大家好，我是Tony Bai。

欢迎来到微专栏 《打破黑盒：用工程思维构建工业级 Agent Skills》的第二讲。

在上一讲中，我们像解剖学家一样，拆解了 Skill Spec 的物理结构和运行机制。我们明白了 YAML Frontmatter 是决定技能生死的“路由器”，也理解了“渐进式披露”是如何巧妙地平衡 AI 认知负载与执行能力的。

掌握了这些底层原理，你可能已经跃跃欲试，想要新建一个文件夹，手敲一个 SKILL.md 了。

快停下。

记住我们在开篇词中定下的基调：在 Agentic SE（智能体软件工程）时代，不要逆势而为，我们必须“用 AI 制造 AI”。

从头手写一个工业级的 Skill 是一件极其低效且容易出错的事情。你需要斟酌指令的语气，反复测试触发概率，还要手动构建评估数据集。这就像是在拥有了全自动生产线后，依然坚持用手工打磨螺丝钉。

因此，从这一讲开始，我们将正式引入我们在这个专栏中的“首席结对编程伙伴”——Anthropic 官方发布的 skill-creator skill。

今天，我们将启动引擎，在 Claude Code 环境中，一步步看着 skill-creator 是如何通过深度的需求访谈，将我们脑海中模糊的意图，孵化为一个具备极高潜力的 Skill 雏形的。

认知对齐：skill-creator 究竟是什么？

很多开发者第一次使用 skill-creator 时，把它当成了一个“大纲生成器”。他们输入：“帮我写一个分析 Go 代码的技能”，然后静静等待一个 Markdown 文件生成，最后拿去使用。

这是一个巨大的误区。

如果你仔细研读过 skill-creator 的底层指令，你会发现 Anthropic 赋予它的角色并非一个简单的生成器，而是一个严谨的“需求分析师 + 架构师”。

它被明确要求：在开始写代码（草稿）之前，必须先理解用户的意图，主动探寻边缘场景，定义成功标准。

这完全契合了我们在软件工程中推崇的“测试驱动开发（TDD）”和“需求工程”理念。当我们调用 skill-creator 时，我们实际上启动了一条自动化的生产流水线。

我们可以用下面这张序列图，来透视 skill-creator 内部的标准孵化工作流：