当 Skill 遇到“保鲜期“:技能自迭代的工程实践

高效创建AI Skill:从方法抽象到完整流程与Review清单 在Claude Code、Codex等AI编程工具快速迭代的背景下,Skill不再只是简单的提示词文件,而是一套包含目标边界、输入输出契约、执行步骤与判断规则的可复用方法包。其本质是对任务进行方法抽象,将具体案例背后的通用逻辑固化下来,从而让模型在面对同类任务时输出稳定且高质量的结果。掌握创建Skill的正确方法,能显著提升AI Agent的效率与可靠性。本文从原理出发,介绍从问题拆解、契约设计、指令编写到黄金用例验证的五步流程,并总结18项上线前自检清单,帮助开发者避免常见陷阱,打造高价值、可维护、可迁移 阅读详情

当 Skill 遇到"保鲜期":技能自迭代的工程实践

最好的 Skill,是会自己进化的 Skill。

在这里插入图片描述

一个让我警醒的时刻

上个月,我信心满满地向同事展示自己精心打造的代码审查 Skill。

“看,它会自动检查命名规范、识别潜在 bug、生成审查报告。”

同事试用了一下,皱起眉头:“它怎么还在检查 var 声明?我们三个月前就全面切 let/const 了。”

我愣住了。

这个 Skill 我花了两周时间打磨,当时确实很好用。但三个月后,它已经在检查一个根本不存在的问题,同时漏掉了团队新引入的 TypeScript 严格模式规范。

Skill 不是写完就结束的产品,它是有"保鲜期"的活文档。

这个认知促使我思考一个问题:如何让 Skill 持续进化,而不是慢慢腐烂?

What:什么是 Skill 自迭代

Skill 自迭代,是指 Skill 能够基于实际使用反馈,持续更新和完善自己的能力。

这不是让 Skill 自己修改自己(那太科幻了),而是建立一套反馈-分析-改进的闭环机制:

使用 Skill → 收集反馈 → 分析问题 → 更新 Skill → 再次使用

与"一次性创建"模式的对比:

维度一次性创建自迭代模式
生命周期创建即定型持续演进
反馈处理堆积或忽略结构化吸收
质量趋势逐渐过时越用越好
维护成本集中式大改分散式微调

Skill 的真正价值不在于创建的那一刻,而在于它能陪你走多远。

Why:为什么 Skill 必须能自迭代

问题一:环境在变,Skill 会过时

项目在演进,技术栈在升级,团队规范在调整。一个月前正确的检查规则,可能现在已经是错误的。

我的代码审查 Skill 就是典型案例:它还在检查 ES5 语法,而项目早已全面拥抱 ES2020+。

问题二:需求会暴露,Skill 有盲区

没有哪个 Skill 能在第一版就覆盖所有场景。只有在真实使用中,才会发现:

  • 漏掉了某个重要检查点
  • 输出格式不够实用
  • 某个步骤顺序不对

这些不是设计失误,而是必然会出现的认知盲区。

问题三:用户会反馈,但反馈容易丢失

最有价值的改进信号藏在用户的日常反馈里:

  • “这个不太对…”
  • “应该是这样…”
  • “你漏了…”

但这些碎片化的反馈,如果不及时捕获和处理,很快就会淹没在对话历史中。

Skill 的腐烂不是一瞬间发生的,而是在无数个"算了,下次再改"中逐渐累积的。

How:如何实现 Skill 自迭代

答案是建立一套结构化的复盘机制。我把它封装成了一个专门的 Skill:skill-review。

核心工作流程

回顾对话 → 提取负反馈 → 分析迭代方向 → 生成待确认清单

第一步:回顾对话,识别 Skill 使用情况

扫描当前对话的全部内容,回答三个问题:

  1. 调用了哪些 Skill?
  2. 每个 Skill 产出了什么?
  3. 用户对产出的反馈是正面还是负面?

这一步的目的是建立事实基础,而不是急于改进。

第二步:提取负反馈,捕获改进信号

负反馈是 Skill 迭代的燃料。需要识别这些信号:

反馈类型典型表述含义
直接否定“不对”、“不行”结果错误
修正意见“应该是…”、“改成…”需要调整
质疑“真的吗?”、“确定?”可能有问题
补充要求“还要加上…”、“漏了…”覆盖不全

关键技巧:记录用户原话。

不要急于总结或归纳,保留原始表述能帮助后续准确理解问题本质。比如:

用户说:"生成的测试用例没有覆盖边界条件"

这比"测试不够全面"要精确得多——问题不是数量,而是边界覆盖。

第三步:分析迭代方向,分类处理

不是所有反馈都需要改 Skill。根据反馈性质,分三类处理:

A. 需要更新现有 Skill

  • 问题指向 Skill 的某个具体步骤或规则
  • 可以通过增加检查点、修改格式、调整流程解决
  • 属于该 Skill 的职责范围

示例:用户反馈"API 文档没有包含错误码说明"→ 修改文档生成 Skill 的输出模板

B. 需要新建 Skill

  • 发现了一个完整的新工作流
  • 现有 Skill 都覆盖不了这个场景
  • 这个方法论可以复用(不是一次性的)

示例:用户反复需要"将复杂函数拆分成多个小函数"→ 新建代码重构 Skill

C. 不需要改动

  • 一次性的特殊情况
  • 用户个人偏好,不具普遍性
  • 属于内容问题,不是方法问题

示例:用户说"这个变量名换成驼峰式"→ 不改 Skill,下次指定命名风格即可

区分"内容问题"和"方法问题",是避免 Skill 臃肿化的关键。

第四步:生成迭代清单,等待确认

把分析结果整理成结构化的待办清单:

## 现有 Skill 更新:
- [ ] API 文档生成 Skill:新增"错误码说明"输出段落
- [ ] 单元测试 Skill:增加边界条件检查提示

## 新建 Skill:
- [ ] 新建 code-refactor Skill(代码重构辅助)

为什么要"待确认"?因为人是最终决策者。

自动生成的建议可能有误判,可能优先级排错,可能遗漏上下文。让用户确认后再执行,既保证了自动化效率,又保留了人类判断力。

实践建议:让自迭代成为习惯

建议一:固定复盘节点

不要等问题堆积。建议在以下时机触发 skill-review:

  • 每周结束时
  • 某个 Skill 密集使用后
  • 收到明确负反馈后

建议二:优先级排序

不是所有改进都值得立即执行。优先级判断:

影响产出质量 > 影响执行效率 > 影响输出格式

一个导致错误结果的 bug,比一个让输出不够美观的格式问题重要得多。

建议三:保持 Skill 的"单一职责"

如果一个 Skill 需要频繁大改,可能是它承担了太多职责。考虑拆分成多个小 Skill,每个专注做好一件事。

建议四:记录迭代历史

在 Skill 文件中保留一个简单的 changelog:

## 迭代记录
- 2026-01-15:新增边界条件检查规则(来源:用户反馈#12)
- 2026-01-10:API 文档增加错误码段落(来源:团队规范更新)

这不仅是记录,更是未来复盘的素材。

总结

Skill 不是静态的工具,而是动态的知识载体。

它的价值不在于第一版有多完美,而在于能否建立起持续进化的能力。通过结构化的复盘机制——回顾使用、提取反馈、分析方向、生成清单——我们可以让 Skill 越用越好,而不是越用越旧。

写 Skill 是一次性投入,让 Skill 自迭代是持续收益。

参考来源

  • 方法论参考:skill-review/SKILL.md
  • 实现思路:Claude Code Skills 生态实践
自进化Skills与多智能体协作:AI Agent如何越用越强 本文属于「Hermes Agent自进化智能体深度解析」系列 | 模块四 · 第3篇。 阅读详情

相关推荐

推荐11个顶级的Claude Code Skills

ClaudeCode的Skills系统为程序员提供了11个强大的AI辅助工具,包括代码审查、重构建议、单元测试生成、API文档自动生成、性能分析、安全扫描、数据库迁移脚本生成、CI/CD配置、依赖管理、ER图生成和日志分析等功能。这些"技能包"可大幅提升开发效率,从代码质量到协作沟通全方位优化工作流程。用户可根据需求选择2-3个核心功能开始尝试,熟练后还可自定义Skills。该系统需要配合Anthropic的API使用,建议先在小型项目测试再应用于核心业务。

分享AI、区块链技术及应用,未来已来 1860

Skill 自我演进:从人工调优到算力驱动的 Agent 进化范式

2025-2026年,大模型技能自进化为核心议题,行业转向自动化评估,三大路径凸显:阿里EvoSkill通过轨迹分析分离正负样本,并行生成补丁,以“棘轮效应”单向优化;微软SkillOpt引入八维量化与双重验证,结合人类监督保证可靠性;SAGE等强化学习方案通过Self-Play实现复利增长(目标完成率+8.9%,token减少59%)。另有JiuwenCla等探索持续推进。人工迭代模式正被逐步取代。

haylee的专栏 942

SKill 实例很好的实例

很好Skill实例教程,很好的学习工具.

周红伟:OpenClaw+Skills,如何写好一个 Skill,从创建到迭代的最佳实践,Skills升级优化迭代方法

定义​一个 Skill 是一份清晰、严谨、可执行的指令文档,用于明确告诉模型——在什么条件下(When),按照哪些步骤(How),产出什么结果(What)。​。

周红伟讲AI 3228

聊一聊固态电池和钠离子电池新技术

总之,固态电池是一种“安全又高效的未来电池”,它的好处非常明显,但目前还处于研发阶段,离普及还有一段距离。未来,这两种技术可能会与锂离子电池并存,分别满足不同的市场需求。我尝试用最通俗易懂的语言将复杂的技术讲给大家听。钠离子电池和锂离子电池的工作原理很相似,但它用的是。固态电池和钠离子电池是两种正在研发和推广的。,它们有潜力解决现有锂离子电池的部分缺点。,而不是锂(Li)。

weixin_33324696的博客 3334

SV fork join_none & for循环结合使用

fork join_none与循环联用常见问题解决方案

ZhangShuHuai11的博客 881

一文读懂 Skills:什么是 Skills?如何使用?以及如何用 Skill 生成一个 Java 方法

讲述什么是skill以及简单的使用,如何联动java

qq_37761711的博客 4170

转录组分析中的Fastp和FastQC:如何快速检测数据质量并优化流程

本文深入探讨了转录组分析中数据质量控制的核心流程,重点介绍了Fastp和FastQC两款工具的组合应用。FastQC负责对原始测序数据进行全面质量评估,生成可视化报告;Fastp则能一站式完成接头切除、低质量序列过滤、长度筛选等关键质控步骤。文章提供了详细的参数解读、实战脚本和自动化流程构建指南,帮助研究人员快速检测数据质量并优化预处理流程,为下游的差异表达等分析奠定可靠基础。

weixin_28452161的博客 188

为华为云码道智能体注入自进化基因:Skill 自迭代优化技术初步探索与实践

华为云码道智能体探索了一套 Skill 自迭代优化机制,使码道智能体能够围绕真实任务结果持续完成 Skill 的生成、验证、评估与优化,并进一步尝试以客观任务指标驱动 Skill 演化。在真实业务代码仓单元测试补齐实践中,该方法将行覆盖率从 46% 提升至 96.61%,分支覆盖率从 33.8% 提升至 83.8%,函数覆盖率从 37.5% 提升至 100%,验证了 Skill 自迭代在真实研发场景中的技术价值。

优快云资讯 1577

【上海大学计算机组成原理实验报告】五、机器语言程序实验

机器语言程序实验//理解计算机执行程序的实际过程//学习编制机器语言简单程序的方法//将R1中的数值左移n次送OUT,其中n是R2中的数值。(指令码从10开始)//完成R3=R0×R1,结果送OUT。(指令码从30开始)//建立“中文汇编指令”需要哪些条件?//上海大学计算机组成原理实验报告

HackerKevon的博客 2191

《网络安全自学教程》- OSI七层模型分层及作用,数据封装与解封过程,数据传输过程。

OSI分哪七层,每层的作用是什么,解释数据在七层模型中是怎样传输的,封包和解封过程,数据包在每一层是怎么封装和解封的。

wangyuxiang946的博客 1万+

Skill 核心概念、原理与实践指南

《Skill 核心概念与实践指南》探讨了在AI Agent开发中如何通过Skill机制解决业务场景落地难题。文章指出,Skill作为结构化能力单元,将标准作业流程(SOP)封装为可复用的"技能包",能够显著提升Agent的稳定性、知识沉淀和模块化管理。Skill通过预定义步骤确保流程确定性,以独立文件形式存储业务知识,并支持模块化开发治理。其实现原理采用分层加载机制优化上下文窗口使用,与MCP协议协同完成工具调用。相比传统函数,Skill更强调业务流程编排与自然语言触发,是连接业务需求与

youchou1274的博客 1711

MIPI CPHY学习笔记01:TX物理层一致性测试项解析(LP信令模式)

在手机、平板、智能手表等移动设备中,MIPI C-PHY是负责图像、数据传输的核心接口,它就像设备内部的“高速数据线”,而低功耗(LP)信令模式,是这条“数据线”的“省电模式”,专门用于设备待机、低负载等场景,既要保证信号稳定,又要最大限度降低功耗。物理层一致性测试,就是给这个“省电模式”做的“全面体检”,确保不同厂商的设备能兼容互通。今天,我们就聚焦MIPI C-PHY TX(发射端)的Group 1 LP信令测试,用通俗的语言拆解8个核心测试项,看懂“省电信号”的合格标准。

一只豌豆象的博客 307

【Hermes:核心机制】8、从人工指令到自动进化:Hermes Skill 系统原理与实战全解析

在认知心理学中,人类记忆分为陈述性记忆(知道“是什么”,如事实、事件)和程序性记忆(知道“怎么做”,如骑自行车、打字)。大语言模型天然擅长陈述性记忆(参数中存储了大量事实),但程序性记忆通常只能通过上下文学习(In-Context Learning)临时模拟。Hermes Skill正是将程序性记忆外化为一种可持久化的文档格式。而选择Markdown,是因为它兼具人类可读和机器可解析两大优点。格式优点缺点JSON机器解析极快,结构化强人类书写不直观,难以容纳长文本说明YAML。

2025博客之星Top81。专注AI工程化与架构实战。从分布式思维到模型部署,用工程化视角为你厘清AI落地的真实路径。 1679

检测头篇 | 手把手教你如何去更换YOLOv8的检测头为ASFF_Detect

自适应空间特征融合(ASFF)的主要原理旨在解决单次检测器中不同尺度特征的不一致性问题。具体来说,ASFF通过动态调整来自不同尺度特征金字塔层的特征贡献,确保每个检测对象的特征表示是一致且最优的。本文所做出的改进是将YOLOv8的检测头更换为ASFF_Detect。🌈

小哥谈 2502

Python实现商品价格监控与波动分析爬虫项目

本文通过完整的代码示例和详细的技术讲解,展示了如何实现商品价格的自动监控和波动分析。该项目不仅适用于个人购物助手,还可以扩展为商家的竞品监控工具。通过结合数据抓取、存储、分析与可视化,能够帮助我们更好地理解市场趋势并做出优化决策。

2201_76125261的博客 1745

第一个 Java Skill:用 Skill 自动生成 Service 方法

本文介绍如何通过AI自动化工具"Skill"提升Java Service层开发效率。文章指出Service层存在大量重复结构代码(参数校验、异常处理等),提出将开发模式从"手工编码"转变为"规则定义+AI生成":开发者只需定义方法名、参数等元信息,Skill即可自动生成标准化的Service方法代码。这种模式不仅能统一代码风格、减少重复劳动,还能让开发者更聚焦业务逻辑。文章包含完整示例,展示如何通过输入参数自动生成规范的Service方法,并强调这

qq_37761711的博客 1455

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

如何写好一个 Skill:从创建到迭代的最佳实践

《Skill设计与开发最佳实践指南》摘要:本文系统阐述了AI技能(Skill)的设计方法论,提出Skill是明确指导AI执行特定任务的指令文档,需包含触发条件(When)、执行步骤(How)和输出标准(What)。核心要点包括:1) 区分Skill与Prompt的本质差异;2) 遵循精准元数据、单一职责、结构化输入输出等设计标准;3) 采用"评测驱动、失败优先"的开发流程;4) 通过渐进式披露和工作流设计提升可维护性;5) 提供反模式检查清单避免常见错误。指南强调Skill应聚焦解决具体

笔记 2516

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

把代码审查做成 Skill:我们的模板驱动落地实践

把代码审查做成 Skill:我们的模板驱动落地实践

7DGroup,让技术更有价值! 2295

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

Skill 能帮 Java 程序员省掉哪些重复工作?

本文探讨了AI Skill如何将Java开发中的重复性工作(如Controller层、Service层、CRUD等)转化为可复用的自动化模块。传统开发模式80%时间耗费在低价值劳动上,而Skill模式通过抽象规则、调用预置能力,实现从"手工编码"到"规则设计+AI执行"的范式升级。这种模式解放程序员生产力,使其专注于架构设计等创造性工作,将方法编写时间从10分钟缩短至10秒,推动开发从"体力劳动"向"自动化工程"演进。后续文章将

qq_37761711的博客 1256

AI Skill创建实战:从方法抽象到Review清单的工程化流程

在AI编程代理与智能体应用日益普及的今天,Skill作为大模型能力复用的关键载体,其质量直接决定自动化任务的稳定性与工程效率。然而,许多团队常将任务描述误认为技能定义,导致Skill难以跨场景迁移。本文从方法抽象的原理出发,阐述如何通过案例拆解、决策点标注、退出条件定义等步骤,将具体操作流程转化为可复用的方法包。结合SKILL.md的规范结构、测试集验证与同行评审机制,提供一套从零到可交付的七步创建流程,并附上可直接落地的Review清单。适用于Claude Code、Codex等工具链中Skill体系的搭

weixin_30952479的博客 288

大模型智能体进阶:Skills层架构设计与最佳实践

本文系统阐述了大模型智能体架构中Skills层的核心作用与实现方法。Skills作为LLM与工具间的逻辑抽象层,通过封装专业知识和工作流程,实现流程控制、Token优化和错误自愈。文章详细解析了智能体四层架构(大脑层、规划层、记忆层、执行层),重点介绍了Skills的工作机制与代码实现,包括YAML/JSON格式定义、状态机管理和工具调用流程对比。最后提出了原子化工具、逻辑硬化、上下文隔离三大开发原则,以及语义路由、LLM分发、规划器三种多Skill调度策略,为构建高效智能体提供了技术指导。

2401_84204207的博客 4115

大模型 Skills 调整:实践流程拆解+完整案例,手把手落地专属能力

大模型Skills调整是一种轻量化落地方法,通过标准化文档封装特定任务流程和规则,无需修改模型参数即可为通用大模型添加专属能力。核心特点是轻量化、模块化和可复用,区别于传统微调和Prompt。实践流程包括需求拆解、技能封装、调试优化和落地复用四个步骤,并提供了Java面试话术生成和合同审核两个完整案例。关键注意事项包括明确具体需求、完善规则约束和持续迭代优化。这种方法能快速实现大模型从通用智能到专用能力的转化,适用于个人和企业多种场景,显著提升工作效率。

2301_78566776的博客 2209

Skill开发实战:从入门到精通,教你创建自动生成Skills的Skill,收藏必备!

本文介绍了Anthropic提出的Skills概念,这是一种模块化能力封装技术,用于扩展智能体功能。作者以创建自动生成Skills的skill-creator为例,详细阐述了Skills的设计理念、组成部分(包括必需的SKILL.md文件和可选资源)、创建流程及最佳实践。Skills通过渐进式加载系统,能有效缓解上下文长度限制和Token消耗问题,是上下文工程的重要组成部分。文章还提供了skill-creator的具体实现步骤,展示了如何将专业工作流、工具集成和领域专长封装为可重用模块。

weixin_55154866的博客 1万+

Skill原理及国内大模型实践

本文介绍了国内大模型环境下Skill的实现原理及实践应用。Skill作为Agent的"技能包",包含说明书、可执行脚本和依赖资源,通过三层加载机制(启动时扫描、触发时加载、执行时调用)工作。国内主流大模型(如Qwen、DeepSeek、Kimi)均支持工具调用,采用JSON Schema描述工具功能。文章以阿里云通义千问Qwen为例,详细展示了从环境准备到代码实现的全过程,包括API获取、依赖安装、项目结构设计,并提供了一个网页总结器的完整Skill实现案例,涵盖说明书编写、爬虫脚本开发

韬智信息 6832

后端开发常用的skill推荐

这个skill我强烈推荐,因为他是一个创建skill的skill,你只要使用该skill,并且说出你的想法,他就会帮你创建好一个可以使用的skill,这个我在工作中使用比较多,我会把我项目中的一些业务场景总结为skill,自己写起来比较麻烦,需要定义很多文件。如果你想以skill的方式安装,可以把里面对应的skill下载下来,放到你skills对应的目录就行。这个skill我也是强烈推荐,准确来说,它是一个skill的集合,从头脑风暴到计划执行再到最后的代码验证,几乎涵盖了开发的常见流程。

m0_46433333的博客 3785
上一篇: 从混沌到秩序:Git Diff 结构化报告的 Claude Code Skill 实践
下一篇: 造工具还是雇专家?AI Agent 扩展的黄金法则
王师傅炼丹中
博客等级 码龄8年 205粉丝 192原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

王师傅炼丹中

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值