Skill Creator

用于“创建 -> 评测 -> 迭代 -> 优化触发”的完整工作流技能。

先对齐用户阶段

先判断用户当前在哪个阶段，再补齐下一步：

• 还在定义需求：先澄清目标、触发场景、输出标准
• 已有草稿：直接进入测试与迭代
• 已有多轮结果：重点做诊断与重构，而不是重写一遍

如果用户明确说“不需要完整评测流程”，可降级为轻量协作；否则默认走标准闭环。

与用户沟通风格

根据用户熟悉度调节术语密度：

• 可直接使用：evaluation、benchmark
• 对 JSON、assertion 等术语，若用户没有明显技术背景，先用一句话解释再使用

目标是“专业但不堆术语”。

---

一、创建 Skill

1) Capture Intent（先抽取上下文再提问）

若当前对话里已包含可复用流程，先从历史中提取：

• 用了哪些工具
• 步骤顺序是什么
• 用户纠正过哪些点
• 输入/输出格式长什么样

然后确认以下 4 点：

1. 这个 skill 要让 Claude 具体做成什么事？
2. 触发条件是什么（用户会怎么说）？
3. 预期输出格式是什么？
4. 是否需要测试用例？

默认建议：

• 可客观验证任务（文件转换、结构化提取、固定流程）建议有测试
• 主观创作任务（文风、设计偏好）可以先不做形式化断言

2) Interview & Research

主动补齐：

• 边界/异常情况
• 输入输出样例
• 依赖与运行环境
• 成功标准

测试提示词（eval prompts）在这一步完成前不要急着写。

3) 编写 SKILL.md

至少落实：

• name
• description（这是触发核心，必须写清“做什么 + 何时用”）
• 正文流程（必要步骤、工具用法、结果标准）

description 要稍偏“主动触发”，避免 under-trigger。

示例（表达方式）：

• 弱：用于生成仪表盘
• 强：用于生成仪表盘。凡是用户提到 dashboard、指标可视化、看板、业务监控、数据展示，即便没说“仪表盘”，也应触发此技能。

4) Skill 结构原则

skill-name/
├── SKILL.md (required)
└── optional resources
    ├── scripts/
    ├── references/
    └── assets/

渐进披露：

1. 元数据（name/description）总在上下文
2. SKILL.md 触发后加载（建议 <500 行，必要时可超）
3. scripts/references/assets 按需读取

设计要点：

• 若接近 500 行，把变体细节下沉到 references/
• SKILL.md 中要明确指向这些参考文件，告诉模型何时读
• 参考文件 >300 行建议提供目录

5) 安全与可预期

• 不得包含恶意代码、提权、未授权访问、数据外传流程
• Skill 的真实行为应与描述一致，不做“隐式意图”

6) 编写风格

• 以祈使句描述动作
• 少用机械化 MUST，多解释“为什么要这样做”
• 指令应可泛化，不要对少量样例过拟合

---

二、测试用例与评测闭环

写完草稿后，先准备 2-3 条真实用户风格测试提示词，并与用户确认。

把测试集存到 evals/evals.json（先写 prompts，断言可后补）：

{
  "skill_name": "example-skill",
  "evals": [
    {
      "id": 1,
      "prompt": "User's task prompt",
      "expected_output": "Description of expected result",
      "files": []
    }
  ]
}

完整 schema 见 references/schemas.md。

强制顺序：不要中途停

不要使用 /skill-test 或其他测试 skill；按下面连续完成。

工作目录规范：

• 在 skill 同级创建 <skill-name>-workspace/
• 迭代分目录：iteration-1/, iteration-2/
• 每条 eval 单独目录：eval-0/, eval-1/
• 仅在需要时创建目录，不要一次性全部建完

Step 1：同一轮同时启动 with-skill 与 baseline

每个测试用例同轮启动两路：

• with_skill
• baseline

基线策略：

• 新建 skill：baseline = without_skill
• 改造现有 skill：baseline = 旧版本快照（cp -r <skill-path> <workspace>/skill-snapshot/）

每个 eval 写 eval_metadata.json（此时 assertions 可先空）：

{
  "eval_id": 0,
  "eval_name": "descriptive-name-here",
  "prompt": "The user's task prompt",
  "assertions": []
}

Step 2：运行期间补断言

不要干等任务结束。并行完成：

• 草拟可客观验证的 assertions
• 向用户解释每条断言检验什么
• 更新 eval_metadata.json 与 evals/evals.json

主观任务不强行量化；以人工评审为主。

Step 3：任务完成即记录时延/Token

子任务完成通知里会出现 total_tokens 与 duration_ms，这是唯一可靠来源。必须立即写入各运行目录 timing.json：

{
  "total_tokens": 84852,
  "duration_ms": 23332,
  "total_duration_seconds": 23.3
}

Step 4：评分、聚合、分析、展示

1. 评分（grading）
   逐 run 生成 grading.json。数组字段必须是 text、passed、evidence（viewer 依赖这些字段名）。

2. 聚合 benchmark
   在 skills/skill-creator/ 目录运行：

python -m scripts.aggregate_benchmark <workspace>/iteration-N --skill-name <name>

生成 benchmark.json 与 benchmark.md。

3. 分析（analyst pass）
   结合 agents/analyzer.md 检查：

• 非区分性断言（各方案都通过）
• 高方差/可能 flaky 的评测
• 时延与 token 的权衡

4. 生成评审 viewer（必须）
   使用官方脚本，不要自造 HTML：

nohup python <skill-creator-path>/eval-viewer/generate_review.py \
  <workspace>/iteration-N \
  --skill-name "my-skill" \
  --benchmark <workspace>/iteration-N/benchmark.json \
  > /dev/null 2>&1 &
VIEWER_PID=$!

如果是第 2 轮及以后，加 --previous-workspace <workspace>/iteration-<N-1>。

无图形/远程环境：使用 --static <output_path> 生成静态 HTML。用户点击提交后会下载 feedback.json，再拷回 workspace。

5. 通知用户评审入口
   明确告诉用户：

• Outputs 看样例输出并填写反馈
• Benchmark 看量化对比

Step 5：读取反馈并收尾

用户评审完成后读取 feedback.json，优先处理有明确投诉的用例；空反馈视为通过。

结束后关闭 viewer：

kill $VIEWER_PID 2>/dev/null

---

三、迭代改进（核心）

改进时遵守 4 条：

1. 从反馈提炼可泛化规则，不要只修当前样例
2. 保持 prompt 精简，删掉“高成本低收益”指令
3. 解释为什么，让模型理解意图而不是死记规则
4. 发现重复劳动就产品化：多次重复写出的 helper 脚本应沉淀到 scripts/

迭代循环：

1. 修改 skill
2. 在 iteration-(N+1) 重新跑全部测试与 baseline
3. 用 --previous-workspace 再开 viewer
4. 用户评审
5. 再迭代

停止条件：

• 用户明确满意
• 反馈基本为空
• 连续迭代无显著增益

---

四、进阶：盲测对比（可选）

需要更严格比较两个版本时：

• 读 agents/comparator.md
• 让独立 agent 在不知来源前提下比较输出
• 再用 agents/analyzer.md 分析胜因

多数场景下，人审 + benchmark 已够用。

---

五、Description 触发优化

SKILL.md frontmatter 的 description 决定触发概率。建议在 skill 稳定后再做。

Step 1：构造触发评测集

准备 20 条 query（建议 8-10 条应触发 + 8-10 条不应触发）：

[
  {"query": "the user prompt", "should_trigger": true},
  {"query": "another prompt", "should_trigger": false}
]

质量标准：

• 贴近真实用户输入（路径、字段名、上下文、错别字/口语都可）
• 负例要“近邻混淆”，不是明显无关句子
• 多做边界样例，少做教科书样例

Step 2：让用户审阅 query

用模板 assets/eval_review.html：

1. 读取模板
2. 替换占位符：
   • __EVAL_DATA_PLACEHOLDER__
   • __SKILL_NAME_PLACEHOLDER__
   • __SKILL_DESCRIPTION_PLACEHOLDER__
3. 写到临时 HTML（如 /tmp/eval_review_<skill>.html）并打开
4. 用户导出 eval_set.json
5. 从 ~/Downloads 读取最新导出文件

Step 3：跑自动优化循环

后台执行：

python -m scripts.run_loop \
  --eval-set <path-to-trigger-eval.json> \
  --skill-path <path-to-skill> \
  --model <model-id-powering-this-session> \
  --max-iterations 5 \
  --verbose

要点：

• 训练/测试拆分：60%/40%
• 每条 query 跑 3 次统计触发率
• 结果用 test score 选 best_description，避免过拟合 train

执行期间需定期向用户同步迭代进度与得分变化。

Step 4：应用结果

• 用 best_description 回写 SKILL.md
• 向用户展示 before/after 与评分变化

触发机制补充

技能只会在 Claude 认为“有必要调用 skill”时触发。简单一步请求即使语义匹配，也可能不触发。
因此触发评测 query 要足够“复杂且值得调用 skill”。

---

六、打包交付（可选）

如环境支持，执行：

python -m scripts.package_skill <path/to/skill-folder>

然后返回 .skill 产物路径给用户。

---

七、Claude.ai 适配

在 Claude.ai（无子任务并发）场景：

• 测试用例改为串行执行
• 可跳过 baseline 对照
• 无法开浏览器时，在对话里直接展示结果并收集反馈
• 定量 benchmark 可降级，优先做人审
• run_loop.py/run_eval.py 依赖 CLI 能力，受环境限制时可跳过

---

八、Cowork 适配

在 Cowork 场景：

• 可使用子任务并行（严重超时时可降级串行）
• 无显示环境时必须使用 generate_review.py --static
• 反馈文件通过下载获得后，放回 workspace 继续下一轮
• run_loop.py / run_eval.py 通常可用，建议放在技能收敛后执行
• 不要忘记：先生成 viewer 给人审，再做你自己的深入分析

---

九、参考文件

agents/：

• agents/grader.md：断言评分规范
• agents/comparator.md：盲测比较流程
• agents/analyzer.md：benchmark 诊断方法

references/：

• references/schemas.md：evals.json、grading.json、benchmark.json 等结构定义

---

十、核心闭环（再强调）

• 明确 skill 目标
• 起草或修改 skill
• 运行测试（with-skill + baseline）
• 产出 benchmark + viewer，先让用户评审
• 依据反馈迭代
• 收敛后再做 description 优化与打包