WorkBuddy Skill 开发实战：从入门到写出高质量技能

参考来源：腾讯技术工程《如何写好 Skill：一份终极实战经验手册》（作者 jackjchou）

文章目录

一、Skill 到底是什么

1.1 一句话定义

Skill 就是给 AI 编程助手（Claude Code、CodeBuddy、WorkBuddy 等）"加装"的能力包。本质上是一种结构化的 Prompt Engineering——通过标准的文件格式，把分散的领域知识、操作流程和最佳实践，转化为 AI 可理解、可执行的指令集。

物理上看，它就是一个文件夹，里面包含：

组成部分 作用 是否必需
指令（Instructions） 告诉 AI 怎么干活，按什么步骤来 必需
上下文（Context） 项目背景、团队规范等 AI 不可能凭空知道的东西 推荐
工具（Tools） 辅助脚本、配置模板，AI 可以直接拿来用 可选

打个比方：裸着的 AI 就像一个刚入职的新人，啥都得问；装了 Skill 之后，就像拿到了老员工整理的操作手册，照着就能干。

1.2 渐进式加载机制

Skill 不是一股脑全塞进 AI 上下文的，而是采用三层渐进式加载，兼顾触发精准度和 Token 成本：

在这里插入图片描述

各层的作用和约束：

层级 内容 加载时机 Token 消耗 编写建议
Level 1 name + description 始终驻留在 AI 上下文中 约 50-100 越精准越好，决定触发时机
Level 2 SKILL.md 正文 Skill 被匹配触发时加载 建议 ≤ 500 行 越精简越好，减少 Token 消耗
Level 3 scripts/ references/ assets/ 执行过程中按需引用 按需 放心放，不占常驻空间

核心原则：Level 1 越精准越好（决定触发时机），Level 2 越精简越好（减少 Token 消耗），Level 3 放心放（按需加载不占常驻空间）。

二、WorkBuddy Skill 的目录结构

WorkBuddy 上 Skill 的标准目录结构如下：

在这里插入图片描述

各文件职责详解

文件/目录 必选 说明
SKILL.md ✅ 核心灵魂。YAML 元数据（name、description）+ Markdown 正文指令
scripts/ 可选 Python/Bash 脚本。前置检查、数据转换、API 调用等逻辑
references/ 可选 参考文档。API 规范、编码规范、模板文件
assets/ 可选 静态资源。JSON 模板、配置文件等

三、Quick Start：5 分钟用 Python 写第一个 WorkBuddy Skill

以"Python 代码安全检查"为例，跟着做一遍。

第一步：创建目录

mkdir python-security-check
cd python-security-check
mkdir scripts references

第二步：编写 SKILL.md

---
name: python-security-check
description: >
  对 Python 代码进行安全审查。当用户要求检查代码安全、审计 Python 脚本、
  或查找安全漏洞时触发。适用于所有 Python 项目。
---

# Python 代码安全检查

## 目标
对指定的 Python 文件或代码片段进行安全审查，识别常见安全漏洞。

## 检查清单
按以下维度逐项检查：

### 1. 敏感信息硬编码
- 搜索关键词：`password`、`secret`、`api_key`、`token`、`private_key`
- 错误示例：`API_KEY = "sk-xxxxx"`
- 正确示例：`API_KEY = os.environ.get("API_KEY")`

### 2. SQL 注入风险
- 搜索字符串拼接的 SQL 语句
- 错误示例：`f"SELECT * FROM users WHERE name='{name}'"`
- 正确示例：使用参数化查询

### 3. 命令注入风险
- 搜索 `os.system()`、`subprocess.call(shell=True)`
- 推荐使用 `subprocess.run([...])` 且不启用 shell

### 4. 反序列化风险
- 搜索 `pickle.loads()`、`yaml.load()`
- 推荐使用 `yaml.safe_load()` 或避免 pickle

### 5. 路径遍历风险
- 搜索用户输入直接拼接到文件路径
- 推荐使用 `os.path.realpath()` 校验

## 输出格式
按以下结构输出审查报告：
- 🔴 严重问题：可直接导致安全漏洞
- 🟡 改进建议：存在风险但未必立即触发
- 🟢 可选优化：编码规范层面的建议

第三步：编写检查脚本

scripts/check_secrets.py：

import ast
import sys
import re

SECRET_PATTERNS = [
    r'(?i)(api[_-]?key|secret[_-]?key|access[_-]?token)\s*=\s*["\'][^"\']{8,}["\']',
    r'(?i)(password|passwd|pwd)\s*=\s*["\'][^"\']+["\']',
    r'(?i)(private[_-]?key)\s*=\s*["\']',
]

def check_file(filepath: str) -> list:
    issues = []
    with open(filepath, "r", encoding="utf-8") as f:
        content = f.read()
        for lineno, line in enumerate(content.split("\n"), 1):
            for pattern in SECRET_PATTERNS:
                if re.search(pattern, line):
                    issues.append({
                        "line": lineno,
                        "type": "硬编码凭据",
                        "content": line.strip(),
                        "severity": "严重"
                    })
    return issues

if __name__ == "__main__":
    if len(sys.argv) < 2:
        print("用法: python check_secrets.py <filepath>")
        sys.exit(1)
    results = check_file(sys.argv[1])
    for r in results:
        print(f"[{r['severity']}] 第{r['line']}行 - {r['type']}: {r['content']}")
    if not results:
        print("未发现硬编码凭据。")

第四步：测试

在 WorkBuddy 对话中输入：

“帮我检查 app/config.py 有没有安全漏洞”

AI 应该自动触发 python-security-check Skill，执行检查并输出报告。

四、写出好 Skill 的关键技巧

4.1 Description 是成败的关键

AI 就是靠 description 来判断"用户现在说的这个事，该不该用这个 Skill"。写得太笼统，触发不精准；写得太窄，该触发的场景又漏了。

反面案例：

description: 处理代码问题

正面案例：

description: >
  对 Python 代码进行安全漏洞审查。当用户提到"安全检查"、"代码审计"、
  "安全漏洞"、"查找安全问题"时触发。覆盖硬编码凭据、SQL注入、
  命令注入、反序列化、路径遍历五大类问题。

实用技巧：触发评估法——自己想 20 个问题（一半该触发、一半不该触发），测试 AI 是否能正确判断。命中率不够就回来调 description。

4.2 用祈使句下指令，并解释"为什么"

写 Skill 有两个核心原则：

第一，别用商量的口吻，直接说做什么：

# ❌ 不推荐
你应该检查 Python 版本，然后选择合适的依赖管理方式。

# ✅ 推荐
检查 Python 版本。根据版本号选择方案：
- Python < 3.8 → 不兼容，提示升级
- Python >= 3.8 → 使用 pip + venv

第二，与其堆砌"MUST"，不如讲清楚为什么：

# ❌ 不推荐
必须使用参数化查询。绝对不能拼接字符串。

# ✅ 推荐
使用参数化查询而非字符串拼接来构建 SQL。
字符串拼接会导致 SQL 注入漏洞——攻击者可以通过输入
`'; DROP TABLE users; --` 来删除整张表。

AI 理解了背后的道理，遇到你没想到的情况也能做出合理判断。

4.3 给出 Before/After 对比示例

这是 Skill 中最关键的部分——让 AI 清楚知道"改什么"和"改成什么"。

方式一：注释标注（适合简单变更）

# Before
import requests

def fetch(url):
    return requests.get(url).json()

# After
import httpx

def fetch(url):
    with httpx.Client(timeout=30) as client:
        return client.get(url).json()

方式二：完整文件对比（适合复杂变更）

# Before: app/db.py
import sqlite3

def get_user(name):
    conn = sqlite3.connect("app.db")
    cursor = conn.cursor()
    cursor.execute(f"SELECT * FROM users WHERE name='{name}'")
    return cursor.fetchone()

# After: app/db.py
import sqlite3

def get_user(name):
    conn = sqlite3.connect("app.db")
    cursor = conn.cursor()
    cursor.execute("SELECT * FROM users WHERE name=?", (name,))
    return cursor.fetchone()

4.4 Few-Shot：3-5 个高质量示例让 AI 稳定输出

在 Skill 里放 3-5 个输入/输出示例，AI 的表现会稳定很多。几个关键原则：

  • 覆盖典型场景：正常情况、边界情况、错误情况各来一个
  • 输入输出成对出现：每个示例都要有"给什么"和"出什么"
  • 示例之间有差异：别搞 3 个长得差不多的，要展示不同的处理分支
  • 先放最典型的：AI 更倾向于模仿前面的示例

以"代码审查 Skill"的 Few-Shot 示例为例：

## 审查报告格式

### 示例 1：安全漏洞（严重问题）

**输入**：
```python
def get_user(name):
    sql = "SELECT * FROM users WHERE name = '" + name + "'"
    return db.execute(sql)

输出：

🔴 严重问题
  • [第2行] SQL 注入风险：使用字符串拼接构建 SQL 查询。
    • 修复建议：db.execute("SELECT * FROM users WHERE name = ?", (name,))
    • 风险等级：Critical

示例 2：代码规范（轻微问题）

输入：

class user_service:
    def GetAllUsers(self):
        Data = UserRepository.Find()
        return Data

输出：

🟢 可选优化
  • [第1行] 类名应使用 PascalCase：user_service → UserService
  • [第2行] 方法名应使用 snake_case：GetAllUsers → get_all_users
  • [第3行] 变量名不应用大写开头：Data → data

### 4.5 善用表格呈现结构化信息

AI 读表格比读大段文字准确得多。能结构化的信息，尽量用表格：

```markdown
## 依赖版本兼容矩阵

| 依赖 | 最低版本 | 推荐版本 | 备注 |
|------|----------|----------|------|
| workbuddy-sdk | 1.2.0 | 1.5.0+ | 技能开发核心 SDK |
| Python | 3.8 | 3.10+ | 3.7 已停止维护 |
| httpx | 0.23.0 | 0.27.0+ | HTTP 请求库 |
| pydantic | 2.0.0 | 2.5.0+ | 数据校验 |

五、模块化拆分：Skill 太长了怎么办

5.1 什么时候该拆

一个 Skill 干一件事是最理想的状态。以下情况该考虑拆分：

  • 文件超过 500 行（Anthropic 官方建议上限）
  • 有些步骤可以单独用，没必要每次都跑整个流程
  • 不同部分改动频率差很多（一个每月改三次，另一个半年不动）

5.2 拆分模式

简单场景：一个文件搞定

my-skill/
└── SKILL.md

复杂场景：主 Skill + 子 Skill

project-migration/              # 主 Skill：流程编排
├── SKILL.md
└── references/
    ├── 00-env-setup.md
    ├── 01-dependency-update.md
    └── 02-api-migration.md

project-migration-env-setup/    # 子 Skill：可独立调用
├── SKILL.md
└── scripts/
    └── check_env.py

5.3 拆分原则

  1. 单一职责：一个子 Skill 只管一件事（如 env-setup、api-migration）
  2. 写明依赖关系：子 Skill 之间有先后顺序的，在文档里标注前置条件
  3. 每个子 Skill 都能独立使用：拆出来的子 Skill 不应离了主流程就没法跑

六、安全设计：别让 Skill 变成漏洞入口

6.1 绝不硬编码敏感信息

# ❌ 千万别这样
API_KEY = "sk-abc123xyz"
headers = {"Authorization": f"Bearer {API_KEY}"}

# ✅ 通过环境变量
import os
API_KEY = os.environ.get("API_KEY")
if not API_KEY:
    raise ValueError("请设置环境变量 API_KEY")

Skill 文件通常会提交到 Git 仓库。一旦硬编码了 API Key、数据库密码、Token 等，就等于把密钥公开了。

6.2 危险操作必须加确认

# ❌ 不加确认直接删
os.remove("/data/old_backup/")

# ✅ 先确认再操作
import shutil

target = "/data/old_backup/"
print(f"即将删除目录: {target}")
confirm = input("确认删除？(y/N): ")
if confirm.lower() != "y":
    print("已取消")
    exit(0)
shutil.rmtree(target)

在 SKILL.md 中也要标注风险步骤：

### Step 3: 清理旧数据

⚠️ **此步骤会永久删除旧版配置文件，请确认已备份后再执行。**

6.3 脚本沙箱与最小权限

WorkBuddy 强制要求所有 Python 脚本必须在预设白名单目录中运行。编写脚本时应遵循最小权限原则——只访问必要的文件、只调用必要的 API。

七、常见反模式与避坑

反模式 表现 正确做法
万能 Skill description 写成"处理任何编程任务" 精确定义触发场景和适用范围
流水账式指令 “步骤1：读取文件。步骤2：解析 JSON…” 描述目标而非路径，给 AI 自由度
单文件超级大 SKILL.md 超过 800 行 拆分为 references/ 子文件
缺少反面示例 只写了什么时候该触发 同时写清楚什么时候不该触发
忽略 Token 成本 装了 20 个 Skill 不评估消耗 定期用 tokenizer 估算，精简 Level 2
无验证清单 AI 做完不知道对不对 每个 Skill 末尾加上检查清单

八、完整开发流程总览

在这里插入图片描述

8.1 各阶段要点

阶段 关键动作 产出物
① 定义意图与边界 明确 Skill 做什么、不做什么 一句话描述 + 触发词列表 + 排除词列表
② 设计目录与元数据 决定是否拆分、写 YAML 头 目录结构 + description
③ 编写 SKILL.md 指令、示例、检查清单 SKILL.md（≤ 500 行）
④ 编写辅助脚本 前置检查、数据转换、API 调用 scripts/*.py
⑤ 测试 正例 10 条 + 反例 10 条 + 边界 5 条 测试用例 + 触发准确率
⑥ 迭代优化 根据测试结果调整 description 和指令 优化后的 SKILL.md

8.2 关于 WorkBuddy 的特别说明

WorkBuddy 提供两种生成 Skill 的方式：

  1. AI 自动生成（推荐）：直接在对话中描述需求，WorkBuddy 自动生成完整的 Skill 包
  2. 手动封装：手动完成一次任务后，让 WorkBuddy 把操作"封装"成 Skill

对于初学者，建议先用方式 1 快速上手，再用手动方式理解 Skill 的内部结构。

九、总结

写好一个 Skill，核心就是三件事：

  1. 把 description 写对——这是 Skill 的"门禁卡"，决定 AI 何时触发它
  2. 把内容写精——Instruction 精简、示例充足、表格化结构化信息，控制在 500 行内
  3. 把安全守好——不硬编码凭据、危险操作加确认、脚本遵循最小权限

Skill 不是一次性写完就扔的东西，它是一个需要持续迭代的工程资产。好的 Skill 应该在上百次调用中都稳定有效。

延伸阅读：

感谢阅读，记得点赞、关注、收藏，欢迎各位评论区交流！！！

在这里插入图片描述

# 人工智能 # MCP
Logo
龙虾开发者社区

小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用

更多推荐

AI Agent记忆系统深度解析：从短期上下文到长期知识库的架构设计

分层组织文档解析图谱更新记忆检索器。

avatar 龙虾开发者社区
cover

本地私有化 AI OpenClaw 2.7.9，跨平台安装报错解决汇总

avatar 龙虾开发者社区
cover

我的建站搭子skill，入职腾讯QClaw了！动动嘴就能建网站

avatar 龙虾开发者社区