make-skill

star 18.3k

用于把当前会话沉淀为可复用的 workspace skill。当用户希望把当前对话、工作流或排错路径写成 SKILL.md 时触发。触发表达包括「把这个变成 skill」「记住我是怎么做 X 的」「保存这个工作流」「make a skill from this」以及任何 /make-skill <focus> 调用。

agentscope-ai By agentscope-ai schedule Updated 6/9/2026
play_arrow Run Skill in Manus View GitHub

name: make-skill description: "用于把当前会话沉淀为可复用的 workspace skill。当用户希望把当前对话、工作流或排错路径写成 SKILL.md 时触发。触发表达包括「把这个变成 skill」「记住我是怎么做 X 的」「保存这个工作流」「make a skill from this」以及任何 /make-skill 调用。" metadata: builtin_skill_version: "1.1" qwenpaw: emoji: "✍️" requires: {}

Make Skill

把当前会话沉淀为可复用的 workspace skill。

你自己编排两阶段流程：

  • Phase A. 提出一份精简的计划，让出 turn 等用户 approve。
  • Phase B. 用户 approve 后，基于 THIS 会话撰写完整 SKILL.md 正文， 通过 materialize_skill 持久化。

不要用 write_file 直接创建 SKILL.md 或其附属文件（脚本、JSON 等）。所有文件的首次创建必须走 materialize_skill（通过 body 和 extra_files 参数），它会跑安全扫描并原子写入 manifest。创建成功后， 如需修改可以使用 edit_file 编辑已有文件。

步骤 0. 确定 focus、派生 skill 名

0a. 确定 focus

两种触发入口：

  • /make-skill <focus>。focus 紧跟在命令后面。
  • 自然语言（「把这个变成 skill」「保存这个工作流」「把刚才的 X 流程 变成 skill」「make a skill from this」）。从用户想保存的对话主题里 提炼一个简短 focus 短语。如果模糊，先问一句澄清。

0b. 派生 skill 名

按这条规则从 focus 派生 skill 名：

skill_name = "-".join(focus.split())

内部空白（空格、tab、全角空格、连续空格）折叠成单个 -。其他字符 原样保留。

例子：

  • cooking → cooking
  • view image debug → view-image-debug
  • 烹饪 食谱 → 烹饪-食谱
  • Stock Price → Stock-Price（大小写保留）

这个 skill_name 在以下场合保持一致使用：步骤 1 的 plan.name、 步骤 3 的 materialize_skill 的 name= 参数。

步骤 1. 提出计划，让出 turn 等用户 approve

调用 create_plan，四个必填参数（name、description、 expected_outcome、subtasks）都要给：

  • name：步骤 0 中标准化的 skill_name。
  • description：精简 preview（这是用户审核的内容），两部分：
    • Part 1：触发预览。 2 到 4 句话，日常语言。必须覆盖三点：
      • Goal. 这个 skill 产生什么端到端结果。
      • Trigger. 哪些用户表达和场景应该触发它。稍微 push 一些 同义词。
      • I/O. 期望什么输入，产出什么输出。 这里不是 SKILL.md frontmatter 格式，frontmatter 后面再 distill。
    • Part 2：步骤大纲与 batch 规划。 两部分内容：
      • 步骤大纲。 编号列表，每行一个简短动词短语。不写细节、不写 参数、不写错误处理、不写 sub-bullet、不写 ## 子标题。只给出 形状，让用户能快速判断顺序和范围。步骤名要从 THIS 会话里实际 发生的事情里提取。不要编造；会话里没依据的就省略。 格式示例（不要抄这个内容）：
        1. <verb phrase, ~5-10 words>
2. <verb phrase, ~5-10 words>
3. <…>
      • Batch 规划。 简要说明如何将上述步骤组织成 run_tool_batch 的 JSON 文件：
        • 哪些步骤可以串成一个 batch（或需要拆成多个 batch 文件）。
        • 哪些中间环节原本需要 agent 介入判断，但实际上可以通过编写 脚本（正则匹配、关键词筛选、JSON 解析等）来替代，从而减少 agent 交互次数，让更多步骤纳入自动化 batch。
        • 列出预计需要的文件清单，如：
          scripts/main.json      — 主 batch 流程
scripts/parse.py       — 解析 snapshot 提取目标内容

        目标是尽可能用脚本替代 agent 的中间判断，让 skill 执行时只需 一次 run_tool_batch 调用即可完成，避免 agent 与工具之间的 多轮交互。这让用户在 approve 前就能看到 batch 的整体结构。

  • expected_outcome（plan 顶层，必填，与 subtask 的 expected_outcome 不是同一个）：一句具体描述整个 skill 创建的成功 状态。直接用这个字面值（替换 <skill_name>）即可： "A new workspace skill <skill_name> is created, enabled, and invocable via /<skill_name>."
  • subtasks：一个长度为 1 的列表，包含唯一一个 subtask：
    • name："Write and materialize skill"
    • description："Write the SKILL.md body and call materialize_skill."
    • expected_outcome："Skill created and visible via /skills."

plan.name 和 plan.description 用与用户最近消息相同的语言。 expected_outcome 保留英文即可。

create_plan 返回后，让出 turn。用户会回复 approve、refine 或 cancel。/plan 模式的标准机制接管：

  • Refine：调 revise_current_plan，把反馈合到 name、description、或步 骤大纲里。
  • Cancel：调 finish_plan with state="abandoned"。

向用户呈现计划时用标准 plan card 格式。不要在 chat 里另搞 Subtask: … / Focus: … 这种自定义字段，用标准化后的 plan.name， 不要用 raw focus。本步骤只负责提出计划并等待用户确认，不要在此步 调用 materialize_skill。

选择执行方式

用户 approve 后，询问执行方式（让出一轮 turn）：

计划已 approve。Phase B（撰写与持久化）要在当前对话继续执行， 还是交给后台 subagent 执行？

  • 当前对话：在本轮对话中完成。适合需要反复 refine 的场景。
  • 后台：交给 subagent 完成，不阻塞当前对话。subagent 继承本会话 完整上下文和已批准的计划。

让出 turn，等用户回复后再继续。如果用户没有明确选择，默认使用 当前对话模式。

  • 当前对话模式：按下方步骤 2–5 正常执行。
  • 后台模式：见下方「后台执行 Phase B」小节。

如果你当前已经是 subagent（由主 agent 通过 spawn_subagent 派生），跳过询问，直接执行步骤 2–4（主 agent 已完成 plan 收尾， subagent 无需调用任何 plan 相关工具）。

后台执行 Phase B

Phase A（步骤 0–1）已在前台完成，用户已经 approve 了计划。现在将 Phase B 交给 subagent 执行。

这一步你自己不需要调用 materialize_skill 或执行任何 skill 创建 操作——只需组装 task 描述并提交给 subagent，由 subagent 完成全部后续 工作。

  1. 将以下信息组装成 task 描述传给 subagent：
    • 已 approve 的 plan.name（skill_name）和计划内容
    • 明确指令：「基于当前会话上下文和已 approve 的计划，按 make-skill 步骤 2–4 完整执行：撰写 SKILL.md 正文、调用 materialize_skill 持久化、验证 batch 引用、试跑 batch。完成后报告结果。无需调用 任何 plan 相关工具（create_plan、finish_subtask、 finish_plan），无需等待用户 approve，直接自行完成全部流程。」
  2. 调用：
    spawn_subagent(
    task="<上述 task 描述>。无需调用任何 plan 相关工具，直接完成全部流程。",
    fork=True,
    background=True,
)
  3. 立即对唯一的 subtask 调 finish_subtask，再调 finish_plan with state="completed" 收尾。不需要等 subagent 完成。
  4. 告知用户已提交后台任务，可通过 check_agent_task(task_id=...) 查看 进度。subagent 完成后会在 workspace 中创建 skill。

Plan 工具不可用时的 fallback

如果 create_plan 不在你的 toolkit 里（workspace 未启用 plan mode）， 退回到文本式计划：

  1. 把同样的精简 preview（Part 1 触发预览 + Part 2 步骤大纲）作为普通 聊天消息发给用户。
  2. 消息末尾请用户回复 approve、refine 或 cancel。
  3. 让出 turn。 approve → 用你提出的大纲跳到步骤 2 写正文； refine → 修文本计划再让出 turn；cancel → 停止。
  4. 跳过步骤 5 的 finish_subtask / finish_plan，没 plan 就没这两个 动作。

步骤 2. 用户 approve 后撰写 SKILL.md 正文

用户 approve 计划、唯一的 subtask 转为 in-progress 后，基于 THIS 会话 写完整的 SKILL.md 正文。内容能撑得起就不嫌长。

写作风格：

  • 使用祈使句。
  • 对非显而易见的指令简要解释 WHY（next agent 的 theory of mind）。 避免硬邦邦的 MUST。
  • 正文目标少于约 500 行。接近上限就拆 sub-section + 加清晰指针。

2a. 与已 approve 的步骤大纲 1-to-1 对齐

正文主章节与 plan.description Part 2 一一对应：同序、同范围。章节 标题用对应步骤的动词短语。如果用户在 approve 阶段对 Part 2 做了 refine，按 refined 版本写。

2b. 将完整流程整理为 batch JSON（首选执行方式）

SKILL.md 正文的核心是一个 run_tool_batch 调用。 future agent 触发 skill 时应直接调用 batch，而不是逐步手动执行。分步说明只作为 batch 的补充参考（见 2c），不是主要执行指令。

回顾 THIS 会话中的工具调用序列，把 skill 的完整端到端流程整理成一 个 run_tool_batch JSON 文件。从流程起点到终点，所有可以无条件串联 执行的步骤都应纳入 batch。

何时适用

  • skill 的核心流程包含 ≥ 2 步的工具调用链。

  • 典型场景：批量文件操作、搜索后处理、多文件修改流水线、多步浏览器 操作等。

  • 大部分流程都可以通过脚本实现自动化。 不要因为某个步骤「看起来 需要判断」就放弃把它纳入 batch。绝大多数中间处理——提取内容、筛选 结果、格式转换、条件判断、数据清洗——都能通过在 batch 中插入 execute_shell_command 调用脚本来程序化。两种方式：

    • 内联短脚本：直接在 command 中写 python3 -c "..." 单行处理。
    • 独立脚本文件：将复杂逻辑写成 .py 或 .sh 等文件放在 scripts/ 目录下（通过 extra_files 打包），batch 中用 execute_shell_command 执行，如 "command": "python3 <skill_dir>/scripts/parse.py --param1 ${steps.<index1>.<path>} --param2 ${steps.<index2>.<path>}"。 通过命令行参数将前面步骤的输出（${steps.<index>.<path>}）传给 脚本，脚本处理后的 stdout 供后续步骤通过 ${steps} 引用。这样整个 工作流就能串成一条完整的 batch 链，无需人工介入。只有真正需要用户 实时决策的环节（如「让用户选择哪个选项」「等待用户确认是否继续」） 才需要排除。

    ${steps.<index>.<path>} 不只用于脚本调用——任何工具的参数都可以 引用前面步骤的输出。例如将 read_file 的结果传给 write_file， 或将 browser_use snapshot 的内容传给 execute_shell_command。

    示例——获取浏览器 snapshot，用独立 Python 脚本提取包含关键词的 内容并写入文件。其中 ${args.keyword} 等是调用 run_tool_batch 时通过 args 参数传入的运行时变量，在执行前会被替换为实际值。

    scripts/extract_headings.py（通过 extra_files 打包）：

    import sys, re, json

keyword = sys.argv[1]
snapshot_file = sys.argv[2]
with open(snapshot_file) as f:
    text = f.read()
items = [
    m.group(1)
    for m in re.finditer(
        r'heading "([^"]*' + re.escape(keyword) + r'[^"]*)" \[ref=(\w+)\]',
        text,
    )
]
print(json.dumps(items, ensure_ascii=False))

    batch JSON（scripts/extract.json）：

    [
  {
    "tool_name": "browser_use",
    "arguments": {"action": "snapshot"}
  },
  {
    "tool_name": "write_file",
    "arguments": {
      "file_path": "${args.work_dir}/snapshot.txt",
      "content": "${steps.0.text}"
    }
  },
  {
    "tool_name": "execute_shell_command",
    "arguments": {
      "command": "python3 ${args.skill_dir}/scripts/extract_headings.py ${args.keyword} ${args.work_dir}/snapshot.txt"
    }
  },
  {
    "tool_name": "write_file",
    "arguments": {
      "file_path": "${args.output_file}",
      "content": "${steps.2.text}"
    }
  }
]

    这样「从 snapshot 中筛选包含关键词的内容」这个原本需要人工判断的 步骤就被自动化了：第 0 步获取页面 snapshot，第 1 步将 snapshot 写入临时文件，第 2 步调用独立脚本读取文件并正则提取，第 3 步把 结果写入目标文件。复杂的解析逻辑写成独立的 .py 文件放在 scripts/ 目录下，脚本和 batch JSON 都通过 extra_files 一并 打包到 skill 目录中。触发 skill 时直接调用即可：

    run_tool_batch(
  file_path="<skill_dir>/scripts/extract.json",
  args={
    "keyword": "搜索关键词",
    "skill_dir": "<本skill目录>",
    "work_dir": "<工作目录>",
    "output_file": "result.json"
  }
)

何时不适用（退回纯分步说明）

绝大部分流程都可以自动化。只有同时满足以下条件时才退回分步逻辑：

  • 内容理解无法规则化——完全无法通过关键词匹配、正则、JSON 解析等 基于规则的方式处理，必须依赖语义理解才能完成（注意：如果用户已给出 明确的搜索词、筛选条件，那就是可以规则化的，应该纳入 batch）。
  • 分支决策无法预先确定——需要用户在执行过程中根据上下文实时判断 下一步走哪条路，而不是用户在触发 skill 时就能一次性给定所有参数。
  • 整个 skill 只有一次工具调用（无需 batch 封装）。

即使流程中存在需要人工判断的环节，也要尽量把可以合并的连续步骤整理 成 batch。这意味着一个 skill 可能包含多个 batch 文件——例如 scripts/phase1.json（获取数据阶段）和 scripts/phase2.json（处理 结果阶段），中间由 agent 基于语义判断决定如何衔接。能自动化的部分越多 越好。

SKILL.md 正文结构（当使用 batch 时）

正文应以 batch 调用为主体，格式如下：

### 执行

本 skill 附带了 batch JSON 文件 `scripts/<name>.json`。

**严格按照以下格式调用 `run_tool_batch`，使用 `file_path` 加载文件
执行。不要自行构造 `actions` 列表内联传入。**

`run_tool_batch` 的 `file_path` 需要**绝对路径**。你在读取本 SKILL.md
时看到的目录路径即为本 skill 的绝对目录，请用它拼接出完整的
`file_path`。

```
run_tool_batch(
  file_path="<本skill目录>/scripts/<name>.json",
  args={
    "param1": "<实际示例值>",
    "param2": "<实际示例值>"
  }
)
```

### Batch 参数

逐项说明 `args` 中的每个参数。凡是 batch JSON 中出现
`${args.<name>}` 的变量，这里都必须列出，不能遗漏：

* `param1`：说明它控制什么；何时需要用户改；默认/推荐值是什么；示例：
  `<实际示例值>`。
* `param2`：说明它控制什么；何时需要用户改；默认/推荐值是什么；示例：
  `<实际示例值>`。

调用 `run_tool_batch` 时必须传入上面列出的所有参数。**不要传
`args={}`，也不要省略 `args`**，否则 `${args.<name>}` 不会展开，可能被
当作字面量文件名、URL 或命令参数使用。

### Batch 失败处理

如果 `run_tool_batch` 执行失败（返回 `ok: false` 或中途报错），请：
1. 先检查「Batch 参数」中列出的每个参数是否都已传入实际值，尤其不要
   使用空的 `args={}`；再根据错误信息修正参数后重试。
2. 如果仍然失败，可以尝试使用 `run_tool_batch` 的 `actions` 参数
   内联传入动作序列来执行。
3. 如果内联执行也失败，改为参照下方「分步参考」手动逐步执行完成任务。
4. 执行完毕后，提示用户：「本次 batch 执行遇到问题，已改为手动完成。
   是否需要我用 edit_file 调整和优化这个 skill 的 batch 脚本，以便下次
   能正常运行？」

### 分步参考

以下是 batch 中每一步的详细说明，仅在需要调试或手动执行时参考：

1. ...
2. ...

### 注意事项

（此处放置 skill 特定的注意事项，如参数优化建议、数据格式要求等。）

**执行方式提醒**：触发本 skill 时，直接使用上方的 `run_tool_batch(
file_path=..., args=...)` 调用即可完成全部流程，无需自己逐步编写每一个
action。只有当 batch 执行失败时，才参照「Batch 失败处理」中的降级方案。

路径说明：run_tool_batch 只接受绝对路径。batch JSON 文件通过 materialize_skill 的 extra_files 参数写入 skill 目录。agent 在 system prompt 中会收到 skill 目录的绝对路径（即 Check "{dir}/SKILL.md" 中的 {dir}），SKILL.md 正文中必须 明确告知 future agent 用该绝对目录拼出 file_path。

batch JSON 编写要点

  • file_path 必须是绝对路径。SKILL.md 正文中应明确写出： 「用你读取本 SKILL.md 时看到的目录路径拼接 scripts/xxx.json」，让 future agent 构造出绝对路径。
  • 用 ${args.<name>} 参数化所有因场景而变的值（文件路径、搜索关键 词、URL 等）。固定不变的值直接写死。花括号语法是必须的，这样在 shell 命令等混合内容字符串中不会产生歧义。
  • SKILL.md 必须包含 ### Batch 参数 小节。该小节要逐项解释 batch JSON 中每个 ${args.<name>}：含义、何时需要用户修改、默认/推荐值、 以及一个可直接用于试跑的实际示例值。run_tool_batch 示例中的 args 必须填这些实际示例值，不能写 {}、null、<说明> 或只写 占位描述。
  • 用 ${steps.<index>.<path>} 做步骤间引用——后续步骤可引用前面步骤 的输出。例如 "content": "${steps.0.text}" 引用第 0 步的文本结果。 <path> 取决于上一步工具的实际返回值结构。materialize_skill 会 自动分析 batch JSON 中的所有 ${steps} 引用，并在返回中列出需要验证 的引用关系。你需要按提示逐个调用被引用的工具，确认其返回值确实 包含所引用的字段。如果字段不存在，用 edit_file 直接修正 skill 目录下的 batch JSON 文件。
  • 每个 action 使用 "tool_name" 和 "arguments" 字段（也兼容 "tool" + "args"）。
  • 一个 batch 文件最多 50 步。超过时拆成多个文件。
  • JSON 文件通过 extra_files 打包进 skill 目录（详见步骤 3）。

2c. 补充分步说明（batch 的参考文档）

在 batch 调用之后，为每个步骤提供简要的分步说明。这些说明是 future agent 在调试或手动执行时的参考，不是主要执行指令。

对每个步骤，从会话事实出发回答（不是凭常识猜）：

  • 真正跑通的是哪个 tool、API、文件、命令？ 直接写真名。如果尝试 过多个，只记录跑通的那个。
  • 它使用的具体参数是什么？ 用会话中真实的参数值。
  • 本路径上撞过哪些错？怎么提前避开？ 写成预防性提示。
  • 哪些死路要跳过？ 失败路径仅以简短「避免 X」提醒带过。

如果会话里没有某个问题的真实答案，省略这一项，不要编造。编造参 数或错误提示是本 skill 最常见的失败模式。

当 skill 不适合 batch（需要分支决策），这些分步说明就是正文主体， future agent 按步骤逐个执行。

2d. 可选小节

只在能帮到 future agent 时才加，没有固定 schema：

  • Prerequisites。 环境变量、auth 凭证、期待的输入文件、工具版本。
  • Worked example。 一个真实调用，input 到 output。
  • Failure modes and recovery。 已知失败模式与处理方式。
  • Edge cases。 未来 agent 可能踩到的意外。

不适用就跳过。空章节比省略更糟。

2e. 输出格式（仅当稳定时）

如果会话里输出形态固定下来（表格、JSON schema、markdown 模板），在产 出该输出的步骤顶部用 ALWAYS use this template: 块写一次即可：

ALWAYS use this exact template:

| Ticker | Last close | Currency | Source |
|--------|-----------|----------|--------|
| <symbol> | <price> | <iso-4217> | <api-name> |

如果输出本质是自由形态，跳过本步。

2f. 持久化前自查

完整通读一遍正文，单 pass 检查全部三项：

  • 精简。 无冗余，不重复前面章节已说过的内容。
  • 覆盖 focus end-to-end。 plan.description Part 2 的每个步骤都已 落到正文，且有事实支撑。
  • 正确。 每个 tool 名、API 名、参数值、错误提示都准确反映真实发 生的事。没有编造的事实，没有猜测的参数。

任何一项不通过就回去修。

步骤 3. 通过 materialize_skill 持久化

调用 materialize_skill：

  • name：与 plan.name 相同的标准化 skill_name。
  • description：从 plan.description Part 1 浓缩出的紧凑 Use this skill when … 串。≤ 200 字符。保留 preview 中的同义词 与邻近表达（LLM 倾向于少触发 skill，描述稍微「推一下」比窄定 义更可靠）。
  • body：已 review 过的 SKILL.md 正文。不含 frontmatter，工 具会自己渲染。
  • extra_files（可选）：如果步骤 2c 中提取了 batch JSON 文件或其 他辅助文件，通过此参数一并打包。key 是相对路径（如 "scripts/check-config.json"），value 是文件内容字符串。示例：
    materialize_skill(
    name="my-skill",
    description="Use this skill when ...",
    body="...",
    extra_files={
        "scripts/check-config.json": '{"actions": [...]}',
    },
)
    extra_files 的 key 是相对于 skill 目录的路径。文件会被写入 skill 目录下对应位置。SKILL.md 正文中应指引 future agent 用 skill 目录 的绝对路径（system prompt 中可见）拼接出 file_path 的完整路径。

不要用 write_file 直接创建 SKILL.md 或附属文件。所有文件的首次 创建必须通过 materialize_skill。创建成功后如需修改，使用 edit_file。

步骤 4. 处理 materialize_skill 的返回

4a. 验证 $steps 引用（当包含 batch JSON 时）

当 extra_files 中包含 run_tool_batch 的 JSON 文件时， materialize_skill 会自动分析其中所有的 ${steps.<index>.<path>} 引用，并在返回中列出每条引用的来源工具和被引用字段。

你需要对照返回的引用列表，逐条验证被引用工具的返回值是否确实包含 该字段。 用 markdown 表格记录验证结果，格式如下：

引用表达式 来源工具 引用字段 验证方式 结果
${steps.0.text} read_file text 查看本会话中之前的 read_file 调用结果 ✅ 存在
${steps.2.content} grep_search content 用示例参数调用一次 grep_search 确认 ❌ 字段不存在，应改为 text

验证方式有两种，按优先级选择：

  1. 查看本会话历史：如果本会话中已经调用过该工具，直接检查之前的 返回结果中是否包含该字段。
  2. 重新调用测试：如果本会话中没有调用过该工具，用示例参数调用 一次，观察返回的 JSON 结构。

如果发现任何字段引用不正确：

  1. 用 edit_file 直接编辑 skill 目录下对应的 batch JSON 文件，修正 $steps path。skill 目录的绝对路径可从 materialize_skill 的成功 返回中获取。
  2. 如果 SKILL.md 正文中有引用相关说明也需要同步修正，同样用 edit_file 直接编辑 skill 目录下的 SKILL.md。

不要重新调用 materialize_skill——skill 已经创建，直接编辑文件即可。

所有引用验证通过后，进入 4b 试跑。

4b. 试跑 batch（当包含 batch JSON 时）

引用验证通过后，尽量用示例参数实际跑一次 run_tool_batch，确认整条 链路能跑通：

run_tool_batch(
    file_path="<skill目录>/scripts/<name>.json",
    args={
        "param1": "与 SKILL.md Batch 参数小节一致的实际示例值",
        ...
    }
)

如果 batch JSON 中包含任何 ${args.<name>}，试跑时必须传入对应的实际 示例值。禁止用 args={} 或 args=None 试跑，否则不能验证参数展开 是否正确。

  • 如果返回 ok: true，说明 batch 可正常工作，进入步骤 5。
  • 如果返回错误，根据错误信息用 edit_file 修正 batch JSON 或辅助 脚本，然后再跑一次。反复修正直到跑通或确认问题无法在当前环境修复 （如缺少外部依赖、需要真实网络请求等）。
  • 如果因环境限制无法试跑（例如需要浏览器、需要特定文件存在等），跳过 试跑，在步骤 5 报告时告知用户：「batch 未经试跑，建议首次使用时关注 执行结果。」

试跑通过后才能进入步骤 5。

4c. 命名冲突（skill 名已存在）

工具会返回冲突 skill 名 + 一个建议的改名。自动恢复，不要再问用户。

  1. 挑一个新名字。工具的建议（例如带时间戳的）可以直接用，但只要避开 冲突，任何合理改名都行。例如原名 cooking 已占用时可以用： cooking-v2、cooking-2、cooking-new。
  2. 调 revise_current_plan 把 plan.name 改成新名（文本式计划 fallback 时直接在内存里换掉工作名）。
  3. 用新名字再调一次 materialize_skill。
  4. 步骤 5 报告成功时说明改名了，让用户知道原名被占用。例如： 「已存为 cooking-v2，因为 cooking 已被占用。如果想用回原名， 可以删掉旧的再跑 /make-skill。」

4d. 格式错误

修正 SKILL.md 内容（frontmatter 字段、正文章节等）再调一次。 materialize_skill 没成功前不要调 finish_subtask。

4e. 安全扫描拒绝

移除被 flag 的模式再重试。

4f. 其他错误

调整输入再重试，或如果不可恢复就 abandon 计划。

步骤 5. 收尾

步骤 4a 引用验证通过、4b 试跑通过（或因环境限制跳过）、 materialize_skill 返回成功后：

  1. 对唯一的 subtask 调 finish_subtask。
  2. 调 finish_plan with state="completed"。
  3. 告知用户：新 skill 已创建并启用，可通过 /<skill_name> 调用。

完整流程总结

步骤 0  确定 focus → 派生 skill_name
         │
步骤 1  create_plan → 让出 turn → 用户 approve/refine/cancel
         │
      选择执行方式 → 让出 turn → 用户选择前台/后台
         │
         ├─ 前台 ─────────────────────────────────────────┐
         │                                                 │
         │  步骤 2  撰写 SKILL.md 正文（batch 优先）       │
         │  步骤 3  调用 materialize_skill 持久化          │
         │  步骤 4  验证引用 → 试跑 batch → 处理错误       │
         │  步骤 5  finish_subtask + finish_plan + 告知    │
         │                                                 │
         ├─ 后台 ─────────────────────────────────────────┐
         │                                                 │
         │  spawn_subagent(fork=True, background=True)     │
         │  主 agent 立即 finish_subtask + finish_plan     │
         │  subagent 执行步骤 2–4（无需 plan 工具）        │
         └─────────────────────────────────────────────────┘
Install via CLI
npx skills add https://github.com/agentscope-ai/QwenPaw --skill make-skill
Repository Details
star Stars 18,266
call_split Forks 2,624
navigation Branch main
article Path SKILL.md
Occupations
Network And Computer Systems Administrators
More from Creator
agentscope-ai
agentscope-ai Explore all skills →