影刀RPA新手教程：快手数据采集实战——短视频账号数据与作品信息
2026/10/7 6:56:28
1. 从“agent-skills”说起：为什么这个项目值得你花时间
第一次看到agent-skills这个标题，很多人会以为它只是某个 AI 工具的技能包合集，或者又一个“提示词仓库”。但真正用过 AI coding agents 的人会明白，这个项目解决的是一个非常具体、非常痛的问题：如何让 AI 编程助手从“能聊代码”变成“能按规范干活”。
我最初接触 AI 编程助手时，最大的感受是“它很聪明，但不太听话”。你让它写个函数，它写得出来；你让它按测试先行的方式写，它经常跳过测试直接给实现；你让它遵循项目里已有的代码风格，它转头就忘了。这不是模型能力不够，而是缺少一套可复用、可组合、可验证的“技能定义”。agent-skills就是冲着这个缺口来的。
简单说，agent-skills是一套面向 AI coding agents 的技能组织方案。它把“如何写测试”“如何做代码审查”“如何生成提交信息”“如何排查构建失败”这类具体能力，拆成独立的 skill 单元，再通过 skills CLI 或 agent 配置把它们挂载到 Claude Code、VS Code 里的 AI 助手、以及各种支持 skill 机制的 agent 运行时上。它适合三类人：一是已经在用 Claude Code 或类似工具但觉得输出不稳定的开发者；二是想给团队统一 AI 编码规范的 tech lead；三是正在研究 agent 工程化落地的技术爱好者。
关键词里提到的test-driven-development就是其中一个典型 skill。它不是简单告诉你“先写测试”，而是把 TDD 的完整流程——红、绿、重构——拆成 agent 可执行的步骤，让 AI 在每次修改代码时都按这个节奏走。这就是agent-skills的核心价值：把方法论变成 agent 能执行的技能，而不是停留在文档里的人类约定。
2. 核心思路拆解：为什么是“技能”而不是“提示词”
2.1 提示词工程的瓶颈在哪里
过去两年，大家调教 AI 编程助手的主要手段是写提示词。系统提示词、用户提示词、few-shot 示例，本质上都是在“用自然语言描述期望行为”。这种方式在单次对话里有效，但一旦进入多轮、多文件、多任务的真实开发场景，就会暴露三个问题。
第一，提示词没有结构化边界。你写“请遵循 TDD”，模型可能理解成“先写测试再写实现”，也可能理解成“写完之后补个测试”。不同轮次的理解不一致，导致行为漂移。第二，提示词难以复用和组合。你为 Python 项目写了一套提示词，换到 TypeScript 项目要重写；你想同时启用“TDD”和“代码审查”，两个提示词可能互相冲突。第三，提示词无法被验证。你没法写个单元测试来检查“agent 是否真的先写了测试”，只能靠人肉观察。
agent-skills的思路是把“技能”从提示词里抽出来，变成有明确输入、输出、步骤和约束的独立单元。一个 skill 通常包含：技能名称、适用场景、前置条件、执行步骤、验证方式、失败处理。这听起来像把提示词“工程化”了，但正是这种工程化让 agent 的行为变得可预测、可测试、可组合。
2.2 技能单元的设计原则
我翻过agent-skills里几个典型 skill 的定义，发现它们遵循几条很实在的原则。第一条是单一职责。一个 skill 只做一件事，比如“生成单元测试”和“运行单元测试”是两个 skill，而不是一个“测试相关”的大 skill。这样做的好处是组合灵活，你可以在不同流程里复用同一个 skill。
第二条是显式依赖。skill 之间可以声明依赖关系，比如“重构”skill 依赖“测试通过”这个前置条件。agent 在执行时如果发现前置条件不满足，会先触发依赖 skill，而不是硬着头皮往下走。这比在提示词里写“请确保测试通过后再重构”要可靠得多，因为依赖是机器可检查的。
第三条是可验证输出。每个 skill 都定义了“怎样算完成”。比如“生成提交信息”skill 的完成条件是：提交信息符合 Conventional Commits 格式，且包含变更类型、范围和简短描述。agent 生成后可以自我检查，不满足就重试。这种自我验证机制是提示词做不到的。
2.3 与 Claude Code 等工具的集成逻辑
agent-skills并不是一个独立的 IDE 或编辑器，它更像一层“技能中间件”。以 Claude Code 为例，你可以在项目根目录放一个 skills 配置，Claude Code 在启动时会加载这些 skill 定义，并在后续对话中按需调用。VS Code 里的 AI 助手也可以通过类似方式接入，前提是它支持 skill 加载机制。
这里有个关键点：agent-skills不绑定特定模型。你用的是 Claude 系列、还是通过 cc switch 接入 deepseek v4、qwen、glm 等模型，skill 定义本身是模型无关的。这意味着一套 skill 可以在不同模型之间迁移，只要那个模型支持工具调用或函数调用能力。这对团队来说很实用，因为模型选型可能会变，但技能资产可以沉淀下来。
3. 核心细节解析：一个 skill 到底长什么样
3.1 skill 的目录结构与元数据
一个标准的 skill 在agent-skills里通常是一个独立目录，里面至少包含一个SKILL.md文件，有时还会有辅助脚本或模板。SKILL.md的头部是 YAML 格式的元数据，比如：
--- name: test-driven-development description: 按红绿重构循环执行 TDD 流程 version: 1.0.0 tags: [testing, tdd, workflow] dependencies: [run-tests, write-test] ---元数据里的dependencies字段很关键。它告诉 agent：要执行这个 skill，先确保依赖的 skill 可用。tags用于分类和检索，当你有几十个 skill 时，可以通过标签快速筛选。version则方便团队管理 skill 的迭代，避免不同成员用不同版本的 skill 导致行为不一致。
正文部分通常分几块：适用场景说明什么时候用这个 skill；前置条件列出执行前必须满足的状态；执行步骤是核心，用有序列表描述 agent 应该做什么；验证方式定义怎样检查是否成功；失败处理给出常见错误的应对策略。这种结构让 skill 既是给 agent 看的指令，也是给人看的文档。
3.2 以 TDD skill 为例看执行流程
test-driven-development这个 skill 的正文我印象很深，因为它把 TDD 拆得非常细。执行步骤大致是这样的：
- 读取当前任务描述，确认要实现的函数或模块的接口签名。
- 生成一个会失败的测试用例，测试内容覆盖任务描述中的核心行为。
- 运行测试，确认测试确实失败，且失败原因是“功能未实现”而不是语法错误。
- 生成最小实现，让测试通过。实现只满足当前测试，不提前优化。
- 再次运行测试，确认通过。
- 检查是否有重复代码或明显坏味道，如果有，在测试保护下重构。
- 重构后再次运行测试，确认仍然通过。
- 如果任务还有未覆盖的行为，回到第 2 步。
这个流程看起来就是标准 TDD，但关键在于每一步都是 agent 可执行的。比如第 3 步“确认失败原因是功能未实现”，agent 需要解析测试输出，判断错误类型。如果测试因为导入错误而失败，agent 会先修复导入问题，而不是直接进入实现阶段。这种细节处理是普通提示词很难稳定做到的。
3.3 技能组合与冲突处理
实际开发中，你往往需要同时启用多个 skill。比如“TDD”和“代码审查”可能同时生效：写代码时按 TDD 流程，写完后再触发代码审查 skill。agent-skills处理组合的方式是定义执行顺序和优先级。通常通过dependencies和tags来推断，比如带pre-commit标签的 skill 会在提交前执行。
冲突处理也有考虑。如果两个 skill 对同一文件有写操作，agent 会按优先级串行执行，而不是并行修改。优先级可以在配置里指定，也可以由 skill 的priority字段决定。我遇到过“格式化”和“重构”同时启用的情况，如果并行执行，格式化可能把重构中的临时状态改乱。串行执行虽然慢一点，但结果可靠。
注意：skill 组合不是越多越好。同时启用超过 5 个 skill 时，agent 的上下文负担会明显增加，执行速度下降，甚至出现步骤遗漏。建议按任务阶段启用，比如编码阶段用 TDD 和代码生成，提交阶段用提交信息和审查。
4. 实操过程：从零接入 agent-skills 到 Claude Code
4.1 环境准备与 skills CLI 安装
假设你已经在 Ubuntu 或 macOS 上装好了 Claude Code，并且能在终端里正常调用。接下来要接入agent-skills，第一步是获取 skills CLI。这个 CLI 的作用是管理 skill 的安装、更新和本地加载。安装方式通常是通过包管理器，比如：
npm install -g @agent-skills/cli或者如果你用 pnpm：
pnpm add -g @agent-skills/cli安装完成后，运行skills --version确认版本。如果提示命令找不到，检查全局 bin 目录是否在 PATH 里。macOS 上 npm 全局包通常在/usr/local/bin或~/.npm-global/bin，Ubuntu 上可能在/usr/local/bin。这一步看起来简单，但我见过不少人卡在这里，原因是 Node 版本太旧。skills CLI 一般要求 Node 18 以上，用node -v确认一下。
4.2 初始化项目级 skill 配置
进入你的代码项目根目录，运行：
skills init这个命令会生成一个.agent-skills目录，里面包含默认配置文件和几个基础 skill。默认配置里会指定 skill 的加载路径、启用的 skill 列表、以及全局参数。你可以手动编辑这个配置，也可以继续用 CLI 添加 skill。
我建议项目级配置和用户级配置分开。项目级配置放在项目根目录，跟着 Git 走，这样团队成员拉取代码后自动获得相同的 skill 设置。用户级配置放在 home 目录，用于存放个人偏好的 skill，比如你习惯用的提交信息格式。加载时项目级优先，用户级作为补充。
4.3 安装并启用 TDD skill
以 TDD skill 为例，安装命令通常是：
skills install test-driven-development安装后，skill 文件会出现在.agent-skills/skills/目录下。你需要在配置文件的enabled列表里加上它，或者在安装时加--enable参数自动启用。启用后，Claude Code 在下次启动时会读取这个配置。
这里有个实操细节：Claude Code 读取 skill 配置的时机是启动时。如果你在 Claude Code 已经运行的情况下修改了配置，需要重启会话才能生效。我一开始不知道这点，改完配置直接测试，发现 skill 没加载，排查了半天才发现是没重启。
4.4 在 Claude Code 中验证 skill 是否生效
验证方法很简单：在 Claude Code 里给一个需要 TDD 的任务，比如“实现一个函数，计算两个日期之间的工作日天数”。如果 TDD skill 生效，agent 应该先写测试，运行测试看到失败，再写实现。你可以观察它的输出顺序，或者直接看它是否调用了测试运行命令。
如果 agent 直接给了实现，说明 skill 没生效。排查步骤：先确认.agent-skills目录存在且配置正确；再确认 Claude Code 启动时的工作目录是项目根目录；最后检查 skill 的dependencies是否满足，比如run-testsskill 是否已安装。依赖缺失时，agent 可能会静默跳过整个 skill。
4.5 通过 cc switch 接入其他模型时的注意事项
有些团队会用 cc switch 把 Claude Code 的后端切换到 deepseek v4、qwen 或 glm 等模型。这种切换对agent-skills的影响主要在工具调用能力上。skill 的执行依赖 agent 能调用外部工具，比如运行测试命令、读写文件。如果切换后的模型工具调用格式和 Claude 不一致，skill 可能无法正常执行。
我的经验是：切换模型后，先用一个简单 skill 测试工具调用是否正常。比如“读取当前目录文件列表”这种 skill，看 agent 能否正确调用ls或等效命令。如果工具调用失败，检查 cc switch 的配置里是否开启了 function calling 支持。有些模型需要显式启用工具调用模式，默认可能是纯文本对话。
5. 常见问题与排查技巧实录
5.1 skill 加载失败的五种典型原因
| 现象 | 可能原因 | 排查方法 |
|---|---|---|
| agent 完全不提 skill | 配置未加载 | 检查.agent-skills是否在项目根目录，Claude Code 启动目录是否正确 |
| skill 名称报错 | 元数据格式错误 | 用skills validate检查 SKILL.md 的 YAML 头部 |
| 依赖 skill 缺失 | dependencies 未安装 | 运行skills install --deps自动安装依赖 |
| 执行到一半停止 | 工具调用失败 | 查看 agent 日志，确认测试命令是否可执行 |
| 行为与 skill 描述不符 | 版本冲突 | 检查项目级和用户级配置是否加载了不同版本的同一 skill |
这张表是我在实际排查中总结的，覆盖了八成以上的问题。其中“工具调用失败”最隐蔽，因为 agent 可能不会明确报错，而是直接跳过 skill 步骤。建议在配置里开启详细日志，方便定位。
5.2 测试先行 skill 不生效的排查思路
TDD skill 不生效是最常见的问题之一。除了上面说的加载问题，还有一个原因是任务描述不够明确。如果你给 agent 的任务是“优化这个函数”，它可能认为不需要 TDD，因为不是新功能开发。这时候可以显式在对话里说“请用 TDD 方式实现”，或者把任务描述改成“为这个函数添加新功能，按 TDD 流程”。
另一个原因是项目里没有测试框架。TDD skill 依赖run-testsskill，而run-tests需要知道用什么命令运行测试。如果项目里没有package.json的 test 脚本，或者没有pytest配置，run-tests会失败。解决方法是先在项目里配好测试命令，或者在 skill 配置里指定测试命令模板。
5.3 多 skill 同时启用时的顺序问题
前面提到 skill 组合需要串行执行，但具体顺序怎么定？我的做法是按开发阶段排序：代码生成类 skill 优先，验证类 skill 其次，提交类 skill 最后。比如 TDD 属于代码生成，代码审查属于验证，提交信息生成属于提交。这个顺序符合实际开发流程，agent 执行起来也顺畅。
如果顺序不对，比如提交信息生成排在代码审查前面，agent 可能在代码还没审查时就生成了提交信息，审查后代码变了，提交信息又得重写。这种浪费可以通过配置priority字段避免。priority 数值越小越先执行，我一般给代码生成类设 10，验证类设 20，提交类设 30。
5.4 技能资产在团队中的同步策略
团队使用agent-skills时，最大的挑战不是技术，而是同步。每个人本地可能装了不同版本的 skill，导致同一个任务在不同人机器上行为不一致。我的建议是：项目级配置只引用 skill 名称和版本号，skill 文件本身通过 Git 子模块或包管理器统一分发。
具体做法是在.agent-skills/config.yaml里写：
skills: - name: test-driven-development version: 1.0.0 - name: code-review version: 1.2.0然后在 CI 里加一步skills install --frozen，确保所有环境安装的 skill 版本一致。本地开发时，如果某人想试用新版本 skill，可以在用户级配置里覆盖，但不影响项目级配置。这样既保证了一致性，又保留了灵活性。
6. 技能扩展：从单点使用到工程化落地
6.1 自定义 skill 的编写要点
当你熟悉了内置 skill 后，很自然会想写自己的 skill。写自定义 skill 有几个要点。第一，步骤要原子化。不要写“实现功能并测试”，要拆成“写测试”“运行测试”“写实现”“再运行测试”。原子化的步骤让 agent 更容易执行，也更容易定位失败点。
第二，验证条件要可观测。不要写“代码质量良好”，要写“测试全部通过且无 lint 错误”。可观测的条件才能被 agent 自动检查。第三，失败处理要具体。不要写“如果失败就重试”，要写“如果测试因导入错误失败，先修复导入路径再重试；如果因断言失败，检查实现逻辑”。
我写过一个“生成 API 文档”的 skill，最初版本只写了“根据代码生成文档”，结果 agent 生成的文档格式五花八门。后来我把步骤拆成“提取函数签名”“提取参数类型”“按模板填充”“检查必填字段”，并定义了输出模板，效果稳定很多。
6.2 把 skill 接入 CI 流程
agent-skills不仅能在本地用，还能接入 CI。思路是在 CI 里调用 skills CLI 执行特定 skill，比如在 PR 阶段自动运行“代码审查”skill，把审查结果作为评论发到 PR 上。这样即使团队成员本地没装 skill，CI 也能保证基本质量检查。
具体实现方式取决于 CI 平台。以常见的 GitHub Actions 为例，可以在 workflow 里加一步：
- name: Run agent code review run: | skills install --frozen skills run code-review --target ./srcskills run会调用配置好的 agent 后端执行 skill，输出结果到标准输出。你可以把输出重定向到文件，再用其他步骤发评论。这种用法把agent-skills从“个人效率工具”升级成了“团队质量基础设施”。
6.3 技能库的版本管理与回滚
skill 也是代码，需要版本管理。agent-skills的 skill 通常用语义化版本，主版本号变更表示不兼容的步骤调整，次版本号表示新增步骤或验证条件，修订号表示文字修正。团队升级 skill 时，建议先在少数项目试点，确认行为符合预期后再全量推广。
回滚也很重要。如果新版本 skill 导致 agent 行为异常，需要能快速回到旧版本。项目级配置里锁定版本号就是为此。如果用的是 Git 子模块方式，回滚就是切换子模块的 commit。如果用的是包管理器，回滚就是改版本号重新安装。无论哪种方式，都要确保回滚后 agent 重启加载新配置。
6.4 从 agent-skills 看 AI 编码助手的演进方向
用了几个月agent-skills后，我越来越觉得它代表了一个趋势：AI 编码助手正在从“通用对话”走向“技能化执行”。通用对话适合探索性任务，比如“帮我看看这个报错什么意思”。但一旦进入重复性、规范性的开发任务，技能化执行的优势就出来了：行为可预测、结果可验证、资产可沉淀。
这对开发者的影响是深远的。以前我们花时间写提示词、调参数，现在可以把精力放在定义技能和验证标准上。以前 AI 助手的输出质量靠“运气”，现在靠“工程”。agent-skills可能不是最终形态，但它指出的方向——把 agent 能力模块化、可组合、可验证——大概率会成为后续工具的标配。
我个人在实际操作中的体会是，不要一上来就追求大而全的技能库。先从一两个痛点任务开始，比如 TDD 或提交信息生成，把这两个 skill 用顺了，再逐步扩展。技能库的价值不在于数量，而在于每个 skill 都被真正用起来、验证过、迭代过。踩过几次坑之后你会发现，一个打磨了十遍的 skill，比十个从网上抄来的 skill 有用得多。