什么时候Agent能自己写skill？

技能自主生成的背景与核心挑战

随着AI Agent生态的发展，技能（Skill）逐渐成为大模型调用外部工具与能力的标准接口。然而，用户自定义需求的多样化导致通用指令难以统一，Agent面临“该听哪一个技能指示”的决策困境。因此，为其配备可自主生成的技能组成为解决路径。核心挑战在于AI的上下文窗口（Context Window）是有限的，且被系统提示、对话历史和所有已安装技能的元数据共享。若技能文档过于冗长，将挤占其他功能的资源。

• 上下文资源竞争：技能必须与系统提示、对话历史及其他技能元数据共享有限的上下文窗口，每一句冗余描述都在消耗宝贵的 Token 配额。
• 判断基准差异：由于每个人都需客制化 AI，判断基准不同，AI 更难区分该响应哪个技能的指示，不如让它拥有自己的技能组。

结构化技能文档：从说明书到精准指令

要让 AI 自主编写技能，首先需要一套标准化的文档结构。目前的业界实践（如 skill-creator）中，SKILL.md 被设计为唯一的入口文件，其结构极简且高效。

1. 上半部分（何时使用）：明确界定技能的触发条件与边界，帮助 Agent 快速判断是否需要加载该技能。
2. 下半部分（如何执行）：提供具体的执行逻辑、步骤或指令。
3. 辅助文件夹：
   • agents/：存放技能的“名片”（如 openai.yaml），定义元数据。
   • scripts/：存放可执行脚本。
   • references/：存放参考文档，要求必须从 SKILL.md 直接链接，避免深层嵌套引用导致的上下文加载负担。

上下文优化与脆弱操作的脚本化处理

在有限的上下文里提供最有效的指令，是自主编写技能的核心原则。AI 本身具备一定推理能力，因此编写者只需补充其未知信息。同时，对于格式要求严苛的“脆弱操作”，必须引入脚本锁死格式。

• 低自由度与脆弱操作：生成 YAML 配置文件（如 short_description 限制 25-64 字符、首字母大写、无引号）属于脆弱操作。AI 自由发挥极易出错，必须通过脚本（如 generate_openai_yaml.py）仅提取参数值，由脚本确保格式绝对合规。
• 工作流闭环：一套完整的自主编写流程包含三个阶段：
  1. 输入保障（如 init_skill.py）：标准化命名、创建目录结构、生成模板。
  2. AI 创造性编写（高自由度）：编写 SKILL.md 内容、References 等。
  3. 输出保障（如 quick_validate.py）：校验 Frontmatter 格式、命名规范及长度约束。

迭代优化与实战价值

Agent 自主写出的技能并非一蹴而就，而是一个持续优化的过程。即便是初始生成的技能，也需要经过多轮迭代（例如从泛泛的描述优化为更精确的操作指令）才能达到生产级标准。

• 生产级标准：参考 Anthropic 官方生产级 Skill 库或聚合站示例，AI 在自主编写过程中能学习最佳实践，快速掌握大模型接口标准。
• 核心价值：最终目标是建立一套让 Agent（如 Claude Code）自动创建、评估、优化 Skill 的完整工作流。这不仅解决了“不会写”的痛点，更通过结构化和脚本化手段，确保了 Agent 在有限算力下执行任务的精确度与稳定性。