Skills开源项目：为AI Agent提供标准化技能库，实现代码仓库自动化操作

如果你是一名前端开发者，最近一定被各种“AI编程助手”刷屏了。从 Copilot 到 Cursor，再到层出不穷的本地模型，它们都在承诺一件事：帮你更快地写代码。但一个核心痛点始终存在——这些工具生成的代码，往往需要你手动复制、粘贴、调整，才能融入你的项目。整个过程依然是“人机分离”的，AI 是 AI，你的 IDE 是你的 IDE。

有没有一种可能，让 AI 助手直接在你的项目里“动手”？让它不仅能写代码片段，还能执行诸如“创建一个新组件”、“安装一个依赖”、“运行一次测试”这样的具体任务？这听起来像是科幻，但一个名为Skills的开源项目，正在将这个想法变为现实。

Skills 不是一个独立的 AI 工具，而是一个为 AI Agent（智能体）设计的“技能库”。你可以把它理解为一个标准化的“工具箱”或“API 接口集”。当你的 AI Agent（比如基于 OpenAI、Claude 或本地模型构建的）需要操作一个真实的代码仓库时，它不再需要去“理解”复杂的文件系统和命令行，而是可以直接调用 Skills 里封装好的“技能”，比如createFile、runCommand、applyDiff。这极大地降低了构建“能真正干活”的 AI 开发助手的门槛。

本文将深入解析 Skills 项目。我们不止步于介绍它“是什么”，更要回答：为什么在 AI 编程工具泛滥的今天，Skills 代表的“技能化”思路是关键一步？它解决了 Agent 落地的哪些核心难题？作为一名开发者，你该如何利用它来构建或增强自己的 AI 助手？我们将从概念、原理、到实战部署和代码集成，为你提供一份完整的指南。

1. Skills 要解决的核心问题：从“对话”到“执行”的鸿沟

当前大多数 AI 编程助手，其工作模式本质上是“增强型对话”。你描述需求，它生成代码或建议，然后由你——人类开发者——来执行最后的“落地”操作：创建文件、修改代码、安装包、运行命令。这个“最后一公里”的断层，限制了自动化潜力的完全释放。

Skills 瞄准的正是这个断层。它试图为 AI Agent 提供一套标准化、可编程、且安全的“手”和“脚”，让 Agent 能直接在开发环境中执行操作。其核心价值体现在三个层面：

1. 标准化接口：不同的开发任务（创建文件、运行测试、Git 操作）对应不同的命令行和文件操作，逻辑复杂且容易出错。Skills 将这些操作抽象成统一的函数调用（如skill.filesystem.createFile），让 AI 无需学习底层细节，只需调用“技能”即可。
2. 安全性控制：允许 AI 直接执行任意命令是危险的。Skills 可以通过技能的白名单机制、操作范围限制（如限定工作目录）、以及 dry-run（试运行）模式，为 AI 的操作加上“安全护栏”，防止其对生产环境造成破坏。
3. 可组合性：单个技能（如“写文件”）能力有限，但多个技能组合起来（“创建文件” -> “写入代码” -> “运行测试” -> “提交 Git”），就能完成复杂的开发工作流。Skills 提供了这种组合的基础。

因此，Skills 的目标用户非常明确：

• AI Agent 框架开发者：你正在构建类似AutoGPT、LangChain或自定义的 AI 智能体，需要为其添加代码仓库操作能力。
• 追求极致效率的开发者：你希望打造一个高度定制化、能理解你特定项目上下文并自动执行重复任务的个人 AI 助手。
• 工具链整合者：你希望将 AI 能力无缝嵌入到现有的 CI/CD、代码审查或内部开发平台中。

如果你对“让 AI 自动化处理开发任务”感兴趣，那么理解 Skills 是必经之路。

2. 核心概念与架构：技能、上下文与执行器

在深入代码之前，我们需要厘清 Skills 的几个核心概念，这有助于理解其设计哲学。

2.1 技能 (Skill)

技能是 Skills 库的基本单元，代表一个原子化的操作能力。每个技能都是一个 TypeScript 函数，具有明确的输入、输出和副作用。例如：

• readFile: 读取指定路径的文件内容。
• createFile: 在指定路径创建新文件并写入内容。
• runCommand: 在指定工作目录下执行一条 shell 命令。
• applyDiff: 根据统一的 diff 格式，智能地修改文件（比直接覆写更安全）。
• git.*: 一系列 Git 操作技能（如 clone, status, commit, push）。

技能的设计追求“单一职责”和“无状态”（尽可能），使其易于测试和组合。

2.2 技能上下文 (SkillContext)

这是 Skills 设计中的关键一环。当 AI Agent 调用一个技能时，它需要知道“在哪里执行”。SkillContext对象就封装了这些环境信息，主要包括：

• workspacePath: 技能操作的根目录（通常是项目路径）。所有文件操作都限定在此目录下，确保了安全性。
• logger: 日志记录器，用于输出技能执行的过程信息。
• 其他执行时所需的配置或状态。

上下文将技能与具体的运行时环境解耦，同一个技能函数可以在不同的项目（上下文）中复用。

2.3 技能执行器 (SkillExecutor)

执行器是技能调用的协调者。它负责：

• 接收 AI Agent（或任何调用方）的请求。
• 根据请求中的技能名称和参数，找到对应的技能函数。
• 准备好SkillContext。
• 调用技能函数并返回结果。
• 处理技能执行过程中可能出现的错误。

你可以将执行器看作 Skills 库的“大脑”或“调度中心”。

2.4 架构总览

一个典型的基于 Skills 的 AI Agent 工作流程如下：

[AI 模型/Agent 大脑] | | (决定执行 “createFile” 技能，参数为 {path: ‘src/Component.tsx’, content: ‘...’}) v [技能执行器 (SkillExecutor)] | | (查找 “createFile” 技能函数，注入当前 SkillContext) v [技能实现 (如 filesystem.createFile)] | | (在 context.workspacePath 下执行实际的文件创建) v [文件系统 / Shell]

这个架构清晰地将“决策”（AI）、“调度”（执行器）和“执行”（技能）分离，符合良好的软件设计原则。

3. 环境准备与项目初始化

Skills 是一个 TypeScript/Node.js 项目，因此你需要基本的 Node.js 开发环境。

3.1 环境要求

• Node.js: 版本 18 或更高。推荐使用 LTS 版本。
• 包管理器: npm 或 yarn 或 pnpm。本文示例使用 npm。
• TypeScript: 虽然不是强制要求，但 Skills 本身用 TypeScript 编写，使用 TypeScript 能获得更好的类型提示和开发体验。
• Git: 用于克隆仓库和技能中的 Git 操作。

你可以通过以下命令检查环境：

node --version npm --version tsc --version # 如果已全局安装 TypeScript git --version

3.2 创建你的 AI Agent 项目

我们从一个空白项目开始，逐步集成 Skills。首先，创建一个新目录并初始化：

mkdir my-ai-dev-agent cd my-ai-dev-agent npm init -y

3.3 安装依赖

安装 Skills 核心库以及我们可能需要的其他依赖：

npm install @mattpocock/skills npm install typescript ts-node @types/node --save-dev

• @mattpocock/skills: Skills 核心库。
• typescript,ts-node,@types/node: 用于 TypeScript 开发和运行。

3.4 初始化 TypeScript 配置

创建tsconfig.json文件：

{ "compilerOptions": { "target": "ES2022", "module": "commonjs", "lib": ["ES2022"], "outDir": "./dist", "rootDir": "./src", "strict": true, "esModuleInterop": true, "skipLibCheck": true, "forceConsistentCasingInFileNames": true, "resolveJsonModule": true }, "include": ["src/**/*"], "exclude": ["node_modules", "dist"] }

创建源代码目录：

mkdir src

现在，你的项目基础结构已经搭建完成。接下来，我们将开始使用 Skills。

4. 核心技能使用详解

让我们通过几个最常见的技能，来感受 Skills 如何工作。我们将在src/index.ts中编写示例代码。

4.1 文件系统技能：读写与创建

文件操作是开发中最基础的需求。Skills 的filesystem模块提供了相关技能。

首先，创建一个简单的示例文件src/demo-fs.ts：

// src/demo-fs.ts import { createSkillExecutor, filesystem } from '@mattpocock/skills'; import path from 'path'; async function main() { // 1. 创建技能执行器，并注册我们需要的技能组 const executor = createSkillExecutor().addSkills( filesystem.createFile, filesystem.readFile, filesystem.updateFile ); // 2. 定义技能执行的上下文：我们的当前项目目录作为工作区 const workspacePath = process.cwd(); // 获取当前命令行所在目录 const context = { workspacePath, logger: console }; // 3. 示例1：创建一个新文件 const createResult = await executor.execute({ skill: 'filesystem.createFile', params: { path: path.join(workspacePath, 'hello-skills.txt'), // 完整路径 content: 'Hello, Skills! This file was created by an AI agent.\n', }, context, }); if (createResult.success) { console.log('✅ 文件创建成功:', createResult.output?.path); } else { console.error('❌ 文件创建失败:', createResult.error); return; } // 4. 示例2：读取刚创建的文件 const readResult = await executor.execute({ skill: 'filesystem.readFile', params: { path: path.join(workspacePath, 'hello-skills.txt'), }, context, }); if (readResult.success) { console.log('📄 文件内容:'); console.log(readResult.output?.content); } // 5. 示例3：更新文件内容（追加） const updateResult = await executor.execute({ skill: 'filesystem.updateFile', params: { path: path.join(workspacePath, 'hello-skills.txt'), update: (currentContent) => currentContent + 'This line was appended later.\n', }, context, }); if (updateResult.success) { console.log('✅ 文件更新成功'); // 再次读取验证 const verifyRead = await executor.execute({ skill: 'filesystem.readFile', params: { path: path.join(workspacePath, 'hello-skills.txt') }, context, }); console.log('📄 更新后内容:'); console.log(verifyRead.output?.content); } } main().catch(console.error);

关键点解析：

• createSkillExecutor(): 创建执行器实例。
• .addSkills(...): 注册技能。只有注册过的技能才能被调用。
• executor.execute(): 执行一个技能调用。需要提供技能名、参数和上下文。
• workspacePath: 所有文件路径都基于此。使用path.join来构建绝对路径是良好实践。
• 每个执行结果都包含success布尔值、output（成功时）和error（失败时），便于错误处理。

运行这个示例：

npx ts-node src/demo-fs.ts

你应该能看到终端输出，并在项目根目录下找到新创建的hello-skills.txt文件。

4.2 命令行技能：执行 Shell 命令

让 AI 运行npm install或git status是常见场景。command技能模块提供了这个能力。

创建src/demo-command.ts：

// src/demo-command.ts import { createSkillExecutor, command } from '@mattpocock/skills'; async function main() { const executor = createSkillExecutor().addSkills( command.runCommand ); const workspacePath = process.cwd(); const context = { workspacePath, logger: console }; // 示例：运行 `ls -la` 命令列出工作区文件 const result = await executor.execute({ skill: 'command.runCommand', params: { command: 'ls', // 命令 args: ['-la'], // 参数 // cwd 默认使用 context.workspacePath }, context, }); if (result.success) { console.log('✅ 命令执行成功'); console.log('标准输出 (stdout):'); console.log(result.output?.stdout); if (result.output?.stderr) { console.log('标准错误 (stderr):'); console.log(result.output.stderr); } console.log('退出码:', result.output?.exitCode); } else { console.error('❌ 命令执行失败:', result.error); } // 示例2：运行一个可能失败的命令（例如，查看不存在的文件） const failResult = await executor.execute({ skill: 'command.runCommand', params: { command: 'cat', args: ['non-existent-file.txt'], }, context, }); console.log('\n--- 测试失败命令 ---'); if (!failResult.success) { console.log('命令如预期般失败'); console.log('错误信息:', failResult.error); } else { // 注意：命令本身执行了，但返回了非零退出码，这取决于技能实现如何定义“成功” console.log('命令进程完成，退出码:', failResult.output?.exitCode); console.log('stderr:', failResult.output?.stderr); } } main().catch(console.error);

安全提示：runCommand技能非常强大，但也非常危险。在生产或与不受信任的 AI 模型结合使用时，必须严格限制可执行的命令白名单，或使用沙箱环境。Skills 库本身可能提供或未来会提供相关的安全配置选项，使用时务必查阅最新文档。

4.3 差异应用技能：更安全的代码修改

直接覆写文件是危险的，尤其是当 AI 可能误解上下文时。applyDiff技能提供了一种更优雅的方式：它接受一个标准化的 diff 格式（如 Unified Diff），并尝试将更改应用到目标文件上。如果应用失败（例如行号对不上），它会安全地失败，而不是破坏文件。

这是 Skills 中一个体现“AI友好”设计的关键技能。AI 模型（如 GPT-4）非常擅长生成 diff 格式的补丁。通过让 AI 输出 diff 而非完整文件，Skills 可以更安全地应用更改。

// src/demo-diff.ts (概念性示例，实际需结合AI生成diff) import { createSkillExecutor, diff } from '@mattpocock/skills'; import path from 'path'; async function main() { const executor = createSkillExecutor().addSkills( diff.applyDiff, filesystem.readFile // 需要从 filesystem 导入 ); const workspacePath = process.cwd(); const context = { workspacePath, logger: console }; // 假设我们有一个简单的文件 const targetFile = path.join(workspacePath, 'example.js'); await executor.execute({ skill: 'filesystem.createFile', params: { path: targetFile, content: 'function oldFunction() {\n console.log("Hello");\n}\n', }, context, }); // AI 生成了以下 diff（模拟） const aiGeneratedDiff = `--- a/example.js +++ b/example.js @@ -1,3 +1,4 @@ -function oldFunction() { - console.log("Hello"); +function newFunction(name) { + console.log(\`Hello, \${name}!\`); + return \`Greeted \${name}\`; } `; console.log('应用的 Diff:'); console.log(aiGeneratedDiff); const result = await executor.execute({ skill: 'diff.applyDiff', params: { diff: aiGeneratedDiff, // 通常技能会根据 diff 头信息自动识别文件路径 // 也可能需要单独指定 targetPath }, context, }); if (result.success) { console.log('✅ Diff 应用成功！'); // 读取文件验证 const readResult = await executor.execute({ skill: 'filesystem.readFile', params: { path: targetFile }, context, }); console.log('更新后的文件内容:'); console.log(readResult.output?.content); } else { console.error('❌ Diff 应用失败:', result.error); // 文件应保持原样 } } // 注意：需要从 @mattpocock/skills 正确导入 `filesystem`。这里为演示合并了模块。

这个技能是构建可靠 AI 代码编辑器的基石。

5. 构建一个简单的 AI 开发助手原型

现在，我们将 Skills 与一个 AI 模型（这里使用 OpenAI GPT API 作为示例）结合起来，创建一个能理解自然语言指令并执行简单文件操作的助手原型。

5.1 项目结构

my-ai-dev-agent/ ├── node_modules/ ├── src/ │ ├── index.ts # 主程序入口 │ ├── skills-registry.ts # 技能注册与管理 │ └── ai-handler.ts # AI 模型交互逻辑 ├── package.json ├── tsconfig.json └── .env # 存储 API 密钥（不要提交到 Git）

5.2 安装 OpenAI SDK

npm install openai

5.3 创建技能注册中心

src/skills-registry.ts:

import { createSkillExecutor, filesystem, command } from '@mattpocock/skills'; import path from 'path'; export type SkillContext = { workspacePath: string; logger: Console; }; export function createRegisteredExecutor(context: SkillContext) { const executor = createSkillExecutor().addSkills( filesystem.createFile, filesystem.readFile, filesystem.updateFile, filesystem.listFiles, // 列出目录文件 command.runCommand, // 未来可以添加更多技能，如 git, diff 等 ); return executor; } // 一个工具函数：将技能列表转换为 AI 可理解的描述 export function getSkillsDescription(): string { return ` 可用的技能列表： 1. filesystem.createFile - 创建文件 参数: { path: string, content: string } 2. filesystem.readFile - 读取文件 参数: { path: string } 3. filesystem.updateFile - 更新文件内容 参数: { path: string, update: (content: string) => string } 4. filesystem.listFiles - 列出目录下的文件和文件夹 参数: { directoryPath: string, recursive?: boolean } 5. command.runCommand - 执行 shell 命令 参数: { command: string, args: string[] } 请根据用户请求，决定调用哪个技能，并生成正确的参数。输出格式应为 JSON：{ "skill": "技能名", "params": { ... } } `; }

5.4 创建 AI 处理器

src/ai-handler.ts:

import OpenAI from 'openai'; import { getSkillsDescription } from './skills-registry'; // 从环境变量读取 API 密钥 const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY, }); const SYSTEM_PROMPT = `你是一个 AI 开发助手，可以调用预定义的技能来操作文件系统和执行命令。 ${getSkillsDescription()} 用户会给你一个任务描述，你需要分析并决定调用哪个技能。 你只输出一个 JSON 对象，包含 "skill" 和 "params" 字段，不要输出其他任何解释性文字。 如果用户的任务无法用现有技能完成，或者指令不清晰，则输出：{ "skill": "none", "params": {} }`; export async function getAISkillCall( userPrompt: string ): Promise<{ skill: string; params: any }> { try { const completion = await openai.chat.completions.create({ model: 'gpt-3.5-turbo', // 或 gpt-4 messages: [ { role: 'system', content: SYSTEM_PROMPT }, { role: 'user', content: userPrompt }, ], temperature: 0.1, // 低温度，使输出更确定 response_format: { type: 'json_object' }, // 要求返回 JSON }); const responseText = completion.choices[0]?.message?.content; if (!responseText) { throw new Error('AI 未返回有效响应'); } const result = JSON.parse(responseText); // 简单验证 if (typeof result.skill === 'string' && result.params) { return result; } else { return { skill: 'none', params: {} }; } } catch (error) { console.error('调用 AI 时出错:', error); return { skill: 'none', params: {} }; } }

5.5 主程序入口

src/index.ts:

import { createRegisteredExecutor } from './skills-registry'; import { getAISkillCall } from './ai-handler'; import path from 'path'; import * as readline from 'readline/promises'; import { stdin as input, stdout as output } from 'process'; // 初始化环境 const workspacePath = process.cwd(); // 实际操作的工作目录 const context = { workspacePath, logger: console }; const executor = createRegisteredExecutor(context); // 创建命令行交互界面 const rl = readline.createInterface({ input, output }); async function processCommand(userInput: string) { console.log(`\n🤖 分析指令: "${userInput}"`); // 1. 调用 AI 决定使用什么技能 const aiDecision = await getAISkillCall(userInput); console.log(`🛠️ AI 决定调用技能: ${aiDecision.skill}`); if (aiDecision.skill === 'none') { console.log('❌ AI 无法理解此指令或没有合适技能。'); return; } // 2. 执行技能 console.log(`⚡ 执行技能 "${aiDecision.skill}" 参数:`, JSON.stringify(aiDecision.params)); try { const result = await executor.execute({ skill: aiDecision.skill, params: aiDecision.params, context, }); if (result.success) { console.log('✅ 技能执行成功！'); if (result.output) { console.log('输出:', JSON.stringify(result.output, null, 2)); } } else { console.error('❌ 技能执行失败:', result.error); } } catch (error) { console.error('💥 执行过程中发生意外错误:', error); } } async function main() { console.log('🚀 AI 开发助手已启动（基于 Skills）'); console.log(`工作目录: ${workspacePath}`); console.log('输入自然语言指令（如“创建一个叫 test.txt 的文件，内容为 hello world”），或输入“exit”退出。\n`); while (true) { const answer = await rl.question('> '); if (answer.toLowerCase() === 'exit' || answer.toLowerCase() === 'quit') { break; } await processCommand(answer.trim()); } rl.close(); console.log('👋 助手已退出。'); } // 启动前检查 API 密钥 if (!process.env.OPENAI_API_KEY) { console.error('错误：请设置 OPENAI_API_KEY 环境变量。'); console.error('在项目根目录创建 .env 文件，并添加: OPENAI_API_KEY=your_key_here'); process.exit(1); } main().catch(console.error);

5.6 配置与环境变量

在项目根目录创建.env文件（确保已添加到.gitignore）：

OPENAI_API_KEY=sk-your-openai-api-key-here

安装dotenv以便在开发中加载环境变量：

npm install dotenv

修改src/index.ts和src/ai-handler.ts的顶部，添加：

import * as dotenv from 'dotenv'; dotenv.config();

5.7 运行你的 AI 助手

1. 确保已安装所有依赖。
2. 在.env中填入有效的 OpenAI API 密钥。
3. 运行：

   npx ts-node src/index.ts

4. 在交互提示符>后，尝试输入以下指令：
   • “在根目录创建一个叫hello.txt的文件，内容为Hello from AI!”
   • “列出当前目录的所有文件”
   • “运行pwd命令看看我们在哪”

你会看到 AI 解析你的指令，选择正确的技能，并执行操作。这就是一个最基本的、具备“执行力”的 AI 开发助手原型。

6. 运行结果与效果验证

成功运行上述原型后，你应该能观察到以下结果：

1. 终端交互：程序启动后，会显示工作目录并等待输入。
2. AI 决策过程：输入指令后，终端会显示 AI 决定调用的技能名称和参数。例如，对于“创建文件”指令，你会看到AI 决定调用技能: filesystem.createFile。
3. 技能执行反馈：技能执行成功后，会显示✅ 技能执行成功！，并可能打印输出（如listFiles的文件列表或runCommand的 stdout）。
4. 文件系统变更：使用filesystem.createFile后，你可以在工作目录下找到新创建的文件，并验证其内容是否正确。
5. 命令执行结果：使用command.runCommand后，你可以在终端看到该命令的标准输出。

如何验证集成是否成功？

• 基础验证：运行示例指令，观察文件是否被正确创建、内容是否正确、命令输出是否符合预期。
• 错误处理验证：尝试一个模糊或无法完成的指令（如“删除所有文件”），观察 AI 是否会返回skill: “none”，或者技能执行是否会安全失败（例如，runCommand执行一个不存在的命令）。
• 日志验证：检查控制台输出的日志，确保每一步（AI 调用、技能选择、执行、结果）都有清晰记录。

如果运行失败，请按以下顺序排查：

1. 环境变量：确认.env文件已创建且OPENAI_API_KEY设置正确。
2. 依赖安装：运行npm list确认@mattpocock/skills和openai已安装。
3. TypeScript 编译：如果直接运行ts-node有问题，可以尝试先编译npm run build（需在package.json中配置build脚本为tsc），然后运行node dist/index.js。
4. 网络问题：确认能访问 OpenAI API。
5. 技能注册：确认你在createRegisteredExecutor中注册了所有用到的技能。

7. 常见问题与排查思路

在集成和使用 Skills 过程中，你可能会遇到以下典型问题：

8. 最佳实践与工程建议

将 Skills 用于生产环境或严肃项目时，请遵循以下建议：

1. 安全第一，实施白名单机制

   • 技能白名单：不要注册所有技能。根据 Agent 的职责，只注册最小必要技能集。例如，一个只负责写文档的 Agent 不需要runCommand。
   • 命令白名单：如果使用runCommand，强烈建议实现一个包装层，只允许执行预定义的安全命令列表（如[‘ls’, ‘git’, ‘npm’, ‘echo’]），并对参数进行严格过滤。
   • 路径沙箱：将workspacePath限制在一个专用的、隔离的目录内，防止 Agent 意外操作系统关键文件。
   • Dry-Run 模式：在关键操作（如写文件、运行命令）前，实现一个 dry-run 模式，只记录将要执行的操作而不实际执行，供人工审核。

2. 设计清晰的技能描述与 AI 提示工程

   • 结构化描述：如示例中的getSkillsDescription函数，为每个技能提供清晰、结构化的自然语言描述和参数格式。这能极大提升 AI 调用的准确性。
   • 多轮对话与状态管理：简单的单次调用不适合复杂任务。考虑让 AI 维护对话历史，或将复杂任务拆解为多个连续的技能调用步骤（一个简单的“规划-执行”循环）。

3. 错误处理与鲁棒性

   • 技能调用包装：不要直接相信 AI 的输出。对executor.execute的调用进行 try-catch 包装，并准备好回滚策略（例如，如果一连串操作中某一步失败，应清理已产生的部分结果）。
   • 结果验证：技能执行“成功”仅代表技能函数未抛出异常。你需要根据业务逻辑验证结果的实际效果（如创建的文件是否存在且内容正确）。

4. 日志与可观测性

   • 详细日志：记录每一次 AI 调用（输入、输出）、技能执行（技能名、参数、结果、耗时）和系统状态。这对于调试和审计至关重要。
   • 结构化日志：使用像winston或pino这样的日志库，输出 JSON 格式的日志，便于后续收集和分析。

5. 技能扩展与自定义

   • Skills 的核心价值在于其模式。你可以轻松创建自定义技能来满足特定需求。

   // src/custom-skills.ts import { Skill } from ‘@mattpocock/skills’; export const myCustomSkill: Skill = { name: ‘custom.sayHello’, description: ‘向用户问好’, inputSchema: { /* 使用 Zod 等定义参数格式 */ }, async execute(params, context) { const { name } = params; context.logger.log(`Hello, ${name}!`); return { message: `Greeted ${name}` }; }, };

   • 将业务逻辑封装成技能，使你的 AI Agent 能力可以模块化地扩展。

Skills 项目为 AI 与开发者环境的深度集成提供了一个优雅而强大的范式。它不仅仅是一个工具库，更是一种构建“可执行 AI”的架构思想。通过将复杂操作封装成安全的、可组合的技能，它极大地降低了赋予 AI 实际行动力的门槛。

对于前端和全栈开发者而言，这意味着你可以更专注于设计 AI Agent 的“大脑”（决策逻辑和交互），而将繁琐的“肢体”操作交给经过验证的 Skills 来处理。无论是构建个人效率工具，还是开发团队级的智能开发平台，Skills 都值得你将其纳入技术选型的考虑范围。

下一步，你可以探索：

• 深入研究 Skills 源码：了解其内部执行机制、错误处理和扩展方式。
• 集成更强大的 AI 模型：结合 Claude、本地部署的 Llama 等模型，降低使用成本或提升性能。
• 连接更多工具链：创建连接 Jira、GitHub API、Docker、K8s 等系统的自定义技能，打造端到端的自动化工作流。
• 加入社区：关注项目的 GitHub 仓库，了解最新动态，贡献代码或分享你的使用案例。

将本文的示例代码作为起点，开始构建你那真正能“动手”的 AI 助手吧。建议收藏本文，在实践过程中随时参考。