如何写出专业的 Skill

如何写出稳定可靠、触发精准的AI Skill？本文分享从10万行代码实践中提炼的专业方法论。
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

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: aihotdescription: 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-skilldescription: 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-generatordescription: |  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: 1.2.0author: your-namelicense: MITmetadata:  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)ficurl -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, pathlibdef 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"```[sS]*?```", 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-generatordescription: |  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: 1.0.0author: your-namelicense: MITmetadata:  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 validationCloses #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。*