你有没有过这种经历：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？就像做菜——照着网上的菜谱做，味道对，但跟大厨做的差了点什么。
差的那点东西，就是专业性。
我维护过一个 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迭代到现在。过程中踩过的坑、总结的方法论，今天系统性地分享出来。
先搞清楚：Skill 是什么
30 秒版本：Skill = 给 AI Agent 的工作手册。
不是提示词（prompt），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
我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 有这些额外的东西：
| 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：太泛。"帮我做 X 事"可以匹配任何请求，导致过度触发（在不该用的时候被加载）或者触发不准（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：
- description ≤ 1024 字符（Hermes 硬性限制），但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，最后输出结果是 Agent 对"处理一下"的理解可能跟你完全不同。
专业级用分步骤 + 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，投入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。*
粤ICP备14082021号
免费POC，
零成本试错
