让模型自己写 Skills——从素材到自动生成工作流

一、导读

前几篇文章我们聊了 Skills 的价值、架构设计和工程规范。但很多读者可能会问：写一个高质量的 Skill 是不是很重？每次都要手敲几百行的 SKILL.md 和脚本吗？

答案是：不需要。

写 Skill 应该从「手敲所有文案」转向「Context Engineering（上下文工程）」——你负责梳理逻辑和准备素材，让模型帮你生成 Skill。

这篇文章要回答的核心问题是： 如何让模型自己写 Skill？从需求到可用的 Skill，需要哪些步骤？如何建立一个可复用的「AI 生成 Skill」工作流？

二、开发范式转变：从手敲到 Context Engineering

2.1 传统方式：手敲所有文案

传统写 Skill 的方式是这样的：

1. 打开编辑器，新建 SKILL.md
2. 手写 YAML Frontmatter（name、description、argument-hint 等）
3. 手写操作流程（步骤拆解、约束、错误处理）
4. 手写脚本代码（Python、Bash 等）
5. 反复调试，直到可用

这种方式的问题很明显：

• 效率低：一个完整的 Skill 可能需要几百行，手敲耗时
• 容易出错：元数据格式、YAML 语法、Markdown 结构都可能出错
• 难维护：需求变更时，需要手动修改多处
• 难复用：每个 Skill 都要从头写，无法复用模式

2.2 新范式：Context Engineering

Context Engineering（上下文工程） 的核心思想是：

具体来说：

• 你负责：

  • 明确逻辑：输入/输出/边界条件梳理
  • 准备素材：现有 SOP、规范、案例、历史对话
  • 定义约束：安全要求、格式规范、业务规则

• 模型负责：

  • 生成 SKILL.md 初稿（包含元数据和指令）
  • 生成脚本骨架（Python、Bash 等）
  • 生成 references 目录建议
  • 保证格式规范（YAML、Markdown 语法正确）

这样，你从「写代码的人」变成了「架构师」，模型从「执行者」变成了「代码生成器」。

三、一个可复用的「AI 生成 Skill」工作流

下面是一个经过实战验证的「AI 生成 Skill」工作流，你可以直接在国内外主流大模型中使用。这个工作流基于通用的 Prompt 工程原理，只要模型具备基本的文本生成和指令遵循能力即可。

3.1 工作流概览

整个工作流分为三个阶段：

1. 明确逻辑：梳理输入/输出/边界条件
2. 准备素材：收集现有 SOP、规范、案例
3. 自动生成：用 Prompt 让模型生成 Skill

3.2 阶段一：明确逻辑

在生成 Skill 之前，你需要先明确这个 Skill 的「逻辑边界」：

核心问题清单

• 输入是什么？ 用户需要提供什么参数？格式是什么？
• 输出是什么？ Skill 应该产生什么结果？格式是什么？
• 边界条件是什么？ 什么情况下 Skill 应该拒绝执行？什么情况下应该报错？
• 依赖什么？ 需要哪些工具？需要哪些其他 Skill？
• 安全约束是什么？ 哪些操作不能做？哪些数据不能访问？

示例：配图 Skill 的逻辑梳理

假设我们要做一个「长文配图 Skill」，逻辑梳理如下：

输入：
- Markdown 文档路径（必填）
- 配图风格偏好（可选：tech/warm/data/auto）

输出：
- 修改后的 Markdown 文档（已插入配图）
- 配图文件列表（路径、描述、风格）

边界条件：
- 如果文档不存在 → 报错
- 如果文档格式不是 Markdown → 拒绝
- 如果文档长度 < 500 字 → 建议不配图
- 如果配图生成失败 → 记录错误，继续处理其他位置

依赖：
- 文件读写工具（file.read, file.write）
- 图片生成工具（image.generate）
- Markdown 解析工具（可选）

安全约束：
- 不能访问文档路径之外的文件
- 不能生成包含敏感内容的图片
- 不能修改文档的元数据部分

3.3 阶段二：准备素材

有了逻辑边界，接下来需要准备「素材」——这些素材会被喂给模型，让它理解你的业务场景和规范。

素材类型

1. 现有 SOP / 规范文档

   • 如果你已经有相关的操作手册、规范文档，直接提供给模型
   • 例如：公司报告格式规范、配图风格指南、安全审查清单

2. 历史对话 / 案例

   • 如果你之前用 Prompt 做过类似任务，把成功的对话记录提供给模型
   • 例如：之前让模型配图的 Prompt、实际生成的配图示例

3. 参考 Skill

   • 如果有类似的 Skill（官方或自建），可以作为参考
   • 例如：官方 article-illustrator Skill 的结构

4. 业务约束 / 模板

   • 输出格式模板、命名规范、错误处理规范等
   • 例如：Markdown 图片插入格式、文件命名规则

素材准备示例

素材1：公司配图风格指南（markdown）
- Tech 风格：简洁、现代、蓝色调为主
- Warm 风格：温馨、柔和、暖色调为主
- Data 风格：数据可视化、图表为主

素材2：历史 Prompt 示例
- "请为这篇文章生成配图，风格要求：Tech 风格，图片描述要简洁明了"

素材3：参考 Skill（官方 article-illustrator）
- 目录结构参考
- 元数据字段参考
- 操作流程参考

素材4：输出格式模板
- 图片插入格式：![alt-text](image-path)
- 文件命名：{article-name}-{index}.png

3.4 阶段三：自动生成

有了逻辑和素材，接下来用 Prompt 让模型生成 Skill。

核心 Prompt 模板

下面是一个可以直接使用的「Skill 生成 Prompt」模板：

# 任务：生成一个 Agent Skill

## 背景信息

我需要创建一个 Skill，功能是：{功能描述}

## 逻辑边界

**输入：**
{输入参数说明}

**输出：**
{输出结果说明}

**边界条件：**
{边界条件说明}

**依赖：**
{依赖工具/Skill 列表}

**安全约束：**
{安全约束说明}

## 参考素材

{在这里粘贴你的 SOP、规范、案例、参考 Skill 等素材}

## 生成要求

请按照以下结构生成一个完整的 Skill：

1. **YAML Frontmatter**（元数据）
   - name: {skill-name}
   - description: {简短描述}
   - argument-hint: {参数提示}
   - user-invocable: true/false
   - allowed-tools: {工具列表}
   - version: 1.0.0

2. **操作流程**（Instructions）
   - 步骤拆解清晰，每一步都要具体可操作
   - 包含风格选择、约束说明、错误处理

3. **脚本建议**（Scripts）
   - 如果需要脚本，提供 Python 或 Bash 脚本骨架
   - 说明脚本的输入/输出和调用方式

4. **References 建议**（References）
   - 如果有需要拆分的参考文档，建议目录结构

## 格式要求

- YAML Frontmatter 必须符合规范
- Markdown 格式正确
- 代码块使用正确的语言标识
- 所有路径使用相对路径

请开始生成：

实际使用示例

使用时，将模板中的占位符替换为你的具体内容即可。例如生成「长文配图 Skill」时，填写片段如下（「参考素材」「生成要求」「格式要求」与模板一致，此处略）：

## 背景信息
我需要创建一个 Skill，功能是：自动为长文生成配图并插入到合适位置

## 逻辑边界
**输入：** Markdown 文档路径（必填）；配图风格偏好（可选：tech/warm/data/auto）
**输出：** 修改后的 Markdown 文档（已插入配图）；配图文件列表
**边界条件：** 文档不存在→报错；非 Markdown→拒绝；<500 字→建议不配图；生成失败→记录错误并继续
**依赖：** file.read, file.write, image.generate
**安全约束：** 不访问文档外文件；不生成敏感图；不修改元数据
（此处粘贴你的风格指南、参考 Skill 结构等素材）

生成结果示例

模型会生成类似这样的 Skill（以下仅展示元数据与操作流程前两步，完整结构可参考第三篇）：

---
name: article-illustrator-cn
description: 自动为长文生成配图并插入到合适位置
argument-hint: 请提供需要配图的 Markdown 文档路径，可选参数：配图风格（tech/warm/data/auto）
user-invocable: true
allowed-tools: [file.read, file.write, image.generate]
version: 1.0.0
---

# 长文配图 Skill

## 操作流程

### 1. 文档验证与预处理
- 使用 `file.read` 读取文档；验证存在性与格式；字数 < 500 时建议不配图

### 2. 结构化分析
- 通读全文，识别适合配图的位置（抽象概念、复杂流程、重点结论），为每位置生成简短描述

### 3. 风格自适应 / 4. 生成配图 / 5. 插入文档 / 6. 结果汇总
（步骤略：风格选择逻辑 → 调用 image.generate → 插入 Markdown 图片语法 → 汇总列表）

## 约束与注意事项
- 配图为帮助理解，非单纯装饰；保持风格一致；不访问文档外文件、不生成敏感图、不修改元数据

## 错误处理
- 文档不存在→报错终止；生成失败→记录错误并尝试备用风格或跳过该位置

## 脚本与 References 建议
- 可提供 `scripts/generate_image.py` 骨架；references 下可放 style_guide.md、examples.md

四、A/B 模型双人协作：让模型自己测试和优化

生成 Skill 只是第一步，更重要的是让模型自己测试和优化。这里介绍一个「A/B 模型双人协作」的方法。

4.1 双人协作流程

模型 A：Skill 生成器

• 负责根据逻辑和素材生成 Skill
• 负责根据反馈优化 Skill

模型 B：Skill 执行者

• 负责使用生成的 Skill 执行实际任务
• 负责记录执行过程中的问题和失败日志

协作流程：

1. 生成阶段：模型 A 生成 Skill 初稿
2. 测试阶段：模型 B 使用 Skill 执行测试任务
3. 反馈阶段：模型 B 记录失败日志和问题
4. 优化阶段：模型 A 根据反馈优化 Skill
5. 迭代：重复步骤 2-4，直到 Skill 可用

4.2 实际应用示例

步骤1：模型 A 生成 Skill

（使用前面的 Prompt 生成 Skill，得到 SKILL.md 初稿）

步骤2：模型 B 测试 Skill

给模型 B 下发测试任务，例如：「请使用 article-illustrator-cn Skill 为文档 ./test-article.md 生成配图，并记录每一步操作、遇到的问题与最终结果是否符合预期。」

步骤3：模型 B 反馈问题

模型 B 执行后反馈典型问题，例如：image.generate 工具不存在、错误处理不足、参数格式未说明等。

步骤4：模型 A 优化 Skill

将模型 B 的反馈粘贴给模型 A，要求其根据反馈优化 Skill（修复工具调用、补充错误处理、明确参数格式、提供备用方案等），并输出优化后的 Skill。

步骤5：迭代优化

重复步骤 2-4，直到 Skill 可用。

五、实战技巧：如何提高生成质量

5.1 素材准备技巧

1. 结构化素材：把素材整理成清晰的结构，便于模型理解
2. 提供示例：提供正面和反面示例，让模型理解「好」和「坏」的区别
3. 标注重点：在素材中标注重点内容，引导模型关注关键信息

5.2 Prompt 优化技巧

1. 分步骤生成：不要一次性生成所有内容，分步骤生成（先元数据，再指令，再脚本）
2. 明确格式要求：在 Prompt 中明确说明格式要求，避免格式错误
3. 提供模板：提供模板示例，让模型参考
4. 针对国内模型的优化：
   • 如果使用中文模型，直接用中文编写 Prompt 通常效果更好
   • 对于 YAML 格式，可以在 Prompt 中强调「严格按照 YAML 语法，注意缩进和冒号后的空格」
   • 如果模型对 Markdown 格式支持较弱，可以提供更详细的格式示例

5.3 测试技巧

1. 边界测试：测试边界条件（空输入、错误输入、极端情况）
2. 多场景测试：在不同场景下测试 Skill，确保通用性
3. 回归测试：优化后重新测试，确保没有引入新问题

六、总结

核心转变：从「手敲所有文案」到 Context Engineering，从「写代码的人」到「架构师」，从一次性编写到迭代优化。

工作流：明确逻辑 → 准备素材 → 用 Prompt 自动生成 → 模型 A 生成、模型 B 测试（双人协作）→ 根据反馈迭代。

收获：效率提升（几分钟生成）、格式更规范、易维护、模板可复用。建议先按本文工作流生成一个 Skill，再根据使用情况优化模板、积累自己的素材库。