鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
17
13
33

没有Claude想用skill😢?Trae solo实战Skill的小Demo

大铃铛Weslie
大铃铛Weslie
2026-01-27 01:17
阅读 5671
大铃铛Weslie
2026-01-27 01:17
阅读 5671

用简单的“牛马”四件套:word、ppt、excel、pdf 四个skill做小demo,也是Claude官方默认的skill

实践 skill - 办公四件套

  1. 市场中下载 skill

不像Claude code,目前其他 AI Ide 需要自行下载 skill 才可以使用

https://awesome-skills.com/

▼
js
复制代码
常见的skill市场欢迎大家补充!

  1. 到对应 GitHub 开源页面下载对应 skill文件夹

PS:最好下载下来到共用库,复制到自己项目一份

复制好后会发现 trae 已经自动导入

  1. 引导 ai 实用工具

提示词prompt:

▼
latex
复制代码
现在请你总结本项目的流程图以及架构图,输出讲解ppt,要求突然【喜羊羊铃铛】【AIagent】智能元素。并且用markdown格式输出演讲稿在word和pdf各一份。excel图表给我统计一下 xx文件中 相关对话聊天的接口压力测试表格模板给我,我自己测试填数据

可查看到 agent 思考过程:

✅结果:成功输出

Yi 理解

  1. 类比 function call

仅代码 -> 富文件。

目前 skill 用下来有点像将 function call 更丰富的的版本:文件化(不止存储代码文件,还可以存储图片、专用脚本等)。

function call 来说,一般都是对接第三方接口,是执行写好的代码。而 skill 则是调度由 prompt 引导,AI 自己决定。

  • function call:ai 自己选择 + 按自己代码(一般为远程调用)返回结果
  • skill:ai 自己选择 + ai 按规则执行
  1. 自定义skill

通过引入skill方法,其实就大概知道,如果你想要自己定义skill,可以在拷贝其中任一文件夹,修改对应name description以及对应提示词,拉上你自己对应文件 图片 脚本等文件资源即可。

▼
text
复制代码
还有最简单的:让agent帮你生成skill文件夹
  1. 有点像轻量化 RAG

数学计算 -> ai 决定。

我们知道RAG无论本地还是云端都需要进行向量化后再存储到数据库。而在查询时又要将上下文向量,然后再进行匹配(这里会涉及很多筛选 匹配等步骤 暂且理解成两个向量近似度)。

而 skill 则是通过自然语言文字描述(name description)存储到文件夹中(.skill)。何时被查询使用取决于 ai 自行判断

文末参考

ppt 中 skill.md部分翻译

▼
latex
复制代码
--- name: pptx description: "演示文稿的创建、编辑和分析。当Claude需要处理演示文稿(.pptx文件)时,用于:(1)创建新的演示文稿,(2)修改或编辑内容,(3)处理布局,(4)添加评论或演讲者备注,或执行任何其他演示文稿相关任务" license: 专有。LICENSE.txt包含完整条款 --- # PPTX的创建、编辑与分析 ## 概述 用户可能会要求你创建、编辑或分析.pptx文件的内容。.pptx文件本质上是一个包含XML文件和其他可读取或编辑资源的ZIP存档。针对不同的任务,你有不同的工具和工作流程可供选择。 ## 阅读和分析内容 ### 文本提取 如果你只需要阅读演示文稿的文本内容,那么你应该将文档转换为Markdown格式: ```bash # 将文档转换为Markdown格式 python -m markitdown path-to-file.pptx ### 原始XML访问 您需要对以下内容进行原始XML访问:评论、演讲者备注、幻灯片布局、动画、设计元素和复杂格式。对于这些功能中的任何一个,您都需要解压演示文稿并读取其原始XML内容。 #### 解压文件 `python ooxml/scripts/unpack.py <office文件> <输出目录>` **注意**:`unpack.py`脚本位于项目根目录下的`skills/pptx/ooxml/scripts/`文件夹中。如果该路径下不存在该脚本,请使用`find . -name "unpack.py"`命令来查找其位置。 #### 关键文件结构 * `ppt/presentation.xml` - 主要演示文稿元数据和幻灯片引用 * `ppt/slides/slide{N}.xml` - 单张幻灯片内容(slide1.xml、slide2.xml 等) * `ppt/notesSlides/notesSlide{N}.xml` - 每张幻灯片的演讲者备注 * `ppt/comments/modernComment_*.xml` - 特定幻灯片的注释 * `ppt/slideLayouts/` - 幻灯片布局模板 * `ppt/slideMasters/` - 主幻灯片模板 * `ppt/theme/` - 主题和样式信息 * `ppt/media/` - 图片和其他媒体文件 #### 字体与颜色提取 **当给定一个示例设计供模仿时**:请务必首先使用以下方法分析演示文稿的排版和颜色: 1. **读取主题文件**:检查`ppt/theme/theme1.xml`中的颜色(`<a:clrScheme>`)和字体(`<a:fontScheme>`) 2. **幻灯片示例内容**:查看`ppt/slides/slide1.xml`以了解实际使用的字体(`<a:rPr>`)和颜色 3. **搜索模式**:使用grep在所有XML文件中查找颜色(`<a:solidFill>`、`<a:srgbClr>`)和字体引用 ## **无模板**新建PowerPoint演示文稿 在从头开始创建新的PowerPoint演示文稿时,请使用**html2pptx**工作流程将HTML幻灯片转换为PowerPoint,并确保位置准确。 ### 设计原则 **关键提示**:在制作任何演示文稿之前,请先分析内容,并选择合适的设计元素: 1. **考虑主题内容**:本演示文稿的主题是什么?它所暗示的语气、所属行业或情绪氛围是什么? 2. **检查品牌化元素**:如果用户提及某个公司/组织,请考虑其品牌颜色和标识 3. **使调色板与内容相匹配**:选择能反映主题的颜色 4. **阐述你的方法**:在编写代码之前,先解释你的设计选择 **要求**: - ✅ 在编写代码之前,阐述你的基于内容的设计方法 - ✅ 仅使用网页安全字体:Arial、Helvetica、Times New Roman、Georgia、Courier New、Verdana、Tahoma、Trebuchet MS、Impact - ✅ 通过尺寸、重量和颜色来创建清晰的视觉层次结构 - ✅ 确保可读性:对比鲜明,文本大小适中,对齐整齐 - ✅ 保持一致:在各张幻灯片中重复使用相同的图案、间距和视觉语言 #### 调色板选择 **创意地选择颜色**: - **跳出默认选项**:哪些颜色真正适合这个特定主题?避免选择那些机械化的选项。 - **考虑多个角度**:主题、行业、情绪、能量水平、目标受众、品牌标识(如提及) - **敢于冒险**:尝试意想不到的组合——医疗保健演示文稿不一定非得是绿色的,金融演示文稿也不一定非得是深蓝色的 - **构建你的色彩搭配方案**:选择3-5种相互协调的颜色(主色调+辅助色调+点缀色) - **确保对比度**:文本在背景上必须清晰可读 **示例配色方案**(使用这些方案激发创造力——选择一个,调整它,或创建自己的): ...
Java
人工智能
AI
17
33
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题

目录

🔥 热门文章
1
手把手教你设计一个成熟的 Agent Harness
2510
2
我用 REA 逆向了付费颜色 APP,结果很意外!
570
3
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
420
4
DeepSeek 全新模型发布,性价比最高的一集!
380
5
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
370
6
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
360
7
又一个国产版 Codex 神器,也来卷办公了!
330
8
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
310
9
AI 越强,被它拒绝的代价就越大 我有时候会想:AI 越来越厉害之后,有些事情,会不会反而越来越难做? 这个想法看起来有点矛盾。AI 明明在降低门槛,让不会写代码的人做出软件,让不会画画的人生成图片,让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候,AI 拒绝帮我编写 SQL 注入的请求体,而那还是我有源码、在本地跑测试的情况。那么,往后是否只会更难? 我们假设某一天,AI 说:「这个请求违规,我不能帮助你。」到那个时候,你还有多少能力,能绕过它,把事情做完? 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求,以及一件事实际有没有造成伤害,彼此之间并不总是画得上等号。一个请求可能确实危险,也可能只是缺少上下文被误判,或者恰好落在某家公司的限制范围里。 无论是哪种情况,随着我们越来越依赖 AI,这句拒绝都可能变得越来越贵。 今天,一个程序员让 AI 帮忙写代码,AI 拒绝了,他大概率还有别的办法:查文档、找开源项目、问同行,或者自己写。麻烦一点,慢一点,但路还在。 可如果十年之后,大部分程序都由 AI 完成,情况就不一样了。 很多人从接触编程的第一天起,就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品,却未必经历过独立处理底层问题的训练。平时,这种能力结构完全够用,效率甚至更高。只有 AI 拒绝的时候,他们才会发现:平常被省掉的那段学习过程,恰好是此刻最需要的东西。 到那时,一次拒绝的成本,可能就从「今晚多花两个小时」,变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子:往后,连真正理解这类攻击如何发生、能够独立构造测试的人,会不会也越来越少? 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统,一个经过授权的安全研究员想复现漏洞,假如 AI 识别到危险模式就拒绝,而使用者又只熟悉「让 AI 帮我检查」,这项原本可以独立完成的工作,就这样卡住了。 但是安全专家不会因此消失,但这类技能可能越来越集中在少数人手里。你仍然可以找专家,只是要付出更多的钱、更多的时间,以及更高的沟通成本。 类似的困境,未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据,需要解析它的旧文件格式。AI 判断这涉及规避保护措施,拒绝继续。你拥有这些数据,却没有能力把它们读出来。 你买了一台设备,厂商停止提供服务。你想修改程序让它继续运转,过程中需要处理某种访问限制。AI 不愿协助,而你所掌握的维修方式,早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具,减少重复操作。平台将此归入自动化限制,AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理;未来的使用者,可能连从哪里开始都不知道。 这些例子有一个共同点:当工具同时承担了「执行工作」和「传授知识」的角色,它的拒绝就不只是挡住了一次任务,也挡住了获得这种能力的机会。 更麻烦的是,这种依赖往往是我们主动选择的,而且每一步都很合理。 既然 AI 几秒钟就能做好,为什么还要花几个月学习?既然公司可以采购成熟的 AI 服务,为什么还要养一支负责基础工作的团队?既然市场上已经很少有人手写这些东西,学校为什么还要花大量时间教? 对个人、公司和学校来说,这些选择都有现实依据。但叠加起来,整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制,我们才发现,备用方案早已在追求效率的过程中被一点点削掉了。 所以,「AI 越强,做事越便宜」可能只描述了未来的一半。 另一半是:被允许的事情越来越便宜,被拒绝的事情依然需要人工完成,却要面对更少的人才、更高的报价,以及越来越难获得的知识。两边的成本差距,会越拉越大。 有人会说,可以换一个模型,或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争,开放模型还足够可用,限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态,以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务,那么「理论上还有别的办法」和「普通人实际用得起、用得明白」,之间仍然可能隔着很远。 我担心的,正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制,有充分的理由。但我们也需要关心:限制由谁定义,误判有没有申诉渠道,用户能不能换工具,以及脱离这个工具之后,还剩下多少独立行动的能力。 保留这些能力,平时看起来甚至有点低效,明明可以自动生成,还要理解原理;明明可以一键完成,还要知道手动怎么做。 但这些看似多余的知识,会在工具拒绝、失效、涨价或改变规则的那一刻,成为真正的选择权。 AI 越强,我们可能越需要留意它说「不」的那一刻。 因为那句话的分量,最终取决于:它拒绝之后,我们还能做什么。
310
10
什么是LLM
300