Skill Creator

用于创建新 skill 和迭代改进已有 skill。

When to Use

• 需要从零创建一个新 skill
• 需要修改或优化已有 skill
• 需要运行测试验证 skill 效果
• 需要优化 skill description 以提升触发准确性
• 发现当前 skill 集合存在空白

NOT When to Use

• 只需要运行已有 skill — 直接调用该 skill 即可
• 只需要编辑单页文档 — 直接用 Write/Edit 工具

Input

Output Schema

Minimum Viable Output

• SKILL.md 含：name、description、argument-hint、When to Use、Procedure、Target Pages
• description 长度 ≥100 字，含具体触发场景
• 至少 1 轮用户反馈迭代

Complete Output

• SKILL.md：完整含 Input/Output Schema、Dependencies、Min/Complete Output
• 含自测报告（测试用例执行结果）
• description 经过人工评审优化

Dependencies

Procedure

高层流程

理解意图 → 访谈调研 → 写 SKILL.md 草稿 → 写测试用例 → 跑测试 → 用户评审 → 迭代改进 → 描述优化 → 交付

1. 创建 Skill

Capture Intent

从对话历史中提取用户意图：skill 应该做什么？何时触发？期望的输出格式？

Interview and Research

主动询问边界情况、输入输出格式、示例文件、成功标准。

Write the SKILL.md

按统一结构填写：

• name: Skill 标识符（kebab-case）
• description: 触发机制核心，包含 skill 做什么和何时使用。要"pushy"——包含具体触发场景，≥100 字
• argument-hint: 中文触发词提示
• When to Use: 触发场景清单
• NOT When to Use: 何时不用此 skill（避免误触发）
• Input/Output Schema: 输入来源和目标输出文件
• Dependencies: 前置/后置/并行 skill
• Procedure: 标准工作步骤（用 do/not-do 清单）
• Minimum Viable Output / Complete Output: 两级输出标准
• Target Pages: 产出的目标页面
• Enriched Behavior: 增强行为指导（可选）
• Changelog: 变更记录

Skill 写作规范

Skill Anatomy:

skill-name/
├── SKILL.md (required)
│   ├── YAML frontmatter (name, description required)
│   └── Markdown instructions
└── Bundled Resources (optional)
    ├── scripts/    - Executable code
    ├── references/ - Docs loaded as needed
    └── assets/     - Templates, icons, fonts

页面结构规范:

• SKILL.md 保持在 500 行以内；超过时拆分为 SKILL.md + 子文档
• Procedure 使用 do/not-do 清单格式（如 incubation-discovery）
• 引用文件时明确标注何时需要读取

2. 编写测试用例

写 2-3 个真实测试 prompt，保存到 evals/evals.json：

{
  "skill_name": "example-skill",
  "evals": [
    {
      "id": 1,
      "prompt": "用户的任务描述",
      "expected_output": "期望产出的描述",
      "files": []
    }
  ]
}

测试用例原则：

• 每个测试用例代表一个真实触发场景
• 避免过于简单或过于复杂的边界 case
• 含期望产出描述，用于后续判定是否通过

3. 执行测试

Codex 执行方式（无 Python 工具链）

按以下步骤手动执行测试：

Step 1: 读取被测 skill 读取待测 skill 的 SKILL.md，理解其预期行为。

Step 2: 逐个执行测试用例

对每个测试用例：

1. 构造符合 prompt 字段的输入
2. 带着 skill 上下文执行（读取 skill 文件）
3. 记录实际产出

Step 3: 人工判定

对每个测试用例：

1. 对照 expected_output 判定 PASS/FAIL
2. 记录具体差异（PASS 的证据或 FAIL 的原因）
3. 将结果写入 grading.json：

{
  "eval_id": 1,
  "result": "PASS|FAIL",
  "evidence": "具体证据",
  "gap": "如果 FAIL，描述差距"
}

Step 4: 汇总报告

生成 <workspace>/iteration-1/report.md：

# Skill Eval Report: <skill-name>

## 测试结果

| 测试用例 | 结果 | 证据 |
|---------|------|------|
| eval-1 | PASS | 成功产出预期文件 |
| eval-2 | FAIL | 缺少 X 字段 |

## 改进建议

- 问题 1: ...
- 问题 2: ...

有 Python 工具链的环境（可选）

如果有 scripts/ 目录，可选地使用自动化工具：

# 聚合评分
python -m scripts.aggregate_benchmark <workspace>/iteration-N --skill-name <name>

# 启动评测查看器
python <skill-creator-path>/eval-viewer/generate_review.py <workspace>/iteration-N --skill-name "my-skill"

⚠️ Codex 默认没有这些 Python 工具链。使用上方的手动评测流程。

4. 迭代改进

根据测试结果改进 skill：

1. 不要过度拟合 — 从具体反馈中提炼通用规律
2. 保持 prompt 精简 — 删除没有实际作用的描述
3. 解释 WHY — 用"因为..."替代生硬的 MUST 规则
4. 寻找重复工作 — 如果所有测试用例都写了同一个辅助函数，考虑 bundling

迭代循环：

应用改进 → 重新跑测试 → 用户评审 → 继续迭代

停止条件：用户满意、反馈为空、或无明显改进空间。

5. Description 优化

优化 description 字段以提升触发准确性：

Step 1: 生成测试查询

创建 20 个测试查询 — 包含应触发和不应触发的场景。重点关注模糊边界。

Step 2: 手动对比

对每个测试查询，对比原 description 和候选 description 的触发效果。选出在准确性和覆盖面间平衡最好的版本。

Step 3: 用户评审

呈现候选 description 给用户，选择或进一步修改。

6. 打包交付

完成所有迭代后：

1. 确认 .agents/skills/<skill-name>/SKILL.md 结构完整
2. 确认 Changelog 已更新
3. 将 skill 目录复制到目标位置
4. 向用户说明 skill 的触发词和使用方式

Codex 评测工作流（总结）

1. 读取 skill SKILL.md
2. 构造测试输入
3. 带 skill 上下文执行
4. 对照 expected_output 判定 PASS/FAIL
5. 记录到 grading.json
6. 汇总到 report.md
7. 根据反馈迭代改进

无需 Python 脚本、无需 subagent、无需浏览器。全部手动完成。

Reference Files（人工参考）

以下文件可在人工评测时阅读参考：

这些文件是给人工参考的概念指南，不需要自动化工具即可理解和使用。

Target Pages

• .agents/skills/<skill-name>/SKILL.md
• .agents/skills/<skill-name>/references/
• .agents/skills/<skill-name>/scripts/
• reports/skill-evals/<skill-name>/

Changelog