Skills系列文章Agent Skill概述Anthropic Skills、Vercel Agent Skills、Agent Skills、OpenAI Skills、Skill SeekerSkill生态项目skills-manager、skilless-ai、SkillForgeAgentic-Awesome-Skills项目主页简称AAS开源GitHub44.7K Star6.6K Fork项目收录2007个技能。项目主页则提供快捷搜索入口MiniMax Office SkillsMiniMax开源GitHub13.3K Star1.1K Fork覆盖Word、Excel、PDF、PPT四种格式Word没有选用Python生态最常用的Word生成库python-docx而是选用.NET OpenXML SDK微软官方的Office文档底层库对ECMA-376Word格式的国际标准有最完整的实现需部署.NET运行时Excel没有使用openpyxl而是直接操作XML.xlsx文件本质是XML文件的zip压缩包。所有衍生值必须保持真实的Excel公式如SUM(B2:B9)而不是预先算好的数字。改了源头所有引用自动联动更新。为此构建13个独立的Python工具脚本一份34000字的财务格式规范对齐投行级的数字格式和布局标准。PDF主要是封面和正文封面要好看需要渐变、网格、混合模式、自定义字体正文要稳定需要对分页、段落流、页眉页脚精确控制。用两套引擎封面用HTMLCSS通过Playwright渲染成PDFCSS原生处理视觉效果正文用ReportLab提供工程层面稳定可预期的控制。PPT难点是视觉一致性做法先把约束系统定义清楚再在约束里生成内容。核心功能PDF文档生成与编辑通过模型推理能力和XML处理逻辑将业务数据直接生成结构化高质量PDF文档支持字段填充、样式重组以及排版美化等操作在实际任务中可自动生成带封面、目录与规范版式的报告文档。PPTX演示创建与修改利用pptx‑generator插件结合MiniMax模型内容推理实现从自然语言输入到完整演示文稿的生成支持从封面页布局到图表填充的自动处理提高商务演示制作效率。Excel表格处理借助minimax‑xlsx技能实现表格解析、公式计算、格式一致性检查及财务模型输出开发者可输入数据说明或模板路径自动生成复杂财务表格或分析报告。DOCX文档智能操作结合minimax‑docx模块用户可创建新文档、填充内容、格式化文本结构并根据模板执行自动化格式设置适合生成标准合同、计划书或报告。技能集扩展支持仓库设计的结构允许开发者扩展新技能例如流程任务、业务文档解析等通过定义技能元数据即可加入新的办公自动化能力实现灵活生态发展。技术原理M2.5模型语义推理依赖MiniMax M2.5作为核心语义推理引擎MoE架构并通过强化学习优化任务分解能力在读取自然语言指令后生成上下文相关的办公任务执行指令插件层XML操作技能集通过针对PPTX/Excel/PDF/DOCX等格式的底层XML处理实现文件结构化操作将模型的内容输出映射到具体的文件格式元素从而实现自动化Office文档生成和修改上下文管理依赖模型的长上下文窗口约200K Token可在单次会话中处理大规模输入文本、任务说明及历史修改记录使得复杂工作流中的任务逻辑保持连贯且可追踪多步骤Agent任务拆解调用M2.5的推理和任务分解能力在执行复杂任务时会将任务拆分为多个子步骤如表格分析、公式执行、文本摘要等有效提升专业性和结构化输出质量输入参数智能映射开发者在集成时可通过参数配置控制输出格式和细节如指定模板路径、字段映射规则、语言风格等使得技能在业务场景中更易适配和调优提升实际应用效果对比维度MiniMaxOfficeSkillsOpenAIGPT‑4ToolsClaude4.6Suite模型依赖基于MiniMaxM2.5模型推理依赖GPT‑4/5系列基于Claude4.6/5上下文长度约200K Token约32k–128kToken约100kToken办公技能集成集中XML插件处理PPTX/Excel/PDF/DOCX工具调用需额外插件集成插件生态较成熟扩展性开源仓库可自定义技能依赖商业SDK部分开源插件成本运行成本较低高运行成本中等实际输出质量面向可交付文档生成准确性高但需后处理支持业务集成OpenSkills论文开源GitHub10.7K Star669 Fork.官方定位Universal skills loader for AI coding agentsinstavm此外在GitHub上还有另外一个项目https://github.com/instavm/open-skills379 Star31 Fork。实战npmi-gopenskills openskillsinstallanthropics/skills openskillssyncSkill Graphs论文指出真正决定训练效果的不是任务数量而是AI在执行这些任务时经历多少种不同的场景和技能组合。终端Agent是指用LLM驱动、通过命令行界面完成复杂任务的AI系统。训练这样的Agent需要大量执行轨迹即AI在终端里一步步操作的全过程记录。现有的合成训练数据方法主要走两条路让LLM生成分类体系来扩展领域覆盖但往往和真实使用脱节从GitHub仓库反推任务但局限在软件工程场景两条路都只关心生成多少任务却没有控制AI在这些任务里到底经历多少种不同的场景×技能组合。论文用数据直接展示这个问题现有数据集中不同任务让Agent经历的场景和技能高度重叠轨迹冗余严重。核心方法用图谱结构控制训练轨迹的多样性SkillSynth的核心思路是把AI操作终端的过程抽象成场景-技能序列场景AI在某个决策点面临的状态比如视频文件已下载但未压缩技能AI在这个状态下执行的一组动作比如用ffmpeg压缩视频每个技能从一个前置场景指向一个后置场景形成有向图。图中的一条路径就对应一个真实的多步骤工作流。图谱规模82,073个场景节点、57,214条技能边、185,529个LLM验证的桥接关系。85.6%的节点连通在最大连通分量中意味着绝大多数技能都能串联成完整的工作流。构建过程分五步从ClawHub和GitHub过滤技能→LLM推断每个技能的前置/后置场景→聚类去重→跨技能对齐后置场景匹配下一个技能的前置场景→合并过滤。采样策略也很关键用逆频率加权——被访问少的节点和边优先被选中避免路径扎堆在热门节点上。保证采样出的路径在场景×技能空间上的均匀覆盖。自动生成多Agent协作一次跑出3560个验证过的任务采样出路径后一个多Agent协作流程把抽象路径变成具体的可执行任务规划器把路径转化成结构化的子目标和预期输出构造器根据计划生成完整任务实例指令、文件系统快照、容器环境、验证脚本、参考解法双验证执行验证跑参考解法确保任务可解评分验证LLM判断指令和测试是否对齐不通过则进入修复循环最多3轮修复每轮最多20次工具调用一次全自动运行的成绩单从3,721条采样路径中产出3,560个通过验证的任务实例95.7%的oracle通过率平均成本仅$27.3/个。这些任务难度不低Claude Opus 4.6平均需要37步才能解决121个任务三次尝试都没解出来。SkillNetSkill Network的简称即技能网络。由浙江大学、阿里巴巴、蚂蚁集团等 20 余家机构联合发布论文核心定位是解决AI智能体重复造轮子的行业痛点通过结构化、可评估、可复用的技能体系让智能体从单次任务试错走向持续能力累积。论文指出当前AI方法存在两个根本性缺陷缺乏统一的技能获取和整合机制有价值的专业知识广泛存在于开源仓库、学术论文和Agent执行轨迹中但它们仍然很大程度上是非结构化和孤立的。AI Agent无法自动将这些资源提炼为可复用、可执行的能力。缺乏原则性的技能质量验证框架没有内在和系统的评估技能仓库容易污染可执行性、安全性和鲁棒性只能通过下游任务成功间接评估。这种随机且不透明的验证引入技术债务破坏长期能力增长。官网开源GitHub1.1K Star131 Fork将分散的实践经验沉淀为可计算、可检索、可组合的结构化技能知识网络。构建超过20万个AI技能的开放基础设施通过统一的本体论、五维度评估体系和技能关系图谱让Agent从「重复造轮子」进化到「技能复用」在三个基准测试中平均奖励提升40%、执行步骤减少30%。核心价值构建技能即资产的开放生态将异构经验转化为20万可计算、可检索、可组合的技能单元使智能体能力进化从参数内隐转向结构外显。应用场景覆盖科研自动化、代码开发、多Agent协作、零售智能助手等领域同时支持企业构建私域技能底座。未来方向开放世界技能进化引入因果推理与在线反馈实现技能动态迭代端到端智能体生成支持自然语言需求→技能组合→可执行智能体全自动流水线神经-符号融合技能结构反向指导模型决策提升可解释性与可控性多Agent知识共享构建全球共享技能层推动集体智能进化。知识演变AI的发展史本质上是对知识表征、理解与利用的探索史这一历程可划分为三个阶段文本知识Textual Knowledge知识以非结构化文本存在覆盖面广但语义模糊机器难以直接理解形成语义鸿沟符号知识Symbolic Knowledge通过知识图谱、描述逻辑等符号化表示赋予知识精确语义支持严谨推理。但知识获取成本高难以规模化应用向量化知识Vectorized KnowledgeLLM将知识编码于高维向量空间泛化能力强、调用便捷但存在可解释性缺失、过程不可控、事实一致性脆弱等问题在高可靠性任务中表现不稳定上述三种形态都侧重于描述世界是什么Know What而缺乏对如何做Know How的程序性知识的有效表征这正是当前智能体面对复杂任务时的核心困境。为突破此困境提出从静态知识转向动态技能型知识Skill Knowledge的工程化构建思路。技能是封装特定意图、可参数化调用并能产生确定性输出的程序性知识单元融合引导智能体正确完成任务所需的上下文知识、行动步骤与历史经验具体包含以下核心要素适用场景定义前提条件、约束及失败场景工具与接口声明所需的外部资源与依赖推理结构固化已验证的决策链与操作序列元认知信息记录成功率、资源消耗、执行时延等评估指标技能不仅是可执行的知识更是可衡量、可复用、可演化的能力构件。正是这种模块化表征使智能体得以基于既有能力库进行高效组合与灵活迁移彻底摆脱从零试错的困境从而实现真正的知技·善任既能掌握技能更能善于任用为构建更通用、更鲁棒的AI系统奠定关键的能力基石。Skill OntologySkillNet并非技能的简单堆积而是一个结构化的技能网络。提出Skill Ontology来刻画技能间的系统性组织关系分为三层结构层级第一层分类体系按功能与抽象层级组织技能第二层关系层刻画技能间的依赖、组合、相似/替代等关系为工作流规划提供结构化支撑第三层技能包层具体技能以本地可部署的包形式存在通过依赖关系接入上层网络层级核心作用关键设计示例分类层Taxonomy语义归类支持高效检索10大领域标签多级子分类形成功能分层体系科研领域→生物信息学→基因序列比对开发领域→代码重构→Python函数优化关系层Relation Graph建模技能关联支持组合与推理4类显式关系构建150k边的多关系图技能【Python数据清洗】depend_on【Pandas基础操作】技能【图片分类】similar_to【图像识别】包层Package Library模块化部署支持一键复用封装为版本控制的本地文件夹包含SKILL.md、代码、依赖清单技能包【科研数据可视化】包含步骤文档、Matplotlib代码模板、依赖库清单numpy1.24通过组合compose_with、归属belong_to、依赖depend_on、相似/替代similar_to等关系刻画技能之间的静态关联还形成一个可随经验持续更新的动态本体构建出可推理、可规划、可进化的能力空间。技能关系会随着任务分布、执行反馈与环境变化不断被修正与扩展。智能体得以像工程系统一样组装能力选择合适模块、按需组合、规避已知失败模式并在真实任务中快速迭代。本质上将知识从静态存储转化为可执行的能力工具箱提升智能体在复杂任务中的可信性与可控性也为长期在线Agent、跨领域协作及科研自动化提供可维护、可扩展、可演化的能力基础。原理论文给出的架构图核心原理是多源输入→结构化抽取→质量验证→关系建模→生态复用的闭环流程本质是将人类/智能体的隐性经验转化为显性技能资产。多源经验输入自动化技能抽取去重与分类打标五维质量评估技能关系推理结构化技能包封装开放仓库存储智能体检索/复用任务执行反馈技能迭代回流关键技术原理多源技能自动抽取通过LLM提示链解析GitHub代码、智能体执行轨迹、Office文档、自然语言提示提取可执行步骤并生成标准化SKILL.md文档自动识别工具依赖与参数格式五维质量验证基于GPT-5o-mini实现自动化评估其中可执行性Executability通过Docker沙箱真实运行代码验证确保技能可落地其余维度安全性、完备性、可维护性、成本感知按3级量表打分过滤低质量技能关系图谱构建混合语义嵌入检索LLM链式推理自动发现技能间的4类核心关系形成可推理的技能网络三大核心功能模块模块核心职责技术实现Skill Creation技能创建多源经验转化为结构化技能LLM提示链代码AST解析执行轨迹归纳Skill Evaluation技能评估过滤低质量/危险技能五维评估器Safety/Completeness/Executability/Maintainability/Cost-awareness沙箱验证Skill Analysis技能分析构建技能关系与图谱Sentence-BERT语义嵌入LLM关系推理五维评估体系评估维度核心含义验证方式Safety安全性无恶意操作、数据泄露风险LLM静态检测危险操作黑名单如文件删除、命令注入Completeness完备性步骤、参数、异常处理是否完整对比领域标准流程检查关键环节缺失Executability可执行性代码/操作能否正常运行Docker沙箱真实执行捕获报错与超时Maintainability可维护性代码可读性、版本兼容性检查代码规范、依赖版本约束清晰度Cost-awareness成本感知资源消耗算力/API费用合理性统计执行时长、GPU/CPU占用设置阈值过滤技能全生命周期管理创建支持多源输入GitHub仓库、执行轨迹、文档、自然语言自动生成技能也支持用户手动提交评估上传技能后自动触发五维评估生成质量报告与优化建议检索支持关键词检索、语义检索、关系检索如查找依赖Pandas的数据处理技能复用通过Python工具包、REST API一键加载技能包支持本地缓存与版本切换进化基于用户反馈与任务执行结果自动迭代技能版本更新关系图谱SkillNet的构建基于大规模、多源的技能数据采集从以下渠道系统性收集技能全网已有Skill整合开源社区中已验证的技能实现实现学术数据集从学术数据集提取多个领域的标准化方法与流程GitHub代码仓库挖掘真实项目中的可复用能力模块智能体执行轨迹从我们自主运行的Agent任务中自动抽取技能自动化构建流水线在数据采集的基础上提出一套自动化流水线将多源异构数据转化为结构化、可复用的技能表示。首先对任务空间进行系统性探索采集涵盖成功与失败的完整行为轨迹随后对多步骤决策过程进行自动归纳与分解抽象出具有明确语义边界与接口定义的模块化Skill。在此之上进一步结合LLM的推理能力与规则约束自动构建技能之间的层级、依赖与组合关系从而形成结构化、可演化的技能关系网络。实战基于pip安装pip install skillnet-ai示例fromskillnet_aiimportSkillNetClientimportskillnet clientSkillNetClient(api_keysk-xxx)# 搜索技能skillsclient.search(qbioinformatics pipeline)forskillinskills:print(skill.name,skill.evaluation_score)# 显示技能名与五维评估总分# 下载并使用local_pathclient.download(urlskills[0].skill_url,target_dir./my_skills)print(fSkill successfully installed at:{local_path})# 加载技能skillskillnet.load(python-data-clean-v1.2)# 传入参数并执行技能resultskill.execute(data_path./data.csv,missing_value_strategymean)# 创建技能created_pathsclient.create(github_urlhttps://github.com/openai/openai-python,output_dir./my_skills,modelgpt-4o)# 评估技能resultclient.evaluate(targethttps://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/biopython,modelgpt-4o)print(fEvaluation Result:{result})# 提交新技能skillnet.submit(skill_path./my-skill-package,description自定义数据归一化技能)# 分析技能关系relationsclient.analyze(skills_dir./my_skills,save_to_fileTrue,modelgpt-4o)forrelinrelations:print(f{rel[source]}--[{rel[type]}]--{rel[target]}) Skills生态项目：AAS、MiniMax Office、OpenSkills、Skill Graphs、SkillNet
Skills系列文章Agent Skill概述Anthropic Skills、Vercel Agent Skills、Agent Skills、OpenAI Skills、Skill SeekerSkill生态项目skills-manager、skilless-ai、SkillForgeAgentic-Awesome-Skills项目主页简称AAS开源GitHub44.7K Star6.6K Fork项目收录2007个技能。项目主页则提供快捷搜索入口MiniMax Office SkillsMiniMax开源GitHub13.3K Star1.1K Fork覆盖Word、Excel、PDF、PPT四种格式Word没有选用Python生态最常用的Word生成库python-docx而是选用.NET OpenXML SDK微软官方的Office文档底层库对ECMA-376Word格式的国际标准有最完整的实现需部署.NET运行时Excel没有使用openpyxl而是直接操作XML.xlsx文件本质是XML文件的zip压缩包。所有衍生值必须保持真实的Excel公式如SUM(B2:B9)而不是预先算好的数字。改了源头所有引用自动联动更新。为此构建13个独立的Python工具脚本一份34000字的财务格式规范对齐投行级的数字格式和布局标准。PDF主要是封面和正文封面要好看需要渐变、网格、混合模式、自定义字体正文要稳定需要对分页、段落流、页眉页脚精确控制。用两套引擎封面用HTMLCSS通过Playwright渲染成PDFCSS原生处理视觉效果正文用ReportLab提供工程层面稳定可预期的控制。PPT难点是视觉一致性做法先把约束系统定义清楚再在约束里生成内容。核心功能PDF文档生成与编辑通过模型推理能力和XML处理逻辑将业务数据直接生成结构化高质量PDF文档支持字段填充、样式重组以及排版美化等操作在实际任务中可自动生成带封面、目录与规范版式的报告文档。PPTX演示创建与修改利用pptx‑generator插件结合MiniMax模型内容推理实现从自然语言输入到完整演示文稿的生成支持从封面页布局到图表填充的自动处理提高商务演示制作效率。Excel表格处理借助minimax‑xlsx技能实现表格解析、公式计算、格式一致性检查及财务模型输出开发者可输入数据说明或模板路径自动生成复杂财务表格或分析报告。DOCX文档智能操作结合minimax‑docx模块用户可创建新文档、填充内容、格式化文本结构并根据模板执行自动化格式设置适合生成标准合同、计划书或报告。技能集扩展支持仓库设计的结构允许开发者扩展新技能例如流程任务、业务文档解析等通过定义技能元数据即可加入新的办公自动化能力实现灵活生态发展。技术原理M2.5模型语义推理依赖MiniMax M2.5作为核心语义推理引擎MoE架构并通过强化学习优化任务分解能力在读取自然语言指令后生成上下文相关的办公任务执行指令插件层XML操作技能集通过针对PPTX/Excel/PDF/DOCX等格式的底层XML处理实现文件结构化操作将模型的内容输出映射到具体的文件格式元素从而实现自动化Office文档生成和修改上下文管理依赖模型的长上下文窗口约200K Token可在单次会话中处理大规模输入文本、任务说明及历史修改记录使得复杂工作流中的任务逻辑保持连贯且可追踪多步骤Agent任务拆解调用M2.5的推理和任务分解能力在执行复杂任务时会将任务拆分为多个子步骤如表格分析、公式执行、文本摘要等有效提升专业性和结构化输出质量输入参数智能映射开发者在集成时可通过参数配置控制输出格式和细节如指定模板路径、字段映射规则、语言风格等使得技能在业务场景中更易适配和调优提升实际应用效果对比维度MiniMaxOfficeSkillsOpenAIGPT‑4ToolsClaude4.6Suite模型依赖基于MiniMaxM2.5模型推理依赖GPT‑4/5系列基于Claude4.6/5上下文长度约200K Token约32k–128kToken约100kToken办公技能集成集中XML插件处理PPTX/Excel/PDF/DOCX工具调用需额外插件集成插件生态较成熟扩展性开源仓库可自定义技能依赖商业SDK部分开源插件成本运行成本较低高运行成本中等实际输出质量面向可交付文档生成准确性高但需后处理支持业务集成OpenSkills论文开源GitHub10.7K Star669 Fork.官方定位Universal skills loader for AI coding agentsinstavm此外在GitHub上还有另外一个项目https://github.com/instavm/open-skills379 Star31 Fork。实战npmi-gopenskills openskillsinstallanthropics/skills openskillssyncSkill Graphs论文指出真正决定训练效果的不是任务数量而是AI在执行这些任务时经历多少种不同的场景和技能组合。终端Agent是指用LLM驱动、通过命令行界面完成复杂任务的AI系统。训练这样的Agent需要大量执行轨迹即AI在终端里一步步操作的全过程记录。现有的合成训练数据方法主要走两条路让LLM生成分类体系来扩展领域覆盖但往往和真实使用脱节从GitHub仓库反推任务但局限在软件工程场景两条路都只关心生成多少任务却没有控制AI在这些任务里到底经历多少种不同的场景×技能组合。论文用数据直接展示这个问题现有数据集中不同任务让Agent经历的场景和技能高度重叠轨迹冗余严重。核心方法用图谱结构控制训练轨迹的多样性SkillSynth的核心思路是把AI操作终端的过程抽象成场景-技能序列场景AI在某个决策点面临的状态比如视频文件已下载但未压缩技能AI在这个状态下执行的一组动作比如用ffmpeg压缩视频每个技能从一个前置场景指向一个后置场景形成有向图。图中的一条路径就对应一个真实的多步骤工作流。图谱规模82,073个场景节点、57,214条技能边、185,529个LLM验证的桥接关系。85.6%的节点连通在最大连通分量中意味着绝大多数技能都能串联成完整的工作流。构建过程分五步从ClawHub和GitHub过滤技能→LLM推断每个技能的前置/后置场景→聚类去重→跨技能对齐后置场景匹配下一个技能的前置场景→合并过滤。采样策略也很关键用逆频率加权——被访问少的节点和边优先被选中避免路径扎堆在热门节点上。保证采样出的路径在场景×技能空间上的均匀覆盖。自动生成多Agent协作一次跑出3560个验证过的任务采样出路径后一个多Agent协作流程把抽象路径变成具体的可执行任务规划器把路径转化成结构化的子目标和预期输出构造器根据计划生成完整任务实例指令、文件系统快照、容器环境、验证脚本、参考解法双验证执行验证跑参考解法确保任务可解评分验证LLM判断指令和测试是否对齐不通过则进入修复循环最多3轮修复每轮最多20次工具调用一次全自动运行的成绩单从3,721条采样路径中产出3,560个通过验证的任务实例95.7%的oracle通过率平均成本仅$27.3/个。这些任务难度不低Claude Opus 4.6平均需要37步才能解决121个任务三次尝试都没解出来。SkillNetSkill Network的简称即技能网络。由浙江大学、阿里巴巴、蚂蚁集团等 20 余家机构联合发布论文核心定位是解决AI智能体重复造轮子的行业痛点通过结构化、可评估、可复用的技能体系让智能体从单次任务试错走向持续能力累积。论文指出当前AI方法存在两个根本性缺陷缺乏统一的技能获取和整合机制有价值的专业知识广泛存在于开源仓库、学术论文和Agent执行轨迹中但它们仍然很大程度上是非结构化和孤立的。AI Agent无法自动将这些资源提炼为可复用、可执行的能力。缺乏原则性的技能质量验证框架没有内在和系统的评估技能仓库容易污染可执行性、安全性和鲁棒性只能通过下游任务成功间接评估。这种随机且不透明的验证引入技术债务破坏长期能力增长。官网开源GitHub1.1K Star131 Fork将分散的实践经验沉淀为可计算、可检索、可组合的结构化技能知识网络。构建超过20万个AI技能的开放基础设施通过统一的本体论、五维度评估体系和技能关系图谱让Agent从「重复造轮子」进化到「技能复用」在三个基准测试中平均奖励提升40%、执行步骤减少30%。核心价值构建技能即资产的开放生态将异构经验转化为20万可计算、可检索、可组合的技能单元使智能体能力进化从参数内隐转向结构外显。应用场景覆盖科研自动化、代码开发、多Agent协作、零售智能助手等领域同时支持企业构建私域技能底座。未来方向开放世界技能进化引入因果推理与在线反馈实现技能动态迭代端到端智能体生成支持自然语言需求→技能组合→可执行智能体全自动流水线神经-符号融合技能结构反向指导模型决策提升可解释性与可控性多Agent知识共享构建全球共享技能层推动集体智能进化。知识演变AI的发展史本质上是对知识表征、理解与利用的探索史这一历程可划分为三个阶段文本知识Textual Knowledge知识以非结构化文本存在覆盖面广但语义模糊机器难以直接理解形成语义鸿沟符号知识Symbolic Knowledge通过知识图谱、描述逻辑等符号化表示赋予知识精确语义支持严谨推理。但知识获取成本高难以规模化应用向量化知识Vectorized KnowledgeLLM将知识编码于高维向量空间泛化能力强、调用便捷但存在可解释性缺失、过程不可控、事实一致性脆弱等问题在高可靠性任务中表现不稳定上述三种形态都侧重于描述世界是什么Know What而缺乏对如何做Know How的程序性知识的有效表征这正是当前智能体面对复杂任务时的核心困境。为突破此困境提出从静态知识转向动态技能型知识Skill Knowledge的工程化构建思路。技能是封装特定意图、可参数化调用并能产生确定性输出的程序性知识单元融合引导智能体正确完成任务所需的上下文知识、行动步骤与历史经验具体包含以下核心要素适用场景定义前提条件、约束及失败场景工具与接口声明所需的外部资源与依赖推理结构固化已验证的决策链与操作序列元认知信息记录成功率、资源消耗、执行时延等评估指标技能不仅是可执行的知识更是可衡量、可复用、可演化的能力构件。正是这种模块化表征使智能体得以基于既有能力库进行高效组合与灵活迁移彻底摆脱从零试错的困境从而实现真正的知技·善任既能掌握技能更能善于任用为构建更通用、更鲁棒的AI系统奠定关键的能力基石。Skill OntologySkillNet并非技能的简单堆积而是一个结构化的技能网络。提出Skill Ontology来刻画技能间的系统性组织关系分为三层结构层级第一层分类体系按功能与抽象层级组织技能第二层关系层刻画技能间的依赖、组合、相似/替代等关系为工作流规划提供结构化支撑第三层技能包层具体技能以本地可部署的包形式存在通过依赖关系接入上层网络层级核心作用关键设计示例分类层Taxonomy语义归类支持高效检索10大领域标签多级子分类形成功能分层体系科研领域→生物信息学→基因序列比对开发领域→代码重构→Python函数优化关系层Relation Graph建模技能关联支持组合与推理4类显式关系构建150k边的多关系图技能【Python数据清洗】depend_on【Pandas基础操作】技能【图片分类】similar_to【图像识别】包层Package Library模块化部署支持一键复用封装为版本控制的本地文件夹包含SKILL.md、代码、依赖清单技能包【科研数据可视化】包含步骤文档、Matplotlib代码模板、依赖库清单numpy1.24通过组合compose_with、归属belong_to、依赖depend_on、相似/替代similar_to等关系刻画技能之间的静态关联还形成一个可随经验持续更新的动态本体构建出可推理、可规划、可进化的能力空间。技能关系会随着任务分布、执行反馈与环境变化不断被修正与扩展。智能体得以像工程系统一样组装能力选择合适模块、按需组合、规避已知失败模式并在真实任务中快速迭代。本质上将知识从静态存储转化为可执行的能力工具箱提升智能体在复杂任务中的可信性与可控性也为长期在线Agent、跨领域协作及科研自动化提供可维护、可扩展、可演化的能力基础。原理论文给出的架构图核心原理是多源输入→结构化抽取→质量验证→关系建模→生态复用的闭环流程本质是将人类/智能体的隐性经验转化为显性技能资产。多源经验输入自动化技能抽取去重与分类打标五维质量评估技能关系推理结构化技能包封装开放仓库存储智能体检索/复用任务执行反馈技能迭代回流关键技术原理多源技能自动抽取通过LLM提示链解析GitHub代码、智能体执行轨迹、Office文档、自然语言提示提取可执行步骤并生成标准化SKILL.md文档自动识别工具依赖与参数格式五维质量验证基于GPT-5o-mini实现自动化评估其中可执行性Executability通过Docker沙箱真实运行代码验证确保技能可落地其余维度安全性、完备性、可维护性、成本感知按3级量表打分过滤低质量技能关系图谱构建混合语义嵌入检索LLM链式推理自动发现技能间的4类核心关系形成可推理的技能网络三大核心功能模块模块核心职责技术实现Skill Creation技能创建多源经验转化为结构化技能LLM提示链代码AST解析执行轨迹归纳Skill Evaluation技能评估过滤低质量/危险技能五维评估器Safety/Completeness/Executability/Maintainability/Cost-awareness沙箱验证Skill Analysis技能分析构建技能关系与图谱Sentence-BERT语义嵌入LLM关系推理五维评估体系评估维度核心含义验证方式Safety安全性无恶意操作、数据泄露风险LLM静态检测危险操作黑名单如文件删除、命令注入Completeness完备性步骤、参数、异常处理是否完整对比领域标准流程检查关键环节缺失Executability可执行性代码/操作能否正常运行Docker沙箱真实执行捕获报错与超时Maintainability可维护性代码可读性、版本兼容性检查代码规范、依赖版本约束清晰度Cost-awareness成本感知资源消耗算力/API费用合理性统计执行时长、GPU/CPU占用设置阈值过滤技能全生命周期管理创建支持多源输入GitHub仓库、执行轨迹、文档、自然语言自动生成技能也支持用户手动提交评估上传技能后自动触发五维评估生成质量报告与优化建议检索支持关键词检索、语义检索、关系检索如查找依赖Pandas的数据处理技能复用通过Python工具包、REST API一键加载技能包支持本地缓存与版本切换进化基于用户反馈与任务执行结果自动迭代技能版本更新关系图谱SkillNet的构建基于大规模、多源的技能数据采集从以下渠道系统性收集技能全网已有Skill整合开源社区中已验证的技能实现实现学术数据集从学术数据集提取多个领域的标准化方法与流程GitHub代码仓库挖掘真实项目中的可复用能力模块智能体执行轨迹从我们自主运行的Agent任务中自动抽取技能自动化构建流水线在数据采集的基础上提出一套自动化流水线将多源异构数据转化为结构化、可复用的技能表示。首先对任务空间进行系统性探索采集涵盖成功与失败的完整行为轨迹随后对多步骤决策过程进行自动归纳与分解抽象出具有明确语义边界与接口定义的模块化Skill。在此之上进一步结合LLM的推理能力与规则约束自动构建技能之间的层级、依赖与组合关系从而形成结构化、可演化的技能关系网络。实战基于pip安装pip install skillnet-ai示例fromskillnet_aiimportSkillNetClientimportskillnet clientSkillNetClient(api_keysk-xxx)# 搜索技能skillsclient.search(qbioinformatics pipeline)forskillinskills:print(skill.name,skill.evaluation_score)# 显示技能名与五维评估总分# 下载并使用local_pathclient.download(urlskills[0].skill_url,target_dir./my_skills)print(fSkill successfully installed at:{local_path})# 加载技能skillskillnet.load(python-data-clean-v1.2)# 传入参数并执行技能resultskill.execute(data_path./data.csv,missing_value_strategymean)# 创建技能created_pathsclient.create(github_urlhttps://github.com/openai/openai-python,output_dir./my_skills,modelgpt-4o)# 评估技能resultclient.evaluate(targethttps://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/biopython,modelgpt-4o)print(fEvaluation Result:{result})# 提交新技能skillnet.submit(skill_path./my-skill-package,description自定义数据归一化技能)# 分析技能关系relationsclient.analyze(skills_dir./my_skills,save_to_fileTrue,modelgpt-4o)forrelinrelations:print(f{rel[source]}--[{rel[type]}]--{rel[target]})