初始Skills

什么是Skills

官方的解释：

Agent Skills 是一种扩展智能体能力的模块化指令集合。
个人理解：

Skills = Instructions + Assets and resources + Scripts
Skills是 丰富且标准的一个或者多个提示词、大模型参考的图片、文字等资产、一个或者多个可自动化执行的脚本 的可重复使用的标准化的集合。
Skills的特点

• 开放标准
  
• 一次构建，多处部署
  
• 渐进式披露：技能的名称和描述始终存在于智能体的上下文窗口中，但只有当用户请求与技能描述匹配时，才会加载其余指令。
  

其中，我觉得最重要的特点是渐进式披露，AI的调用一个需要关注的点就是Token的消耗，而渐进式披露相比一次性加载的方式可以帮助用户一定程度上节约Token的消耗。
何时使用Skills

当你有一个反复要求智能体实现的工作流时，与其每次都解释相同的工作流，不如将其打包成一个技能，让智能体自动知道该做什么。
重点在于重复性、自动化、工作流
针对大模型的不可预测性，通过Skill规范了输入与输出、执行步骤和执行脚本，保证的同一类的输入，大模型可以给出同一类的输出。
Skill的目录结构

1. skill名/
2. ├── SKILL.md          # skill的"大脑"
3. ├── references/       # skill的"知识库"
4. │   └── style-guide.md
5. ├── scripts/          # skill的"手脚"
6. │   └── analyze_excel.py
7. └── assets/           # skill的"装备"
8.     └── header.png

复制代码

各部分的核心作用

SKILL.md - 指挥中心

• 这是技能的主配置文件，定义了技能的功能、工作流程和执行规范
  
• 告诉我技能的适用场景、触发条件和执行步骤
  
• 是加载技能时首先读取的核心文档
  

references/ - 知识沉淀

• 存放参考文档、模板、规范说明等静态资源
  
• 比如 style-guide.md 可能包含格式规范、写作标准等
  
• 这些是技能执行过程中需要查阅的"说明书"
  

scripts/ - 执行工具

• 包含可执行的脚本代码（Python、Bash等）
  
• 比如 analyze_excel.py 就是具体的数据分析实现逻辑
  
• 当 SKILL.md 中引用某个脚本时，会在这里找到并执行
  

assets/ - 资源支持

存放图片、样式文件等辅助资源
header.png 可能是生成报告时使用的标题图片
为技能的视觉输出提供素材支持
设计哲学

这种结构体现了模块化和职责分离的思想：

• 配置与代码分离
  
• 知识与执行分离
  
• 逻辑与资源分离
  

Excel Skills 的实践分析

本文选用Coze平台作为Skills实践平台。Coze中会有技能商店，里面的技能属于黑盒。接下来我们自己创建属于自己的Skills。Coze平台提供给我们的是帮助我们编写Skills的Skill。

如图中这句话，在skill的界面输入，Coze就会自己自动生成skill的目录结构、主目录的Markdown文档、可执行脚本和领域专业知识的Markdown文档。
目录结构：

1. excel-data-analyzer/
2. ├── SKILL.md                     # 入口文档与操作指南
3. ├── scripts/
4. │   └── analyze_excel.py         # Excel分析主脚本
5. └── references/
6.     └── excel-data-guide.md      # 数据分析方法论参考

复制代码

SKILL.md文件内容如下：

点击查看代码

1. ---
2. name: excel-data-analyzer
3. description: 快速分析Excel数据并提供洞察；当用户需要分析Excel文件、检查数据质量、生成统计报告或探索数据特征时使用
4. dependency:
5.   python:
6.     - pandas>=2.0.0
7.     - openpyxl>=3.1.0
8.     - numpy>=1.24.0
9. ---
11. # Excel 数据分析器
13. ## 任务目标
14. - 本 Skill 用于:分析Excel文件的数据特征、质量和统计规律
15. - 能力包含:数据概览生成、数据质量检查、统计分析、洞察报告生成
16. - 触发条件:用户上传Excel文件并提出分析需求
18. ## 前置准备
19. - 依赖说明:scripts脚本所需的依赖包及版本

复制代码

pandas>=2.0.0
openpyxl>=3.1.0
numpy>=1.24.0

1. ## 操作步骤
3. ### 标准流程
5. 1. **获取Excel文件路径**
6. - 确认用户提供的Excel文件位置（相对路径或绝对路径）
7. - 文件格式应为 `.xlsx` 或 `.xls`
9. 2. **调用分析脚本**
10. - 执行脚本获取结构化分析数据：
11.    ```bash
12.    python3 scripts/analyze_excel.py <excel文件路径>
13.    ```
14. - 脚本返回JSON格式的分析结果，包含：
15.    - 数据概览（行数、列数、数据类型）
16.    - 数据质量报告（缺失值、重复值）
17.    - 统计摘要（均值、中位数、标准差等）
19. 3. **解读分析结果**
20. - 基于 [references/excel-data-guide.md](references/excel-data-guide.md) 中的指导
21. - 识别数据质量问题（缺失值比例过高、异常值等）
22. - 总结数据分布特征（集中趋势、离散程度）
24. 4. **生成洞察报告**
25. - 结合统计结果和业务场景提供解读
26. - 推荐后续分析方向（数据清洗、可视化、建模等）
27. - 指出潜在的数据风险或机会
29. ### 可选分支
31. - **当需要特定列分析**:解读脚本输出的各列统计信息，聚焦于用户关注的字段
32. - **当数据质量问题严重**:优先处理缺失值和重复值，建议清洗策略
33. - **当需要深度探索**:基于基础分析结果，建议更高级的分析方法（相关性分析、分组统计等）
35. ## 资源索引
37. - 必要脚本:见 [scripts/analyze_excel.py](scripts/analyze_excel.py)
38. - 用途:读取Excel文件并生成结构化分析结果
39. - 参数:Excel文件路径（必填）
40. - 领域参考:见 [references/excel-data-guide.md](references/excel-data-guide.md)
41. - 何时读取:需要理解统计指标含义或分析数据质量时
43. ## 注意事项
45. - Excel文件应位于当前工作目录或提供完整路径
46. - 脚本仅处理数值型和分类型数据的统计，文本型数据仅提供基本信息
47. - 优先使用脚本获取准确数据，避免人工估算
48. - 智能体负责解读和洞察，脚本负责计算和数据提取
50. ## 使用示例
52. ### 示例1:基础数据分析
53. - **场景**:用户上传销售数据表，希望了解整体情况
54. - **执行方式**:脚本获取统计 → 智能体生成概览报告
55. - **关键要点**:强调数据规模、主要指标分布、数据质量状况
57. ### 示例2:数据质量检查
58. - **场景**:用户怀疑数据存在问题，需要检查
59. - **执行方式**:脚本获取质量报告 → 智能体诊断问题并建议解决方案
60. - **关键要点**:识别缺失值模式、重复记录、异常值分布
62. ### 示例3:业务洞察生成
63. - **场景**:用户需要基于数据生成分析报告
64. - **执行方式**:脚本提供统计基础 → 智能体结合业务逻辑生成洞察
65. - **关键要点**:解读统计结果背后的业务含义，提供可操作建议

复制代码

1. # Excel 数据分析器
2. ├── 前言区 (YAML)
3. │   ├── name: Skill名称
4. │   ├── description: Skill功能描述
5. │   └── dependency：脚本执行依赖
6. │
7. ├── 任务目标
8. │   ├── 作用介绍
9. │   ├── 能力包含
10. │   └── 触发条件
11. │
12. ├── 前置准备
13. │   └── 依赖说明
14. │
15. ├── 操作步骤
16. │   ├── 标准流程
17. │   │   ├── 1. 获取Excel文件路径
18. │   │   ├── 2. 调用分析脚本
19. │   │   ├── 3. 解读分析结果
20. │   │   └── 4. 生成洞察报告
21. │   └── 可选分支
22. │       ├── 特定列分析场景
23. │       ├── 数据质量问题场景
24. │       └── 深度探索场景
25. │
26. ├── 资源索引
27. │   ├── 必要脚本 (scripts/analyze_excel.py)
28. │   └── 领域参考 (references/excel-data-guide.md)
29. │
30. ├── 注意事项
31. │
32. └── 使用示例
33.     ├── 示例1: 基础数据分析
34.     ├── 示例2: 数据质量检查
35.     └── 示例3: 业务洞察生成

复制代码

该文档结构符合 Skill 规范，包含完整的前言区、正文指导和资源索引，便于智能体快速理解和使用。
Skill实践优化

• 在SKILL.md的前言区中指定输入（inputs）和输出（outputs）的格式规范，比如输入是excel文件，输出的是excel文件等。
  
• 明确 Skill 的输入输出标准，示例文件放在 references 目录
  
• 所有脚本应有异常处理与错误报告能力，便于 Agent 自动修复
  
• 复杂逻辑建议分模块实现，主流程在 SKILL.md 中清晰描述
  
• Excel 公式相关操作建议分离脚本处理，避免直接在 openpyxl 中计算
  
• 尽量输出中间结果与最终数据，便于人工或 Agent 二次校验
  

附录

Coze平台自建Skill流程

• 在Coze平台的技能下输入你想构建Skill的功能（该页面就是封装了编写Skill的Skill，降低使用门槛）
  
  
  
  
• 等待自动生成目录结构和文档，点击切换到目录结构（生成了满足Skill规范的结构与文档）
  
  
  
  
• 根据自己的需求直接修改文档，或者跟AI进行交互，进一步描述自己的述求，让AI进行修改
  
• 测试该Skill是否满足预期，根据测试结果，返回第三步进行修改
  
• 点击页面右上角的部署按钮，即可打包部署成功，就可以在自己的技能商店中看到自己创建的Skill了
  
  
  
  
• Skill的使用，后续直接上传文件进行分析时，会自动调用，当然也可以显示指定该Skill进行分析
  

参考链接

B站视频：【吴恩达】2026年公认最好的【Agent Skills】教程
中文教程：Datawhale agent-skills
英文教程：Deeplearning-ai Agent-skills

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！