除自然语言描述外，还有哪些创建 Skill 的方式？

核心回答

除了“用自然语言让AI帮我写”，还可以手工编写、从现有资料提炼、从成功任务轨迹抽取、封装已有代码流程，以及复用现有技能再适配。这些是不同的形成途径，最终都需要变成宿主能发现和加载的技能包。

若讨论Agent Skills常见文件形式，核心是带元数据的SKILL.md，可附资料、模板和脚本。并不是只要注册一个函数就自动创建了这种Skill；有些业务平台将可执行模块也叫Skill，应先说清所用定义。

几种具体方式

直接写技能文件。 手工创建目录，描述适用场景、步骤、边界和产物，复杂细节放到引用文件。适合已经清楚做法、希望稳定复用的任务，内容不必由模型生成。

由文档或模板转换。 从团队操作手册、检查清单、报告范例或接口文档中提炼方法，保留必要术语、输入条件和验证方式。原始资料不是整篇复制进正文；要去掉无关背景，并为细节留引用。

从演示与历史轨迹抽取。 利用一次或多次实际任务中的工具调用、修正和最终产物，识别稳定步骤与异常分支。把具体账号、路径等替换成参数；确认哪些探索是必要的，避免把偶然成功路径固化成规则。

封装已有脚本与工作流。 将确定性计算、格式处理和接口适配放到代码里，SKILL.md解释何时用、如何传参、失败如何理解及如何检查结果。脚本负责稳定执行，指令负责方法和上下文，二者配合。

复用并适配现有技能。 从团队仓库或公开来源取得技能后，核对适用条件、依赖、工具与宿主支持，修改项目路径、术语和测试样例。相同文件结构不代表所有环境都能原样运行，脚本与外部服务尤其需要检查。

辅助生成器可以帮助搭建目录、检查元数据或从样例起草，但它是创建工具，不是另一种自动保证正确的技能机制。创建完成后还需要被目标宿主发现或注册，加载规则与具体产品有关。

怎样判断创建成功

先验证名称和描述是否能在正确任务中被发现，并用相近但不适用的请求检查误触发；再验证正文步骤和引用资源能否完成任务。包含代码时实际运行关键路径，输出按业务标准检查，不能只确认文件能解析。

例如已有“整理CSV报表”的Python脚本，可以补充输入格式、字段规则、错误说明、报告模板和结果核对，形成可复用技能。技术亮点在于把已有知识与执行资产组织成可发现、可组合、可验证的方法，而不是生成一段更长的Prompt。

对应教程

参考资料