SKILL 是什么
SKILL 在我看来就是可以让大模型随时看到的说明文档。文档说明了这个 SKILL 可以干什么，有什么工具可以用，应该怎么做。
开始做 SKILL
所以 Skill 的文件结构就必然有 Skill 说明(SKILL.md)以及 Skill 相关代码(Scripts)
至于 references，其实就是一个简易化的 RAG，至于什么是 RAG，问 AI 就行。
然后先编写 SKILL.md 骨架，结构化数据 name 和 description 是描述SKILL。然后后面就可以附加这套 SKILL 怎么做，有什么约束，比如参数格式和失败处理。
---
name: siliconflow-image-generation
description: 通过 SiliconFlow API 、调用 Kwai-Kolors/Kolors 模型生成图片，另外可调整分辨率、步数、数量。
---# SiliconFlow 生图
## 概述
## 生成图片
## 参数格式
## 结果与失败处理
编写概述
概述的话和 description 不一样，要具体说明。比如
通过 SiliconFlow 生成 1 至 4 张图片，并返回 API 响应或将图片保存到本地。具体通过
uv运行附带脚本，并从环境变量SILICONFLOW_API_KEY读取密钥，避免将密钥写入命令行参数。
但是我建议直接在脚本里指定从 SILICONFLOW_API_KEY 环境变量读取，没必要再 SKILL.md 里说明，除非你有很多 KEY 要逐个使用。所以我的最终版是
通过 SiliconFlow 生成 1 至 4 张图片，并返回 API 响应或将图片保存到本地。。
生成图片说明
直接告诉大模型怎么做就可以了，比如：
通过
uv运行脚本uv run scripts/generate_image.py --prompt "一只坐在阳光图书馆里的电影感橘猫" --size 1024x1024 --steps 20 --count 1 --output-dir .\generated-images编写清晰的生图提示词：主体、环境、构图、光线、媒介或风格，以及质量要求。如果这些因子会影响生图效果，请先确认用户期望的画面比例、风格、图片中的文字和不希望出现的元素。
编写参数说明
说明脚本的每个参数代表什么，其实这个主要是生图 API 支持什么参数，比如：
prompt: 提示词
size：控制参数的图像分辨率，API请求时候，可以自定义多种分辨率。
steps：控制图像生成的步长。
count：一次生成图像的个数，默认值是1，最大值可以设置为 4
output-dir：指定图片存储路径./相对路径会存放到 SKILL 目录下
seed：如果想要每次都生成固定的图片，可以把seed设置为固定值。
编写结果与失败处理
示例嘛，我就不写了，当然比如说遇到429可以等待1分钟后重试。
编写脚本
把 API 说明文档丢给 AI。
# /// script
# requires-python = ">=3.10"
# dependencies = ["openai>=1.0.0"]
# ///"""Generate images with SiliconFlow's OpenAI-compatible API."""from __future__ import annotationsimport argparse
import base64
import os
import sys
from pathlib import Path
from urllib.request import urlopenfrom openai import APIError, OpenAIDEFAULT_BASE_URL = "https://api.siliconflow.cn/v1"
DEFAULT_MODEL = "Kwai-Kolors/Kolors"def parse_args() -> argparse.Namespace:parser = argparse.ArgumentParser(description="Generate images with SiliconFlow's OpenAI-compatible API.")parser.add_argument("--prompt", required=True, help="Description of the desired image.")parser.add_argument("--model", default=DEFAULT_MODEL, help="SiliconFlow model ID.")parser.add_argument("--size", default="1024x1024", help="Image resolution, such as 1024x1024.")parser.add_argument("--steps", type=int, default=20, help="Inference steps.")parser.add_argument("--count", type=int, default=1, choices=range(1, 5), help="Number of images (1-4).")parser.add_argument("--negative-prompt", help="Elements to exclude from the image.")parser.add_argument("--seed", type=int, help="Seed for reproducible output when supported.")parser.add_argument("--parameter-format",choices=("openai", "model"),default="openai",help="Use OpenAI-compatible names or native model parameter names.",)parser.add_argument("--base-url", default=DEFAULT_BASE_URL, help="API base URL.")parser.add_argument("--output-dir", type=Path, help="Directory for downloaded or base64 images.")return parser.parse_args()def build_extra_body(args: argparse.Namespace) -> dict[str, object]:if args.parameter_format == "openai":parameters: dict[str, object] = {"step": args.steps}else:parameters = {"image_size": args.size,"num_inference_steps": args.steps,"batch_size": args.count,}if args.negative_prompt:parameters["negative_prompt"] = args.negative_promptif args.seed is not None:parameters["seed"] = args.seedreturn parametersdef save_images(response: object, output_dir: Path) -> None:output_dir.mkdir(parents=True, exist_ok=True)images = getattr(response, "data", [])for index, image in enumerate(images, start=1):target_path = output_dir / f"image-{index}.png"encoded_image = getattr(image, "b64_json", None)image_url = getattr(image, "url", None)if encoded_image:target_path.write_bytes(base64.b64decode(encoded_image))elif image_url:with urlopen(image_url, timeout=60) as download_response:target_path.write_bytes(download_response.read())else:print(f"Image {index} has no URL or base64 payload; not saved.", file=sys.stderr)continueprint(f"Saved {target_path}")def main() -> int:args = parse_args()api_key = os.environ.get("SILICONFLOW_API_KEY")if not api_key:print("Set SILICONFLOW_API_KEY before generating images.", file=sys.stderr)return 2client = OpenAI(api_key=api_key, base_url=args.base_url)request: dict[str, object] = {"model": args.model,"prompt": args.prompt,"extra_body": build_extra_body(args),}if args.parameter_format == "openai":request["size"] = args.sizerequest["n"] = args.counttry:response = client.images.generate(**request)except APIError as error:print(f"SiliconFlow image generation failed: {error}", file=sys.stderr)return 1print(response.model_dump_json(indent=2))if args.output_dir:save_images(response, args.output_dir)return 0if __name__ == "__main__":raise SystemExit(main())
编写元数据
元数据固定路径 agents/openai.yaml。照着改就行。
interface:display_name: "SiliconFlow 生图"short_description: "使用 SiliconFlow OpenAI 兼容接口生成图片并调整关键参数"default_prompt: "使用 $siliconflow-image-generation 通过 SiliconFlow 创建一张图片。"
前边实际不用管
现在大模型都很好用了，你直接丢给他 API 文档，然后编写技能就可以了，比如把下面在 AGENT 丢进去，等一会就写好了。
client = OpenAI(api_key="Your-api_key", base_url="https://api.siliconflow.cn/v1")response = client.images.generate(model="Kwai-Kolors/Kolors",prompt="a cat",size="1024x1024",n=1,extra_body={"step": 20})print(response)重点参数介绍image_size：控制参数的图像分辨率，API请求时候，可以自定义多种分辨率。num_inference_steps：控制图像生成的步长。batch_size：一次生成图像的个数，默认值是1，最大值可以设置为4negative_prompt：这里可以输入图像中不想出现的某些元素，消除一些影响影响因素。seed：如果想要每次都生成固定的图片，可以把seed设置为固定值。根据这个创建一个生图技能