Skill Authoring Guide

Skill 创作指南

核心原则

Skill = 可复用的流程 + 已知陷阱 + 验证步骤

一个好的 Skill 应该：

1. 减少未来决策：明确的触发条件和执行步骤
2. 编码经验教训：包含已知陷阱和避坑指南
3. 可验证结果：有明确的成功标准

标准模板

---
name: skill-name
description: 一句话描述这个 Skill 做什么（不超过80字符）
priority: P0|P1|P2|P3
triggers:
  - 触发条件1
  - 触发条件2
  - 触发条件3
auto_load: true|false
---

# Skill 标题

## 核心目标
（1-2句话说明这个 Skill 解决什么问题）

## 标准流程

### 步骤 1: [标题]
- 具体操作
- 关键参数
- 预期输出

### 步骤 2: [标题]
...

## 关键参数

| 参数 | 说明 | 默认值 |
|------|------|--------|
| param1 | 用途 | default |

## 已知陷阱

### ⚠️ 陷阱1：[标题]
- **表现**：错误的样子
- **原因**：为什么会出现
- **解决**：正确的做法

## 验证清单

- [ ] 检查项1
- [ ] 检查项2
- [ ] 检查项3

## 相关技能

- `related-skill-1`
- `related-skill-2`

必填字段说明

frontmatter

优先级定义

高质量 Skill 的特征

✅ 好的 Skill

## 已知陷阱

### ⚠️ 数据源返回空值
- **表现**：web_search 返回 "No results found"
- **原因**：搜索关键词缺少日期或时间节点
- **解决**：构建关键词时必须包含 "YYYY年MM月DD日" 格式

## 验证清单

- [ ] 数据时间戳匹配当前市场状态
- [ ] 至少3个独立数据源
- [ ] 所有数据已标注来源和可信度

❌ 差的 Skill

## 流程

1. 获取数据
2. 分析数据
3. 输出结果

问题：

• 没有具体操作步骤
• 没有已知陷阱
• 没有验证清单

创建流程

1. 触发条件识别

何时创建 Skill：

• 同一流程执行超过 2 次
• 用户纠正过执行方式
• 发现了可复用的模式
• 复杂任务需要标准化

2. 内容填充

必须包含：

1. 标准流程：明确的步骤编号
2. 已知陷阱：实际踩过的坑
3. 验证清单：可检查的成功标准

建议包含：

• 关键参数表格
• 错误处理方案
• 相关资源链接

3. 验证与测试

# 安装后测试
hermes skills install <skill-name>
hermes -s <skill-name>  # 显式加载测试

# 检查 Skill 质量
skill_view(name="<skill-name>")

实战示例

示例：创建一个简单的 Skill

场景：每次获取股价都需要重复相同的验证流程

创建：

---
name: stock-price-fetch
description: 获取股票价格并进行时间戳验证
priority: P1
triggers:
  - 用户问股价
  - 用户问行情
  - 用户问涨跌
auto_load: false
---

# 股票价格获取流程

## 核心目标
获取指定股票的实时价格，并验证数据时间戳的准确性。

## 标准流程

### 步骤 1: 确认股票代码
- 检查代码格式（A股：000001.SZ，美股：AAPL.US）
- 确认市场（A股/美股/港股）

### 步骤 2: 构建搜索关键词
- A股："{股票名} 股价 YYYY年MM月DD日"
- 美股："{股票代码} stock price {YYYY-MM-DD}"

### 步骤 3: 获取数据
- 优先使用 AkShare API（A股）
- 备选 web_search

### 步骤 4: 验证时间戳
- 检查数据日期是否匹配当前日期
- 不匹配则重新获取

## 已知陷阱

### ⚠️ 用昨天的收盘数据凑数
- **表现**：盘前获取到昨天的收盘价
- **原因**：今日数据尚未更新
- **解决**：明确告知用户"这是昨日收盘数据"

## 验证清单

- [ ] 股票代码格式正确
- [ ] 数据时间戳已验证
- [ ] 数据来源已标注

维护与更新

何时更新 Skill

1. 发现新陷阱：立即补充到 "已知陷阱" 部分
2. 流程变化：更新标准流程步骤
3. 工具升级：更新工具使用方式

批量优化流程

触发条件

• Skills 数量 > 100，需要系统性质量提升
• 发现大量 Skills 缺少排除条款或 Known Gotchas
• 用户要求优化特定领域或类别的 Skills

标准优化流程

步骤 1: 分析现状

# 统计总数
find skills -name 'SKILL.md' -type f | wc -l

# 查找大文件（>400行，优先优化）
find skills -name 'SKILL.md' -type f -exec wc -l {} \; | awk '$1 > 400 {print $1, $2}' | sort -rn

# 查找缺少排除条款的 Skills
grep -L 'Do NOT use' skills/*/SKILL.md skills/*/*/SKILL.md

# 查找缺少 Known Gotchas 的 Skills
grep -L 'Known Gotchas' skills/*/SKILL.md skills/*/*/SKILL.md

# 按类别统计
find skills -name 'SKILL.md' -type f -exec dirname {} \; | sed 's|skills/||' | cut -d'/' -f1 | sort | uniq -c | sort -rn

步骤 2: 确定优化优先级

优先级矩阵：

决策规则：

1. 先优化被其他 Skills 依赖的（基础设施）
2. 再优化高频使用的（实际使用统计）
3. 最后优化大文件（复杂度高，收益大）

步骤 3: 单个 Skill 优化内容

必须添加：

1. 排除条款（Do NOT use for）：

   description: |
     核心功能描述。
     
     Use when: 触发词1, 触发词2, 触发词3.
     
     Do NOT use for:
     - 不适用场景1（原因）
     - 不适用场景2（替代方案）
   

2. Known Gotchas（实际失败案例）：

   ## ⚠️ Known Gotchas
   
   ### 类别名称
   
   - **问题标题**: 简短描述
     ```python
     # 错误示例
     ❌ 错误代码
     
     # 正确示例
     ✅ 正确代码
   

3. 触发词（keywords + triggers）：

   keywords:
     - 关键词1
     - 关键词2
   triggers:
     - 触发词1
     - 触发词2
   

Gotchas 编写原则：

• 只记录实际失败过的案例（不是想象的问题）
• 必须包含错误示例 + 正确示例
• 按类别分组（数据源、配置、工具、边界条件等）
• 每个 Skill 至少 10 条 Gotchas

步骤 4: 版本号升级规则

MAJOR.MINOR.PATCH

- MAJOR: 架构重构、功能大改
- MINOR: 新增排除条款、Gotchas、触发词
- PATCH: 小修复、文档更新

示例：

• v2.0.0 → v2.1.0（新增 Gotchas）
• v2.1.0 → v2.1.1（修复拼写错误）

步骤 5: 批量提交

# 统计优化成果
git add -A
git commit -m "feat: 完成 Top N 核心 Skills 优化

✅ 已完成 N/M：

1. skill-name-1 (v1.0.0 → 1.1.0)
   - 排除条款：...
   - Known Gotchas：X条

...

优化成果：
- ✅ N 个核心 Skills 全部添加排除条款
- ✅ N 个核心 Skills 全部添加 Known Gotchas
- ✅ 总计 X+ 条 Known Gotchas

预期收益：
- 触发准确率提升 30%+
- 失败预防提升 40%+
- Token 节省 ~10K/会话"

实战案例：Top 5 核心 Skills 优化

背景：

• Skills 总数：502 个
• 缺少排除条款：97%
• 缺少 Known Gotchas：99.4%

优化目标：Top 5 高频核心 Skills

优化结果：

总计：85+ Known Gotchas，Git 已推送

经验教训：

• 优先优化基础设施 Skills（被其他 Skills 依赖）
• Gotchas 必须来自实际失败案例，不能凭空想象
• 版本号升级遵循语义化版本规范

更新命令

# 查看现有 Skill
skill_view(name="skill-name")

# 更新 Skill
skill_manage(action="patch", name="skill-name", old_string="...", new_string="...")

# 完整重写（谨慎使用）
skill_manage(action="edit", name="skill-name", content="...")

# 添加参考文件
skill_manage(action="write_file", name="skill-name", file_path="references/topic.md", file_content="...")

实践经验

何时添加 references 文件

当 Skill 涉及以下内容时，应该创建独立的 references 文件：

1. 技术细节：具体的代码片段、API 调用、错误处理
2. 平台/工具特性：反爬虫机制、权限配置、已知问题
3. 实战案例：具体的失败经历和解决方案

示例：

• wechat-article-learning/references/wechat-extraction-techniques.md
  • 记录微信反爬虫机制
  • 记录 HTML 提取技巧
  • 记录实战失败和成功案例

相关技能

• hermes-agent - Hermes Agent 完整指南
• time-anchor-constitution - 时间锚定宪法（P0）
• hierarchical-memory-system - 分层记忆系统
• skill-authoring-quality - Skill 创作质量标准（Done When + 上下文发现）
• references/known-gotchas-best-practices.md - Known Gotchas 编写最佳实践（必读）
• references/batch-optimization-case-study-2026-05-05.md - 批量优化实战案例（本次会话完整记录）

质量提升方法

Done When 完成判据

核心思想：从"我猜我做完了"变成"我能确认我做完了"

每个 Skill 应该包含 Done When 章节，定义明确的完成判据：

• 必检项：全部满足才算完成
• 可选项：加分项
• 失败处理：明确的恢复路径

示例：

## ✅ Done When 完成判据

### 必检项（全部满足才算完成）

- [ ] **时间锚定已验证**
  - 当前时间已获取
  - 市场状态已判断
  - **验证方法**：`datetime.now()` 返回正确值

- [ ] **数据来源已标注**
  - 数据源已确定
  - 时间戳已标注
  - **验证方法**：输出包含「来源: 时间戳」

### 失败处理

| 失败场景 | 处理路径 | 用户提示 |
|---------|---------|---------|
| 数据源失败 | 切换备用源 | ⚠️ 主源失败，已切换 |

### 自检代码示例

```python
def verify_done_when():
    # 具体验证逻辑
    return True

**参考**：`skill-authoring-quality` Skill 包含完整的 Done When 设计方法论。

---

### 上下文发现机制

**核心思想**：自动发现相关上下文，减少显式引用

当 Skill 涉及多个数据源或复杂上下文时，可以配置**触发词**：

```yaml
# 在 ~/.hermes/context_triggers.yaml 中配置
triggers:
  - pattern: '\d{6}\.(SH|SZ)'
    type: regex
    actions:
      - mempalace_search
      - skill_load: stock-data-acquisition
    priority: high

效果：

• Token 节省：30%
• 准确率提升：20%
• 响应延迟：<500ms

参考：skill-authoring-quality/references/context-discovery-technical-details.md 包含完整技术实现。