脚本必须实际运行验证，跳过这一步很容易在真实调用时翻车。
场景三：多框架/多平台研发团队。 痛点是"支持的云厂商或前端框架太多，一份技能塞不下"。使用方式是采用"领域特定组织"模式——主 SKILL.md 只写工作流程与选择指引，AWS/GCP/Azure 各自对应一个参考文件，智能体只在用户选定平台后才读取对应文件。上手难度中等，但上下文节省效果立竿见影。
场景四：想改造已有技能的用户。 痛点是"老技能越改越臃肿"。使用方式是直接进入迭代环节：跑真实任务、记录卡点、定点修改、重新验证。技能会提醒不要在 SKILL.md 与参考文件中重复同一信息，优先把详情放进参考文件。
整体上手难度：中等偏低。只要愿意按目录约定组织文件，流程本身是线性的；真正需要动脑的是"哪些内容值得固化"和"该给多大自由度"这两个判断。
6. 该技能能为用户带来的价值
- 把经验变成资产：一次沉淀，反复复用。同类任务从"每次重新摸索"变成"直接调用流程"。
- 显著降低上下文成本：三级加载机制让元数据常驻（约 100 字），正文按需加载（建议少于 500 行），资源按需读取，避免把公共上下文窗口塞满。
- 降低技能开发门槛：有了
init_skill.py模板与quick_validate.py校验，非资深工程师也能写出结构合规的技能，不必靠猜测对齐规范。 - 提升产出一致性：低自由度脚本 + 明确的工作流程，让脆弱易错的操作每次都走同一条路径，减少随机波动。
- 长期可维护：命名规范、字段白名单、禁止冗余文档等约束，让技能库在扩张后依然可读、可查、可迭代。
7. 常见问题 FAQ
Q1：怎么安装这个技能？
把技能目录放入 deepagents CLI 可识别的四个目录之一（用户级 ~/.deepagents/<agent>/skills/、~/.agents/skills/，或项目级 .deepagents/skills/、.agents/skills/），确认目录内存在 SKILL.md 且元数据填写完整，再用触发短语测试是否命中。具体下载与安装指令以官方说明为准。
Q2：这个技能收费吗？ 技能详情本身未包含任何定价信息，是否收费取决于你使用的运行环境与分发渠道，请以官方说明为准。
Q3：它和直接写提示词有什么区别？ 提示词是单次消耗品，技能是可复用资产。技能带有明确的触发描述、目录结构和可选脚本/参考/资产资源，还能通过验证脚本检查规范性，并支持项目级覆盖用户级的优先级机制。
Q4：适合谁用？ 适合需要把多步骤工作流程、领域知识或重复脚本固化下来的开发者和团队；如果只是偶尔问一句简单问题，直接用提示词更划算。
Q5：技能写多长合适？会不会太长导致失效？ 建议 SKILL.md 正文少于 500 行、保持在 essentials 范围内；接近行数上限时应拆分到参考文件中，并从 SKILL.md 明确引用。超过 10 MB 的 SKILL.md 会被运行时静默跳过。