还在为每次使用 AI 工具时手动复制粘贴冗长的提示词Prompt而烦恼吗当你在 ChatGPT、Claude、Midjourney 等不同平台间切换或是在同一个项目中需要反复调用某个精心调校的“技能”时这种重复劳动不仅低效还容易出错。今天要介绍的这款开源神器——Skills Manager正是为了解决这一痛点而生。它在 GitHub 上已收获超过 2.4K 星核心功能就是让你能像管理代码库一样轻松地创建、组织、分享和调用你的 AI 技能AI Skills。本文将带你从零开始全面掌握 Skills Manager 的安装、配置与核心用法。无论你是 AI 提示词工程师、日常重度依赖 AI 的开发者还是希望提升团队协作效率的项目负责人都能通过本文获得一套完整的自动化解决方案。我们将深入其架构手把手教你搭建本地技能库并通过实战案例展示如何将复杂的 AI 工作流一键化。1. Skills Manager 核心概念与价值在深入技术细节之前我们首先要理解 Skills Manager 究竟解决了什么问题以及它核心的“技能”概念是什么。1.1 什么是 AI Skill在 Skills Manager 的语境中一个AI Skill不仅仅是一段提示词文本。它是一个可执行、可参数化、可复用的 AI 交互单元。一个完整的 Skill 通常包含以下要素元数据技能名称、描述、版本、作者、标签等便于搜索和管理。输入参数定义技能执行所需的变量例如topic主题、tone语气、length长度。这使得同一个技能模板能适应不同场景。核心提示词与 AI 模型交互的主体内容其中会引用定义好的输入参数。输出处理可选的后续处理逻辑比如对 AI 返回的结果进行格式化、提取关键信息或保存到文件。例如一个“博客大纲生成器”技能其输入参数可以是blog_topic和target_audience核心提示词则是“请为关于{blog_topic}的博客文章生成一份面向{target_audience}的详细大纲...”。1.2 手动管理提示词的痛点与 Skills Manager 的解决方案在没有专用工具之前我们管理提示词的方式非常原始且低效散落各处提示词保存在记事本、Word 文档、聊天记录甚至脑子里。难以复用每次使用都需要重新打开文档复制粘贴容易遗漏或错位。版本混乱迭代优化后的提示词版本无法追溯无法快速回滚到之前的有效版本。协作困难团队间分享提示词靠复制粘贴无法保证大家使用的是最新、最统一的版本。缺乏上下文孤立的提示词片段缺少使用场景、预期效果和参数说明。Skills Manager 的解决方案是提供一个本地化、版本化、结构化的技能管理平台集中存储所有技能以文件形式存储在本地目录结构清晰。CLI 工具通过命令行快速调用、搜索、测试技能无缝集成到自动化脚本中。参数化调用通过命令行参数动态注入变量实现一键生成。版本控制友好技能文件本身就是文本文件可以轻松用 Git 进行版本管理、分支管理和协作。生态集成它可以与 AI 平台的 API如 OpenAI, Anthropic结合实现从技能调用到结果获取的全自动化流水线。1.3 核心应用场景理解了其价值后我们来看看它具体能在哪些场景中大显身手个人知识库将你研究过的、行之有效的提示词如代码调试、文案润色、学习计划制定沉淀为技能构建个人 AI 效率工具箱。团队标准化在团队内部统一内容创作、代码审查、数据分析的 AI 交互标准确保输出质量一致。复杂工作流自动化将多个技能串联起来形成自动化流水线。例如技能A收集新闻-技能B总结摘要-技能C生成社交媒体帖子。教育与分享教师可以创建一系列引导式学习的技能开发者可以将自己的最佳实践打包成技能包分享给社区。2. 环境准备与安装部署Skills Manager 是一个基于 Python 的工具因此安装过程相对简单。下面我们将分步完成从环境准备到工具安装的全过程。2.1 系统与 Python 环境要求操作系统支持 Windows (建议使用 WSL2 或 PowerShell)、macOS 和 Linux。Python 版本需要 Python 3.8 或更高版本。这是运行 Skills Manager 及其依赖项的基础。包管理工具我们将使用pip进行安装。请确保你的pip已更新至最新版。首先打开你的终端Terminal、CMD、PowerShell 或 WSL检查 Python 和 pip 版本# 检查 Python 版本 python --version # 或 python3 --version # 检查 pip 版本 pip --version # 或 pip3 --version如果未安装 Python请前往 Python 官网 下载并安装对应版本安装时请务必勾选“Add Python to PATH”。2.2 安装 Skills ManagerSkills Manager 通常通过 Python 的包索引 PyPI 进行安装。在终端中执行以下命令pip install skills-manager如果你希望安装特定的版本或者安装在虚拟环境中以避免污染全局 Python 环境推荐先创建并激活一个虚拟环境# 创建虚拟环境以 venv 为例 python -m venv skills-env # 激活虚拟环境 # Windows (CMD/PowerShell) skills-env\Scripts\activate # macOS/Linux source skills-env/bin/activate # 在激活的虚拟环境中安装 pip install skills-manager安装完成后可以通过以下命令验证安装是否成功并查看基本帮助信息# 验证安装查看主命令帮助 skills --help如果看到输出一系列可用的命令如list,run,create等说明安装成功。2.3 可选安装 AI 客户端Skills Manager 的核心是管理技能但技能的最终执行通常需要调用 AI 模型的 API。因此你通常需要安装相应的 AI 客户端库。例如如果你要使用 OpenAI 的模型pip install openai安装后你需要在环境变量或配置文件中设置你的 API Key如OPENAI_API_KEY。Skills Manager 的技能定义中可以指定使用哪个客户端但具体的 API 调用凭证需要你自行配置。重要安全提示API Key 是敏感信息切勿直接硬编码在技能文件或脚本中。务必使用环境变量或安全的配置管理方式。3. Skills Manager 核心功能与命令详解安装完成后我们来深入探索 Skills Manager 的核心命令。这些命令是你日常管理技能的主要交互方式。3.1 技能库初始化与结构首先你需要一个地方来存放你的技能。Skills Manager 的技能库本质上是一个特定结构的目录。# 初始化一个新的技能库假设我们命名为 my-skills-repo skills init my-skills-repo cd my-skills-repo执行init命令后会生成一个标准的目录结构通常如下所示my-skills-repo/ ├── skills/ # 核心技能存放目录 │ ├── writing/ # 分类目录例如“写作” │ │ └── blog_outline.skill.md # 一个技能文件 │ └── coding/ │ └── code_review.skill.md ├── templates/ # 技能模板目录可选 ├── .skills/ # Skills Manager 内部配置和元数据 │ └── config.yaml # 库级别的配置文件 └── README.md # 技能库说明文档关键文件是.skill.md后缀的文件这是技能的载体采用 Markdown 格式便于阅读和编写。3.2 创建你的第一个技能让我们使用create命令来创建一个新技能。这是一个交互式过程。# 进入技能库目录后创建技能 skills create系统会引导你输入技能名称例如generate_meeting_summary描述例如 “Generates a structured summary from meeting notes.”分类/标签例如productivity,writing作者你的名字命令执行后会在skills/目录下或你指定的分类子目录生成一个generate_meeting_summary.skill.md文件。用你喜欢的文本编辑器打开它你会看到类似以下的结构# Generate Meeting Summary **Description:** Generates a structured summary from meeting notes. **Author:** Your Name **Tags:** productivity, writing **Version:** 1.0.0 ## Inputs - meeting_notes: (string) The raw text of the meeting notes. ## Prompt You are an expert meeting facilitator. Please analyze the following meeting notes and generate a concise, structured summary. **Meeting Notes:**{{ meeting_notes }}**Please structure the summary as follows:** 1. Key Decisions 2. Action Items (with owner and deadline if mentioned) 3. Open Questions / Topics for Next Meeting 4. Overall Sentiment Key Takeaways ## Notes - This skill is designed for internal team meetings. - The output should be in markdown format.这个文件清晰地定义了一个技能。## Inputs部分定义了输入参数meeting_notes。## Prompt部分是核心提示词使用{{ meeting_notes }}的语法来引用输入参数。这种{{ variable }}是 Skills Manager 默认的模板变量语法。3.3 运行与测试技能创建好技能后最关键的一步就是运行它。使用run命令并通过-p或--params参数传递输入值。# 运行技能并传入 meeting_notes 参数 skills run generate_meeting_summary -p meeting_notesToday we discussed the Q3 launch plan. Alice will finalize the marketing assets by Friday. Bob raised a concern about API rate limits, which we need to investigate. We decided to move the launch date to Sept 15th.重要默认情况下skills run命令只会将渲染后的完整提示词输出到终端。它不会自动调用 AI API 并返回结果。它的主要作用是让你验证提示词模板和参数替换是否正确。你会看到类似下面的输出这就是即将发送给 AI 的完整提示词You are an expert meeting facilitator. Please analyze the following meeting notes and generate a concise, structured summary. **Meeting Notes:**Today we discussed the Q3 launch plan. Alice will finalize the marketing assets by Friday. Bob raised a concern about API rate limits, which we need to investigate. We decided to move the launch date to Sept 15th.**Please structure the summary as follows:** 1. Key Decisions 2. Action Items (with owner and deadline if mentioned) 3. Open Questions / Topics for Next Meeting 4. Overall Sentiment Key Takeaways3.4 技能库的管理与探索随着技能增多管理变得重要。Skills Manager 提供了几个有用的管理命令# 列出技能库中的所有技能 skills list # 输出示例 # - writing/blog_outline (v1.0.0) # - productivity/generate_meeting_summary (v1.0.0) # - coding/python_debug (v2.1.0) # 搜索包含特定关键词的技能 skills search meeting # 查看某个技能的详细信息元数据和提示词预览 skills info productivity/generate_meeting_summary # 将技能导出为单个文件便于分享 skills export productivity/generate_meeting_summary --output meeting_summary_skill.md4. 实战构建自动化 AI 工作流理解了基础命令后我们来完成一个更贴近实战的案例自动化周报生成器。这个工作流将涉及多个技能的串联和外部脚本的调用。4.1 案例需求分析假设我们每周需要完成以下工作从 Jira/Trello 等工具中提取本周完成的任务列表原始数据。使用 AI 将杂乱的任务列表整理、归纳成结构清晰的周报草稿。对草稿进行润色使其语言更专业、简洁。将最终周报保存为 Markdown 文件。我们将用三个 Skills Manager 技能和一个小型 Shell/Python 脚本来实现。4.2 创建核心技能首先在技能库中创建三个技能。技能一summarize_tasks(productivity/summarize_tasks.skill.md)# Summarize Tasks **Description:** Summarizes and categorizes a raw list of task items into a structured weekly report draft. **Author:** Dev Team **Tags:** productivity, report **Version:** 1.0.0 ## Inputs - raw_tasks: (string) A bullet-point list of tasks completed this week. ## Prompt You are a project manager. Below is a raw list of tasks completed by a developer in the past week. Please process it and generate a draft for a weekly work report. **Raw Tasks:**{{ raw_tasks }}**Instructions:** 1. **Categorize** the tasks into logical groups (e.g., Feature Development, Bug Fixes, Code Review, Infrastructure, Learning). 2. For each category, provide a **brief summary** of what was accomplished. 3. Identify any **blockers or challenges** encountered. 4. Outline **plans for next week** based on the work done. 5. Keep the tone professional and concise. Output the draft in markdown format.技能二polish_report(writing/polish_report.skill.md)# Polish Report **Description:** Polishes a draft report to improve clarity, professionalism, and conciseness. **Author:** Dev Team **Tags:** writing, polish **Version:** 1.0.0 ## Inputs - report_draft: (string) The draft report in markdown format. - tone: (string) Desired tone. Default is professional. Options: professional, casual, optimistic, formal. ## Prompt You are a professional editor. Please polish the following draft work report. Improve its language, flow, and clarity while preserving all factual content and the original structure. **Desired Tone:** {{ tone }} **Report Draft:**{{ report_draft }}**Please:** - Correct any grammatical errors or awkward phrasing. - Ensure sentences are clear and concise. - Strengthen the professional tone without being overly verbose. - Do not add or remove any major sections or bullet points. Return the polished version in markdown format.4.3 编写自动化脚本现在我们创建一个 Python 脚本 (generate_weekly_report.py) 来串联整个流程。这个脚本将模拟或从真实来源获取原始任务数据。调用skills run命令通过子进程来渲染提示词。使用openai库或其他客户端将渲染后的提示词发送给 AI 模型。将第一个技能的输出作为第二个技能的输入实现串联。保存最终结果。#!/usr/bin/env python3 # generate_weekly_report.py import subprocess import json import openai import os from pathlib import Path # 1. 配置 OpenAI API (请确保已设置环境变量 OPENAI_API_KEY) # openai.api_key os.getenv(OPENAI_API_KEY) # 或者使用新版 OpenAI Python SDK (v1.0) from openai import OpenAI client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) def run_skill(skill_name, params): 使用 skills run 命令渲染技能提示词但不执行AI调用 try: # 构建命令参数 args [skills, run, skill_name] for key, value in params.items(): args.extend([-p, f{key}{value}]) # 执行命令并捕获输出 result subprocess.run(args, capture_outputTrue, textTrue, checkTrue, cwd./my-skills-repo) rendered_prompt result.stdout.strip() return rendered_prompt except subprocess.CalledProcessError as e: print(fError running skill {skill_name}: {e}) print(fStderr: {e.stderr}) return None def call_ai(prompt, modelgpt-3.5-turbo): 调用 OpenAI API 获取 AI 响应 try: response client.chat.completions.create( modelmodel, messages[{role: user, content: prompt}], temperature0.7, ) return response.choices[0].message.content except Exception as e: print(fError calling AI API: {e}) return None def main(): # 模拟原始任务数据 (实际中可从 Jira API、CSV 等获取) raw_tasks - Fixed bug #1234: Login page crashing on Safari - Implemented user profile picture upload feature (API endpoint UI) - Reviewed PR #567 for the new payment module - Updated deployment documentation for the staging environment - Attended workshop on Kubernetes security best practices - Investigated slow database query on the reports page (identified missing index) print(Step 1: Summarizing raw tasks...) # 渲染第一个技能的提示词 summary_prompt run_skill(productivity/summarize_tasks, {raw_tasks: raw_tasks}) if not summary_prompt: return # 调用 AI 获取周报草稿 report_draft call_ai(summary_prompt) if not report_draft: return print(Draft generated.\n) print(Step 2: Polishing the report...) # 渲染第二个技能的提示词传入第一个技能的输出 polish_prompt run_skill(writing/polish_report, {report_draft: report_draft, tone: professional}) if not polish_prompt: return # 调用 AI 获取润色后的周报 final_report call_ai(polish_prompt) if not final_report: return print(Report polished.\n) # 3. 保存最终结果 output_file Path(weekly_report.md) output_file.write_text(final_report, encodingutf-8) print(f✅ Weekly report successfully generated and saved to: {output_file.absolute()}) print(\n--- Final Report ---) print(final_report) if __name__ __main__: main()4.4 运行与验证在运行脚本前请确保你位于正确的目录技能库my-skills-repo的父目录。已设置OPENAI_API_KEY环境变量。已安装openaiPython 包。# 设置 API Key (Linux/macOS) export OPENAI_API_KEYyour-api-key-here # Windows (PowerShell) # $env:OPENAI_API_KEYyour-api-key-here # 运行自动化脚本 python generate_weekly_report.py脚本将依次执行并在终端打印过程日志最终生成weekly_report.md文件。打开该文件你将看到一份经过 AI 总结和润色的、结构清晰、语言专业的周报。这个案例展示了 Skills Manager 的核心价值将可复用的 AI 交互模式技能与自动化脚本相结合构建出强大的、定制化的 AI 工作流。你可以在此基础上扩展例如从真实数据源获取任务、添加更多处理步骤如翻译、发送邮件等。5. 高级配置与集成技巧掌握了基础使用和简单串联后我们来看看如何更高效地管理和集成 Skills Manager。5.1 技能文件的进阶语法技能文件.skill.md支持更丰富的定义以实现复杂逻辑。多参数与默认值## Inputs - topic: (string) The main topic of the blog post. 【Required】 - tone: (string) Writing tone. Default is formal. Options: formal, casual, persuasive. - length: (number) Approximate word count. Default is 800. - keywords: (list) A list of keywords to include. Default is [].在提示词中可以使用{{ tone }}、{{ length }}引用。对于列表你可能需要在提示词中手动处理例如使用{% for kw in keywords %}{{ kw }}{% endfor %}如果 Skills Manager 支持其模板引擎如 Jinja2。配置执行器在技能文件中可以指定使用哪个 AI 客户端以及模型参数。## Config client: openai model: gpt-4 temperature: 0.5 max_tokens: 1500这允许技能自带执行配置。当使用skills run --execute如果该功能存在或集成脚本读取此配置时可以自动调用对应的 AI 服务。5.2 与 CI/CD 和自动化工具集成Skills Manager 的 CLI 特性使其能轻松嵌入各种自动化流程。在 Makefile 或 Shell 脚本中调用.PHONY: generate-docs generate-docs: echo Generating API documentation... skills run dev/generate_api_docs -p spec_fileopenapi.json docs/prompt.txt # 接着可以使用 curl 或 SDK 发送 prompt.txt 到 AI API python scripts/send_to_ai.py docs/prompt.txt docs/api_docs.md在 GitHub Actions 中用于自动化代码审查或生成 Changelog# .github/workflows/ai-review.yml jobs: review: runs-on: ubuntu-latest steps: - uses: actions/checkoutv3 - name: Set up Python uses: actions/setup-pythonv4 with: { python-version: 3.10 } - name: Install Skills Manager run: pip install skills-manager - name: Run Code Review Skill run: | SKILL_PROMPT$(skills run team/code_review -p diff_url${{ github.event.pull_request.diff_url }}) # 将 $SKILL_PROMPT 发送给 AI 并处理结果例如发布为 PR 评论 python .github/scripts/post_review.py $SKILL_PROMPT5.3 团队协作与版本控制技能库本身是文件集合因此天生适合用 Git 管理。初始化 Git 仓库cd my-skills-repo git init git add . git commit -m Initial commit of skills repository建立协作规范分支策略main分支存放稳定技能新技能在feature/分支开发。Pull Request 流程新增或修改技能需提交 PR进行同行评审。评审内容可包括提示词有效性、参数设计、描述清晰度。技能命名与分类制定团队统一的命名规范如动词_名词.skill.md和分类目录结构。变更日志在技能文件的## Changelog部分或仓库的CHANGELOG.md中记录重要更新。共享技能库将 Git 仓库推送到 GitHub、GitLab 或内部 Git 服务器。团队成员可以克隆仓库并通过skills命令直接使用。6. 常见问题与排查思路在使用 Skills Manager 过程中你可能会遇到一些典型问题。下表列出了常见问题及其解决方法问题现象可能原因排查与解决思路运行skills命令提示“command not found”1. 未正确安装。2. Python Scripts 目录未加入系统 PATH。1. 使用pip show skills-manager检查是否安装。2. 重新安装或检查 Python 环境确保安装目录如~/.local/bin或虚拟环境的Scripts在 PATH 中。skills run成功但提示词渲染结果为空或参数未替换1. 技能文件中变量语法错误。2.-p参数格式错误。1. 检查技能文件中的变量引用确保使用正确的语法如{{ my_var }}。2. 确保-p参数格式为keyvalue且key与技能定义中的输入名完全匹配。技能执行调用 AI API失败1. 未安装对应的 AI 客户端库。2. API Key 未设置或无效。3. 网络问题或 API 服务不可用。1. 使用pip list检查是否安装了openai等库。2. 确认环境变量如OPENAI_API_KEY已设置且有效。3. 检查网络连接并确认 API 服务状态和配额。skills list或skills search找不到已创建的技能1. 未在技能库目录内执行命令。2. 技能文件未放在skills/目录或其子目录下。3. 技能文件扩展名不是.skill.md。1. 使用pwd确认当前目录是技能库根目录包含.skills/文件夹。2. 检查技能文件是否位于正确的skills/category/路径下。3. 确保文件全名是xxx.skill.md。在脚本中调用skills run获取的输出包含额外信息或格式不对subprocess.run捕获了标准错误或输出包含颜色代码等。在subprocess.run中确保capture_outputTrue并可能需要对result.stdout进行清洗如去除 ANSI 颜色代码。使用textTrue获取字符串而非字节。调试技巧始终先使用skills run skill_name -p keyvalue在终端测试技能渲染确保提示词输出符合预期。使用skills info skill_name仔细检查技能的输入定义和元数据。在自动化脚本中增加详细的日志打印记录每一步的输入和中间输出。7. 最佳实践与工程化建议为了最大化 Skills Manager 的价值并确保其长期可维护性遵循以下最佳实践至关重要。7.1 技能设计原则单一职责一个技能应只完成一件明确的任务。例如将“生成大纲”和“润色文章”拆分为两个技能而不是一个“写作全能”技能。这提高了复用性。清晰的输入输出明确定义输入参数的类型、描述和是否必需。在技能描述中说明期望的输出格式和内容。版本化在技能文件中维护**Version:**字段。当对提示词或参数进行不兼容的修改时升级主版本号如 1.0.0 - 2.0.0。这有助于依赖该技能的脚本或团队成员管理变更。充分的上下文在提示词中提供足够的角色设定、任务背景和约束条件以引导 AI 生成更稳定、更符合预期的输出。包含示例在技能文件的## Notes或## Examples部分提供一两个输入输出的示例这对新使用者极具帮助。7.2 技能库管理与协作分类与标签合理使用目录分类如writing/,coding/,analysis/和标签系统使技能易于发现。避免将所有技能堆放在根目录。文档化在技能库根目录维护一个README.md说明库的目的、使用规范、贡献指南和主要技能索引。代码审查将技能文件视为代码。在团队协作中对技能文件的修改应通过 Pull Request 流程进行同行评审关注提示词的有效性、安全性和潜在偏见。定期维护AI 模型和最佳实践在不断发展。定期回顾和优化已有的技能测试其在新模型如从 GPT-3.5 升级到 GPT-4下的表现。7.3 安全与成本控制敏感信息绝对不要将 API Keys、密码、内部系统地址等敏感信息硬编码在技能文件或共享的脚本中。始终使用环境变量或安全的密钥管理服务。提示词注入防护如果技能的输入来自不可信的用户需警惕提示词注入攻击。避免将未经验证的用户输入直接拼接进提示词。考虑对输入进行清洗或使用分隔符。成本监控自动化调用 AI API 会产生费用。为脚本设置合理的max_tokens参数对长时间运行的任务实施用量监控和告警。可以考虑对非关键任务使用更经济的模型。错误处理与重试在自动化脚本中务必对 AI API 调用实现健壮的错误处理如网络超时、速率限制和适当的重试机制。7.4 性能优化批量处理如果需要处理大量相似项目考虑设计技能以接受列表输入并在一次 API 调用中批量处理这通常比循环调用更高效、更经济。缓存结果对于输入确定、输出不常变化的技能如根据固定规范生成文档可以考虑将结果缓存到本地文件或数据库中避免重复调用 AI。异步调用在 Python 等支持异步的语言中可以使用asyncio并发调用多个独立的 AI 技能显著提升工作流整体速度。通过将 Skills Manager 融入你的开发流程你实质上是在构建一个不断进化的、属于你自己或团队的“AI 智能体工具箱”。它消除了手动处理提示词的摩擦让创意和逻辑更多地聚焦于工作流设计和问题定义本身。从今天开始尝试将你常用的提示词固化为技能逐步构建你的自动化工作流体验 AI 时代的高效协作。
Skills Manager：开源AI技能管理工具，实现提示词工程化与自动化
还在为每次使用 AI 工具时手动复制粘贴冗长的提示词Prompt而烦恼吗当你在 ChatGPT、Claude、Midjourney 等不同平台间切换或是在同一个项目中需要反复调用某个精心调校的“技能”时这种重复劳动不仅低效还容易出错。今天要介绍的这款开源神器——Skills Manager正是为了解决这一痛点而生。它在 GitHub 上已收获超过 2.4K 星核心功能就是让你能像管理代码库一样轻松地创建、组织、分享和调用你的 AI 技能AI Skills。本文将带你从零开始全面掌握 Skills Manager 的安装、配置与核心用法。无论你是 AI 提示词工程师、日常重度依赖 AI 的开发者还是希望提升团队协作效率的项目负责人都能通过本文获得一套完整的自动化解决方案。我们将深入其架构手把手教你搭建本地技能库并通过实战案例展示如何将复杂的 AI 工作流一键化。1. Skills Manager 核心概念与价值在深入技术细节之前我们首先要理解 Skills Manager 究竟解决了什么问题以及它核心的“技能”概念是什么。1.1 什么是 AI Skill在 Skills Manager 的语境中一个AI Skill不仅仅是一段提示词文本。它是一个可执行、可参数化、可复用的 AI 交互单元。一个完整的 Skill 通常包含以下要素元数据技能名称、描述、版本、作者、标签等便于搜索和管理。输入参数定义技能执行所需的变量例如topic主题、tone语气、length长度。这使得同一个技能模板能适应不同场景。核心提示词与 AI 模型交互的主体内容其中会引用定义好的输入参数。输出处理可选的后续处理逻辑比如对 AI 返回的结果进行格式化、提取关键信息或保存到文件。例如一个“博客大纲生成器”技能其输入参数可以是blog_topic和target_audience核心提示词则是“请为关于{blog_topic}的博客文章生成一份面向{target_audience}的详细大纲...”。1.2 手动管理提示词的痛点与 Skills Manager 的解决方案在没有专用工具之前我们管理提示词的方式非常原始且低效散落各处提示词保存在记事本、Word 文档、聊天记录甚至脑子里。难以复用每次使用都需要重新打开文档复制粘贴容易遗漏或错位。版本混乱迭代优化后的提示词版本无法追溯无法快速回滚到之前的有效版本。协作困难团队间分享提示词靠复制粘贴无法保证大家使用的是最新、最统一的版本。缺乏上下文孤立的提示词片段缺少使用场景、预期效果和参数说明。Skills Manager 的解决方案是提供一个本地化、版本化、结构化的技能管理平台集中存储所有技能以文件形式存储在本地目录结构清晰。CLI 工具通过命令行快速调用、搜索、测试技能无缝集成到自动化脚本中。参数化调用通过命令行参数动态注入变量实现一键生成。版本控制友好技能文件本身就是文本文件可以轻松用 Git 进行版本管理、分支管理和协作。生态集成它可以与 AI 平台的 API如 OpenAI, Anthropic结合实现从技能调用到结果获取的全自动化流水线。1.3 核心应用场景理解了其价值后我们来看看它具体能在哪些场景中大显身手个人知识库将你研究过的、行之有效的提示词如代码调试、文案润色、学习计划制定沉淀为技能构建个人 AI 效率工具箱。团队标准化在团队内部统一内容创作、代码审查、数据分析的 AI 交互标准确保输出质量一致。复杂工作流自动化将多个技能串联起来形成自动化流水线。例如技能A收集新闻-技能B总结摘要-技能C生成社交媒体帖子。教育与分享教师可以创建一系列引导式学习的技能开发者可以将自己的最佳实践打包成技能包分享给社区。2. 环境准备与安装部署Skills Manager 是一个基于 Python 的工具因此安装过程相对简单。下面我们将分步完成从环境准备到工具安装的全过程。2.1 系统与 Python 环境要求操作系统支持 Windows (建议使用 WSL2 或 PowerShell)、macOS 和 Linux。Python 版本需要 Python 3.8 或更高版本。这是运行 Skills Manager 及其依赖项的基础。包管理工具我们将使用pip进行安装。请确保你的pip已更新至最新版。首先打开你的终端Terminal、CMD、PowerShell 或 WSL检查 Python 和 pip 版本# 检查 Python 版本 python --version # 或 python3 --version # 检查 pip 版本 pip --version # 或 pip3 --version如果未安装 Python请前往 Python 官网 下载并安装对应版本安装时请务必勾选“Add Python to PATH”。2.2 安装 Skills ManagerSkills Manager 通常通过 Python 的包索引 PyPI 进行安装。在终端中执行以下命令pip install skills-manager如果你希望安装特定的版本或者安装在虚拟环境中以避免污染全局 Python 环境推荐先创建并激活一个虚拟环境# 创建虚拟环境以 venv 为例 python -m venv skills-env # 激活虚拟环境 # Windows (CMD/PowerShell) skills-env\Scripts\activate # macOS/Linux source skills-env/bin/activate # 在激活的虚拟环境中安装 pip install skills-manager安装完成后可以通过以下命令验证安装是否成功并查看基本帮助信息# 验证安装查看主命令帮助 skills --help如果看到输出一系列可用的命令如list,run,create等说明安装成功。2.3 可选安装 AI 客户端Skills Manager 的核心是管理技能但技能的最终执行通常需要调用 AI 模型的 API。因此你通常需要安装相应的 AI 客户端库。例如如果你要使用 OpenAI 的模型pip install openai安装后你需要在环境变量或配置文件中设置你的 API Key如OPENAI_API_KEY。Skills Manager 的技能定义中可以指定使用哪个客户端但具体的 API 调用凭证需要你自行配置。重要安全提示API Key 是敏感信息切勿直接硬编码在技能文件或脚本中。务必使用环境变量或安全的配置管理方式。3. Skills Manager 核心功能与命令详解安装完成后我们来深入探索 Skills Manager 的核心命令。这些命令是你日常管理技能的主要交互方式。3.1 技能库初始化与结构首先你需要一个地方来存放你的技能。Skills Manager 的技能库本质上是一个特定结构的目录。# 初始化一个新的技能库假设我们命名为 my-skills-repo skills init my-skills-repo cd my-skills-repo执行init命令后会生成一个标准的目录结构通常如下所示my-skills-repo/ ├── skills/ # 核心技能存放目录 │ ├── writing/ # 分类目录例如“写作” │ │ └── blog_outline.skill.md # 一个技能文件 │ └── coding/ │ └── code_review.skill.md ├── templates/ # 技能模板目录可选 ├── .skills/ # Skills Manager 内部配置和元数据 │ └── config.yaml # 库级别的配置文件 └── README.md # 技能库说明文档关键文件是.skill.md后缀的文件这是技能的载体采用 Markdown 格式便于阅读和编写。3.2 创建你的第一个技能让我们使用create命令来创建一个新技能。这是一个交互式过程。# 进入技能库目录后创建技能 skills create系统会引导你输入技能名称例如generate_meeting_summary描述例如 “Generates a structured summary from meeting notes.”分类/标签例如productivity,writing作者你的名字命令执行后会在skills/目录下或你指定的分类子目录生成一个generate_meeting_summary.skill.md文件。用你喜欢的文本编辑器打开它你会看到类似以下的结构# Generate Meeting Summary **Description:** Generates a structured summary from meeting notes. **Author:** Your Name **Tags:** productivity, writing **Version:** 1.0.0 ## Inputs - meeting_notes: (string) The raw text of the meeting notes. ## Prompt You are an expert meeting facilitator. Please analyze the following meeting notes and generate a concise, structured summary. **Meeting Notes:**{{ meeting_notes }}**Please structure the summary as follows:** 1. Key Decisions 2. Action Items (with owner and deadline if mentioned) 3. Open Questions / Topics for Next Meeting 4. Overall Sentiment Key Takeaways ## Notes - This skill is designed for internal team meetings. - The output should be in markdown format.这个文件清晰地定义了一个技能。## Inputs部分定义了输入参数meeting_notes。## Prompt部分是核心提示词使用{{ meeting_notes }}的语法来引用输入参数。这种{{ variable }}是 Skills Manager 默认的模板变量语法。3.3 运行与测试技能创建好技能后最关键的一步就是运行它。使用run命令并通过-p或--params参数传递输入值。# 运行技能并传入 meeting_notes 参数 skills run generate_meeting_summary -p meeting_notesToday we discussed the Q3 launch plan. Alice will finalize the marketing assets by Friday. Bob raised a concern about API rate limits, which we need to investigate. We decided to move the launch date to Sept 15th.重要默认情况下skills run命令只会将渲染后的完整提示词输出到终端。它不会自动调用 AI API 并返回结果。它的主要作用是让你验证提示词模板和参数替换是否正确。你会看到类似下面的输出这就是即将发送给 AI 的完整提示词You are an expert meeting facilitator. Please analyze the following meeting notes and generate a concise, structured summary. **Meeting Notes:**Today we discussed the Q3 launch plan. Alice will finalize the marketing assets by Friday. Bob raised a concern about API rate limits, which we need to investigate. We decided to move the launch date to Sept 15th.**Please structure the summary as follows:** 1. Key Decisions 2. Action Items (with owner and deadline if mentioned) 3. Open Questions / Topics for Next Meeting 4. Overall Sentiment Key Takeaways3.4 技能库的管理与探索随着技能增多管理变得重要。Skills Manager 提供了几个有用的管理命令# 列出技能库中的所有技能 skills list # 输出示例 # - writing/blog_outline (v1.0.0) # - productivity/generate_meeting_summary (v1.0.0) # - coding/python_debug (v2.1.0) # 搜索包含特定关键词的技能 skills search meeting # 查看某个技能的详细信息元数据和提示词预览 skills info productivity/generate_meeting_summary # 将技能导出为单个文件便于分享 skills export productivity/generate_meeting_summary --output meeting_summary_skill.md4. 实战构建自动化 AI 工作流理解了基础命令后我们来完成一个更贴近实战的案例自动化周报生成器。这个工作流将涉及多个技能的串联和外部脚本的调用。4.1 案例需求分析假设我们每周需要完成以下工作从 Jira/Trello 等工具中提取本周完成的任务列表原始数据。使用 AI 将杂乱的任务列表整理、归纳成结构清晰的周报草稿。对草稿进行润色使其语言更专业、简洁。将最终周报保存为 Markdown 文件。我们将用三个 Skills Manager 技能和一个小型 Shell/Python 脚本来实现。4.2 创建核心技能首先在技能库中创建三个技能。技能一summarize_tasks(productivity/summarize_tasks.skill.md)# Summarize Tasks **Description:** Summarizes and categorizes a raw list of task items into a structured weekly report draft. **Author:** Dev Team **Tags:** productivity, report **Version:** 1.0.0 ## Inputs - raw_tasks: (string) A bullet-point list of tasks completed this week. ## Prompt You are a project manager. Below is a raw list of tasks completed by a developer in the past week. Please process it and generate a draft for a weekly work report. **Raw Tasks:**{{ raw_tasks }}**Instructions:** 1. **Categorize** the tasks into logical groups (e.g., Feature Development, Bug Fixes, Code Review, Infrastructure, Learning). 2. For each category, provide a **brief summary** of what was accomplished. 3. Identify any **blockers or challenges** encountered. 4. Outline **plans for next week** based on the work done. 5. Keep the tone professional and concise. Output the draft in markdown format.技能二polish_report(writing/polish_report.skill.md)# Polish Report **Description:** Polishes a draft report to improve clarity, professionalism, and conciseness. **Author:** Dev Team **Tags:** writing, polish **Version:** 1.0.0 ## Inputs - report_draft: (string) The draft report in markdown format. - tone: (string) Desired tone. Default is professional. Options: professional, casual, optimistic, formal. ## Prompt You are a professional editor. Please polish the following draft work report. Improve its language, flow, and clarity while preserving all factual content and the original structure. **Desired Tone:** {{ tone }} **Report Draft:**{{ report_draft }}**Please:** - Correct any grammatical errors or awkward phrasing. - Ensure sentences are clear and concise. - Strengthen the professional tone without being overly verbose. - Do not add or remove any major sections or bullet points. Return the polished version in markdown format.4.3 编写自动化脚本现在我们创建一个 Python 脚本 (generate_weekly_report.py) 来串联整个流程。这个脚本将模拟或从真实来源获取原始任务数据。调用skills run命令通过子进程来渲染提示词。使用openai库或其他客户端将渲染后的提示词发送给 AI 模型。将第一个技能的输出作为第二个技能的输入实现串联。保存最终结果。#!/usr/bin/env python3 # generate_weekly_report.py import subprocess import json import openai import os from pathlib import Path # 1. 配置 OpenAI API (请确保已设置环境变量 OPENAI_API_KEY) # openai.api_key os.getenv(OPENAI_API_KEY) # 或者使用新版 OpenAI Python SDK (v1.0) from openai import OpenAI client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) def run_skill(skill_name, params): 使用 skills run 命令渲染技能提示词但不执行AI调用 try: # 构建命令参数 args [skills, run, skill_name] for key, value in params.items(): args.extend([-p, f{key}{value}]) # 执行命令并捕获输出 result subprocess.run(args, capture_outputTrue, textTrue, checkTrue, cwd./my-skills-repo) rendered_prompt result.stdout.strip() return rendered_prompt except subprocess.CalledProcessError as e: print(fError running skill {skill_name}: {e}) print(fStderr: {e.stderr}) return None def call_ai(prompt, modelgpt-3.5-turbo): 调用 OpenAI API 获取 AI 响应 try: response client.chat.completions.create( modelmodel, messages[{role: user, content: prompt}], temperature0.7, ) return response.choices[0].message.content except Exception as e: print(fError calling AI API: {e}) return None def main(): # 模拟原始任务数据 (实际中可从 Jira API、CSV 等获取) raw_tasks - Fixed bug #1234: Login page crashing on Safari - Implemented user profile picture upload feature (API endpoint UI) - Reviewed PR #567 for the new payment module - Updated deployment documentation for the staging environment - Attended workshop on Kubernetes security best practices - Investigated slow database query on the reports page (identified missing index) print(Step 1: Summarizing raw tasks...) # 渲染第一个技能的提示词 summary_prompt run_skill(productivity/summarize_tasks, {raw_tasks: raw_tasks}) if not summary_prompt: return # 调用 AI 获取周报草稿 report_draft call_ai(summary_prompt) if not report_draft: return print(Draft generated.\n) print(Step 2: Polishing the report...) # 渲染第二个技能的提示词传入第一个技能的输出 polish_prompt run_skill(writing/polish_report, {report_draft: report_draft, tone: professional}) if not polish_prompt: return # 调用 AI 获取润色后的周报 final_report call_ai(polish_prompt) if not final_report: return print(Report polished.\n) # 3. 保存最终结果 output_file Path(weekly_report.md) output_file.write_text(final_report, encodingutf-8) print(f✅ Weekly report successfully generated and saved to: {output_file.absolute()}) print(\n--- Final Report ---) print(final_report) if __name__ __main__: main()4.4 运行与验证在运行脚本前请确保你位于正确的目录技能库my-skills-repo的父目录。已设置OPENAI_API_KEY环境变量。已安装openaiPython 包。# 设置 API Key (Linux/macOS) export OPENAI_API_KEYyour-api-key-here # Windows (PowerShell) # $env:OPENAI_API_KEYyour-api-key-here # 运行自动化脚本 python generate_weekly_report.py脚本将依次执行并在终端打印过程日志最终生成weekly_report.md文件。打开该文件你将看到一份经过 AI 总结和润色的、结构清晰、语言专业的周报。这个案例展示了 Skills Manager 的核心价值将可复用的 AI 交互模式技能与自动化脚本相结合构建出强大的、定制化的 AI 工作流。你可以在此基础上扩展例如从真实数据源获取任务、添加更多处理步骤如翻译、发送邮件等。5. 高级配置与集成技巧掌握了基础使用和简单串联后我们来看看如何更高效地管理和集成 Skills Manager。5.1 技能文件的进阶语法技能文件.skill.md支持更丰富的定义以实现复杂逻辑。多参数与默认值## Inputs - topic: (string) The main topic of the blog post. 【Required】 - tone: (string) Writing tone. Default is formal. Options: formal, casual, persuasive. - length: (number) Approximate word count. Default is 800. - keywords: (list) A list of keywords to include. Default is [].在提示词中可以使用{{ tone }}、{{ length }}引用。对于列表你可能需要在提示词中手动处理例如使用{% for kw in keywords %}{{ kw }}{% endfor %}如果 Skills Manager 支持其模板引擎如 Jinja2。配置执行器在技能文件中可以指定使用哪个 AI 客户端以及模型参数。## Config client: openai model: gpt-4 temperature: 0.5 max_tokens: 1500这允许技能自带执行配置。当使用skills run --execute如果该功能存在或集成脚本读取此配置时可以自动调用对应的 AI 服务。5.2 与 CI/CD 和自动化工具集成Skills Manager 的 CLI 特性使其能轻松嵌入各种自动化流程。在 Makefile 或 Shell 脚本中调用.PHONY: generate-docs generate-docs: echo Generating API documentation... skills run dev/generate_api_docs -p spec_fileopenapi.json docs/prompt.txt # 接着可以使用 curl 或 SDK 发送 prompt.txt 到 AI API python scripts/send_to_ai.py docs/prompt.txt docs/api_docs.md在 GitHub Actions 中用于自动化代码审查或生成 Changelog# .github/workflows/ai-review.yml jobs: review: runs-on: ubuntu-latest steps: - uses: actions/checkoutv3 - name: Set up Python uses: actions/setup-pythonv4 with: { python-version: 3.10 } - name: Install Skills Manager run: pip install skills-manager - name: Run Code Review Skill run: | SKILL_PROMPT$(skills run team/code_review -p diff_url${{ github.event.pull_request.diff_url }}) # 将 $SKILL_PROMPT 发送给 AI 并处理结果例如发布为 PR 评论 python .github/scripts/post_review.py $SKILL_PROMPT5.3 团队协作与版本控制技能库本身是文件集合因此天生适合用 Git 管理。初始化 Git 仓库cd my-skills-repo git init git add . git commit -m Initial commit of skills repository建立协作规范分支策略main分支存放稳定技能新技能在feature/分支开发。Pull Request 流程新增或修改技能需提交 PR进行同行评审。评审内容可包括提示词有效性、参数设计、描述清晰度。技能命名与分类制定团队统一的命名规范如动词_名词.skill.md和分类目录结构。变更日志在技能文件的## Changelog部分或仓库的CHANGELOG.md中记录重要更新。共享技能库将 Git 仓库推送到 GitHub、GitLab 或内部 Git 服务器。团队成员可以克隆仓库并通过skills命令直接使用。6. 常见问题与排查思路在使用 Skills Manager 过程中你可能会遇到一些典型问题。下表列出了常见问题及其解决方法问题现象可能原因排查与解决思路运行skills命令提示“command not found”1. 未正确安装。2. Python Scripts 目录未加入系统 PATH。1. 使用pip show skills-manager检查是否安装。2. 重新安装或检查 Python 环境确保安装目录如~/.local/bin或虚拟环境的Scripts在 PATH 中。skills run成功但提示词渲染结果为空或参数未替换1. 技能文件中变量语法错误。2.-p参数格式错误。1. 检查技能文件中的变量引用确保使用正确的语法如{{ my_var }}。2. 确保-p参数格式为keyvalue且key与技能定义中的输入名完全匹配。技能执行调用 AI API失败1. 未安装对应的 AI 客户端库。2. API Key 未设置或无效。3. 网络问题或 API 服务不可用。1. 使用pip list检查是否安装了openai等库。2. 确认环境变量如OPENAI_API_KEY已设置且有效。3. 检查网络连接并确认 API 服务状态和配额。skills list或skills search找不到已创建的技能1. 未在技能库目录内执行命令。2. 技能文件未放在skills/目录或其子目录下。3. 技能文件扩展名不是.skill.md。1. 使用pwd确认当前目录是技能库根目录包含.skills/文件夹。2. 检查技能文件是否位于正确的skills/category/路径下。3. 确保文件全名是xxx.skill.md。在脚本中调用skills run获取的输出包含额外信息或格式不对subprocess.run捕获了标准错误或输出包含颜色代码等。在subprocess.run中确保capture_outputTrue并可能需要对result.stdout进行清洗如去除 ANSI 颜色代码。使用textTrue获取字符串而非字节。调试技巧始终先使用skills run skill_name -p keyvalue在终端测试技能渲染确保提示词输出符合预期。使用skills info skill_name仔细检查技能的输入定义和元数据。在自动化脚本中增加详细的日志打印记录每一步的输入和中间输出。7. 最佳实践与工程化建议为了最大化 Skills Manager 的价值并确保其长期可维护性遵循以下最佳实践至关重要。7.1 技能设计原则单一职责一个技能应只完成一件明确的任务。例如将“生成大纲”和“润色文章”拆分为两个技能而不是一个“写作全能”技能。这提高了复用性。清晰的输入输出明确定义输入参数的类型、描述和是否必需。在技能描述中说明期望的输出格式和内容。版本化在技能文件中维护**Version:**字段。当对提示词或参数进行不兼容的修改时升级主版本号如 1.0.0 - 2.0.0。这有助于依赖该技能的脚本或团队成员管理变更。充分的上下文在提示词中提供足够的角色设定、任务背景和约束条件以引导 AI 生成更稳定、更符合预期的输出。包含示例在技能文件的## Notes或## Examples部分提供一两个输入输出的示例这对新使用者极具帮助。7.2 技能库管理与协作分类与标签合理使用目录分类如writing/,coding/,analysis/和标签系统使技能易于发现。避免将所有技能堆放在根目录。文档化在技能库根目录维护一个README.md说明库的目的、使用规范、贡献指南和主要技能索引。代码审查将技能文件视为代码。在团队协作中对技能文件的修改应通过 Pull Request 流程进行同行评审关注提示词的有效性、安全性和潜在偏见。定期维护AI 模型和最佳实践在不断发展。定期回顾和优化已有的技能测试其在新模型如从 GPT-3.5 升级到 GPT-4下的表现。7.3 安全与成本控制敏感信息绝对不要将 API Keys、密码、内部系统地址等敏感信息硬编码在技能文件或共享的脚本中。始终使用环境变量或安全的密钥管理服务。提示词注入防护如果技能的输入来自不可信的用户需警惕提示词注入攻击。避免将未经验证的用户输入直接拼接进提示词。考虑对输入进行清洗或使用分隔符。成本监控自动化调用 AI API 会产生费用。为脚本设置合理的max_tokens参数对长时间运行的任务实施用量监控和告警。可以考虑对非关键任务使用更经济的模型。错误处理与重试在自动化脚本中务必对 AI API 调用实现健壮的错误处理如网络超时、速率限制和适当的重试机制。7.4 性能优化批量处理如果需要处理大量相似项目考虑设计技能以接受列表输入并在一次 API 调用中批量处理这通常比循环调用更高效、更经济。缓存结果对于输入确定、输出不常变化的技能如根据固定规范生成文档可以考虑将结果缓存到本地文件或数据库中避免重复调用 AI。异步调用在 Python 等支持异步的语言中可以使用asyncio并发调用多个独立的 AI 技能显著提升工作流整体速度。通过将 Skills Manager 融入你的开发流程你实质上是在构建一个不断进化的、属于你自己或团队的“AI 智能体工具箱”。它消除了手动处理提示词的摩擦让创意和逻辑更多地聚焦于工作流设计和问题定义本身。从今天开始尝试将你常用的提示词固化为技能逐步构建你的自动化工作流体验 AI 时代的高效协作。
