我开发了一个「吃掉」别人Skill来升级的饕餮.Skill，现在免费开源

推荐语

AI自动「吃掉」别人Skill来升级？这个开源项目彻底改变了Skill开发方式！

核心内容：
1. 「饕餮.skill」如何实现自动吸收其他Skill优势功能
2. 当前Skill生态爆发但难以持续进化的痛点
3. 从Voyager等项目中借鉴的关键设计思路

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

我让一个 Skill 吃掉了另一个 Skill，10 分钟后，它多了 4 个新能力。

不是手动复制粘贴，不是人肉对比两个 SKILL.md 然后一行行合并。是 AI 自己分析两个 Skill 的差异，提取优势模式，然后用目标 Skill 自己的技术栈重新实现。

这个干活的 Skill，我叫它「饕餮.skill」。今天免费开源，地址在文末。

但这篇不是使用说明。我想讲的是：做饕餮.skill的过程中，我对「Skill 应该怎么写」这件事的认知被彻底改变了。以及，我从 Voyager、TextGrad、DSPy 这些项目里偷了哪些设计思路。

先聊点背景。

现在 Skill 生态已经爆了。skills.sh 上线到现在，累计安装量超过 9 万次，光 Vercel 官方那个 find-skills 就快 80 万了。微软一口气推了十几个 Azure Skill，Supabase、Expo、shadcn 都在发。

同事.skill 上周开源，5 天 8000 star，然后前任.skill、yourself-skill 全来了，一整个蒸馏宇宙。

Skill 已经从「少数人的极客玩具」变成了「AI 开发者的标准装备」。

但你有没有注意到一个问题：大部分 Skill，发布之后就没有然后了。

v1.0 发出来，收一波 star，readme 写得很漂亮。然后呢？用了一个月发现某个场景处理不了，想改，懒得动。看到别人的 Skill 某个功能做得比自己好，想整合，不知道怎么下手。

Skill 生态的真正瓶颈不是「怎么写一个 Skill」，而是「怎么让一个 Skill 持续进化」。

先说一个我踩了很久才想明白的事。

大多数人写 Skill 的思路是「从零到完美」——花三天写一个 SKILL.md，把所有场景都想到，所有边界条件都处理好，然后发布。这个思路有个致命问题：你不可能预见所有场景。

我的 research skill 就是典型例子。v1 版本花了两天写，覆盖了 Reddit、X、YouTube 等十几个平台。看起来挺完整。但上线用了一个月才发现，小红书抓取是残废的——轮播图只能拿第一页，评论数据丢了一半。

这不是 v1 写得烂。是某些需求只有在真实使用中才会浮现。

后来我在 skills.sh 上看到一个小红书专用的 summarizer skill，图文轮播穿透做得很漂亮。我想把这个能力整合到自己的 research skill 里。

手动做的过程极其痛苦。这个 Skill 用 playwright，我的底层是 Chrome CDP，技术栈完全不同。我得先读懂它为什么用 playwright 的某个 API，想清楚怎么用 CDP 达到同样效果，找到我的 SKILL.md 里该插入的位置，检查有没有指令冲突，然后测试。

做完的时候天都黑了。

效果确实好。但这个过程让我意识到一件事：Skill 的真正成长路径不是「一次写完」，而是「持续吞噬外部的优势并进化」。

你可能觉得合并两个 Skill 就是把好的部分搬过去。我一开始也这么想。然后现实教做人了。

实际操作中，80% 的时间花在三件事上。

第一个坑是技术栈适配。两个 Skill 大概率用不同的底层实现——一个 playwright 一个 CDP，一个 Python 一个 TypeScript。你不能直接搬代码，你得搞懂对方某个操作到底想干什么，然后用自己的技术栈重新实现。说白了就是语义级别的翻译。

第二个坑更隐蔽：上下文依赖。一个 Skill 里的某个策略之所以有效，往往依赖它上下文中的其他指令。你把它单独拎出来塞到另一个 Skill，可能完全失效，甚至跟已有指令打架。

我碰过一个案例：参考 Skill 有一条「每次抓取后等待 3 秒再进行下一步」的规则。我直接搬过去，结果我的 research skill 在并发模式下变得奇慢无比——因为我的 Skill 本身已经有流控机制，两层等待叠加了。这种 bug 你不跑到真实场景里根本发现不了。

第三个坑，也是最关键的：你要搬的不是代码，是模式。真正有价值的是参考 Skill 背后的设计思路——它的设计假设是什么？这个思路能不能用我的方式重新实现？

每次手动合并一个 Skill 都是大半天起步。

做饕餮.skill之前，我系统看了三个做「AI 自我进化」的项目：Voyager（Wang et al., 斯坦福+英伟达 2023）、TextGrad（Yuksekgonul et al., 2024）、DSPy（Khattab et al., 斯坦福 2023）。从它们的成功和失败里，提炼出了三条铁律。

铁律一：合并只发生在策略层，不碰实现层

Voyager 早期的教训——把所有学到的技能不加区分地塞进库里，结果技能之间互相干扰。问题不在于技能太多，而在于它没有区分「你想做什么」和「你怎么做」。

饕餮.skill的做法是：吞入两个 Skill 之后，先提取参考 Skill 的策略意图——它在做什么、为什么这么做、设计假设是什么。然后用目标 Skill 已有的技术栈去重新实现这些策略。代码层面的东西不搬，只搬思路。

铁律二：一次只改一个维度

这条来自 TextGrad 和 DSPy。你一次改了 5 个地方结果变差了，你根本不知道哪个改动搞砸了。DSPy 的 MIPROv2 优化器每一步只调一个模块的 Prompt，TextGrad 每次反向传播也是逐变量更新。

饕餮.skill的注入策略也是渐进式的。它会把分析出的多个优势模式排优先级，逐个注入。每注入一个模式，输出一份 diff 报告，你可以接受或回滚。

这不是技术洁癖，是血泪教训。我早期测试的时候一次性注入了 4 个模式，结果有两个指令互相矛盾，debug 了半天。

铁律三：每次注入前必须备份

机器学习领域有个词叫灾难性遗忘——模型学新东西的时候忘掉旧知识。Skill 也一样。

我有一次给 writer skill 注入了一套新的结尾策略，当时测了三篇没问题。过了一周发现：原来的 CTA 模板失效了，因为新的结尾逻辑跟原有的 CTA 指令冲突，新的覆盖了旧的。找到问题的时候已经用这个「残废版」写了好几篇稿子了。

饕餮.skill在每次注入前自动创建 .bak 备份。改坏了，一行命令恢复。

饕餮.skill跑起来分四个阶段。

第一步，双向吞入。同时读取目标 Skill 和参考 Skill 的完整结构——SKILL.md、scripts 目录、references 目录、所有 supporting files。不是只看表面的说明文档，是把整个 Skill 目录结构全部读一遍。

第二步，能力对齐。把两个 Skill 的能力拆成模块，一一对应。哪些能力我有它没有，哪些它有我没有，哪些我们都有但它做得更好。输出一张能力对比表。

第三步，优势模式提取。这是最关键的一步。对于参考 Skill 做得更好的每个模块，饕餮.skill不是搬它的代码，而是提取它的「优势模式」——它用了什么策略？为什么这个策略在这个场景下有效？它的设计假设是什么？

第四步，渐进注入。把提取出的模式按优先级排序，逐个注入到目标 Skill。每注入一个模式，生成一份 diff 报告，包含：注入位置、改动内容、设计理由、潜在风险。你可以逐条审批。

光说不练假把式。看看我的 bggg-creator-research skill 吃掉小红书 summarizer skill 之后具体变了什么。

吃之前：还抓不到小红书。

吃之后：实现完整的小红书深度抓取章节——轮播图穿透指令、CDP 提取代码模板、评论过滤规则、多模态分析流程。原有的 Reddit、X、YouTube 等模块完全不受影响。

中间发生了什么？

饕餮.skill分析后发现参考 Skill 有 4 个核心优势：图文轮播穿透（模拟真实滑动翻页）、多模态内容提取（图片 OCR + 视频帧采样）、主题式综合（不按帖子罗列而是按主题重组信息）、评论垃圾过滤（过滤营销号和机器人评论）。

关键是技术栈适配。参考 Skill 依赖 playwright-cli，我的 research skill 底层是 Chrome CDP。饕餮.skill没有引入 playwright，而是用现有 CDP 能力重新实现——用 /clickAt（真实鼠标事件模拟）替代 playwright 的点击逻辑，用 CDP 的 Tab 键导航替代选择器定位。零新增依赖，策略完整迁移。

SKILL.md 从 v1.0 升到 v1.1。整个过程 10 分钟。上次手动做花了大半天。

我后来又用饕餮.skill强化了 writer skill（吃了某个垂直业务下博主的写作风格体系，补了段落节奏控制）和 illustrator skill（吃了 baoyu-cover-image 的五维度 prompt 设计，补了配色方案和构图规则）。

诚实讲，两个场景饕餮.skill处理不好。

第一，两个 Skill 的编程语言差异太大（一个 Python 一个 TypeScript），饕餮.skill只能提取策略层面的建议，没法自动改写代码。SKILL.md 里的指令它能改，但 scripts 目录下的代码得你自己动手。

第二，参考 Skill 写得太烂——没结构、没注释、逻辑混乱——饕餮.skill的分析质量也会跟着下降。垃圾进，垃圾出。一个没有清晰结构的 SKILL.md，你让 AI 来分析也分析不出什么有价值的模式。

第三，饕餮.skill做不了跨架构的根本性重构。如果两个 Skill 的底层设计思路完全相反——一个是串行流水线，一个是并行 Agent 网络——饕餮.skill只能在局部模块层面做优化，没法帮你做架构级的决策。这种情况还是得自己判断。

GitHub 地址：https://github.com/binggandata/bggg-skill-taotie

安装方式：把饕餮.skill Skill 放到 .claude/skills/ 或 .agents/skills/ 目录下就行了。

使用方式，在 Claude Code 里说：

把 [参考skill] 喂给 [目标skill] 来优化 [某个能力]

不指定方向也行，饕餮.skill会自己跑一遍全面对比，告诉你参考 Skill 有几个值得学习的优势模式，你选择要不要注入。

做完饕餮.skill之后，我对 Skill 开发的整个思路变了。

以前追求「从零写一个完美的 Skill」。现在不这么想了——先快速写一个 60 分的版本，然后持续找好的参考 Skill 喂给饕餮.skill去进化。每次进化保留版本记录，能看到 v1 到 v5 之间每个版本吃了什么、补了什么。

你不需要一开始就想清楚所有事情。你只需要建立一个能持续进化的机制。

现在 skills.sh 上有几百个 Skill。大部分人把它当下载市场用——找一个能用的装上，不好用就换下一个。但换一个思路：这几百个 Skill 不是成品，是原材料。你自己的 Skill 才是成品。别人的 Skill 里有你需要的零件，用饕餮.skill把零件拆出来装到你自己的 Skill 上。

你的时间不应该花在手动拆解别人的代码上，而是花在判断「该喂什么」上。选择吃什么，比怎么吃更重要。

觉得有用的，GitHub 给个 star。在评论区告诉我：你现在用的 Skill 最缺什么能力？你想让它「吃掉」谁？选几个好的场景我做成案例分享出来。