1. 重复任务为什么值得蒸馏成 Skill每天打开 AI 对话窗口把同一套操作流程重新描述一遍这件事本身就消耗了大量时间。比如每周要生成一份数据周报、每次上线前要跑一遍检查清单、每个新项目都要按固定格式写 README——这些任务的共同点是步骤固定、判断标准明确、输出格式统一但每次都要重新向 AI 解释一遍。Skill 的本质是把这类重复任务的“执行方法”从人的脑子里搬到文件里。它不是一个提示词模板而是一份结构化的指令集包含操作流程、判断标准、输出规范甚至嵌入可执行的脚本调用。AI 读取这份文件后就能按照你定义的逻辑去执行不需要你每次重新交代背景。SKILL.md 是这套指令集的载体格式。它用 Markdown 组织内容分层次描述技能目标、执行步骤、输入输出约束和异常处理规则。skill-creator 则是一个辅助工具帮你从零散的素材中提炼出这份文件的骨架而不是让你对着空白编辑器硬憋。这篇文章面向的读者是已经在日常工作中频繁使用 AI 辅助执行任务但每次都要重复描述流程的人。如果你手头有三五个固定套路的工作流想把它们变成 AI 可以直接调用的 Skill下面的步骤可以跟着做。2. 用 TaoToken 统一 API 通道作为 Skill 的执行底座Skill 文件写好后需要一个稳定的 API 通道来驱动它执行。TaoToken 在这里的角色是提供统一的模型调用入口让 SKILL.md 里定义的执行逻辑能通过一致的接口跑通而不用在多个模型供应商之间来回切换配置。你可以把 TaoToken 理解为一个 API 网关它兼容常见的模型调用格式你只需要在 Skill 的执行脚本里配置一次 base_url 和 API Key后续切换模型或调整参数都在这个通道内完成。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 端点是 https://taotoken.net/api 。对于 Skill 蒸馏场景TaoToken 的价值在于SKILL.md 里定义的工作流可能需要调用模型做文本生成、信息提取或格式转换统一通道意味着你不需要为每个 Skill 单独维护一套鉴权和请求逻辑。API Key 在控制台生成接入文档里有完整的请求示例。如果你后续要做长期编码类的 Skill比如自动生成代码审查报告、按规范重构函数可以关注 Coding Plan 的配置方式如果只是验证 Skill 的对话逻辑是否跑通模型对话入口更直接。3. 从重复任务到 SKILL.md 骨架的完整配置3.1 识别高频重复任务先别急着写文件。打开你的工作记录翻最近两周的操作日志找出满足以下条件的任务每周或每天都会执行步骤基本固定偶尔有分支但判断标准明确输出有固定格式要求每次执行时你都要向 AI 重新解释一遍背景把这些任务列出来选一个最典型的作为第一次蒸馏的对象。不要贪多一个跑通再复制方法。3.2 收集原材料skill-creator 需要你提供“业务痕迹”作为输入。具体包括过去执行这个任务时的对话记录或文档你判断“做得好”和“做得不好”的标准遇到异常情况时的处理方式最终输出的样例文件把这些素材整理到一个目录下skill-creator 会读取这些内容来提炼逻辑。素材越贴近真实执行场景生成的骨架越可用。3.3 提炼判断标准与决策路径这一步是蒸馏的核心。你需要从素材中剥离出可被结果验证的逻辑而不是模糊的经验描述。举个例子假设你要蒸馏一个“代码审查报告生成”的 Skill。不要写“检查代码质量”而要写成先检查是否有未处理的异常分支再检查函数长度是否超过 50 行然后检查是否有硬编码的配置项最后按严重程度排序输出每条判断标准都应该是可证伪的要么通过要么不通过没有“差不多”的中间状态。3.4 生成 SKILL.md 骨架下面是一个可复制的 SKILL.md 模板你可以直接拿去改# SKILL: 代码审查报告生成 ## 元信息 - 版本: 1.0 - 适用场景: 对指定代码文件生成结构化审查报告 - 输入: 代码文件路径或代码文本 - 输出: Markdown 格式审查报告 ## 执行流程 ### 第一步读取代码 调用文件读取接口获取代码内容。如果输入是路径先验证文件是否存在。 ### 第二步逐项检查 按以下顺序执行检查每项记录结果 1. 异常处理检查 - 判断标准是否存在未捕获的异常分支 - 输出通过 / 不通过 具体位置 2. 函数长度检查 - 判断标准单个函数是否超过 50 行 - 输出通过 / 不通过 函数名和行数 3. 硬编码检查 - 判断标准是否存在硬编码的配置项或密钥 - 输出通过 / 不通过 具体行号 ### 第三步生成报告 按严重程度排序输出 Markdown 格式报告。 ## 异常处理 - 文件不存在返回错误提示不继续执行 - 代码为空返回提示不生成报告 ## API 配置 - base_url: https://taotoken.net/api - 模型: 按需选择 - 温度: 0.3保证输出稳定性这个骨架的关键在于每一步都有明确的输入、判断标准和输出。AI 读取后不需要猜测你的意图直接按流程执行。3.5 skill-creator 配置片段skill-creator 的配置通常是一个 YAML 或 JSON 文件指定素材目录、输出路径和蒸馏参数。以下是一个配置示例skill_creator: source_dir: ./raw_materials/code_review output_path: ./skills/code_review_skill.md distill_mode: structured layers: - work_skill - persona api_config: base_url: https://taotoken.net/api api_key: ${TAOTOKEN_API_KEY} model: default validation: enabled: true test_cases: - input: ./test_samples/sample_code.py expected_sections: - 异常处理检查 - 函数长度检查 - 硬编码检查配置中的layers指定了蒸馏的层次work_skill 层定义技术规范和操作流程persona 层定义输出风格和沟通方式。validation部分用于跑通验证确保生成的 Skill 能按预期执行。4. 验证 Skill 是否跑通4.1 用测试用例驱动执行SKILL.md 写好后不要直接上生产任务。先准备一个测试用例用模型对话入口手动跑一遍。把 SKILL.md 的内容作为系统指令把测试代码作为用户输入观察输出是否符合预期。重点检查是否按定义的顺序执行了检查项判断标准是否被正确应用输出格式是否与模板一致异常处理是否生效4.2 通过 API 通道验证手动验证通过后用 API 方式再跑一次确保 Skill 在实际调用场景下也能正常工作。以下是一个 Python 验证脚本import requests SKILL_CONTENT open(./skills/code_review_skill.md).read() TEST_CODE open(./test_samples/sample_code.py).read() response requests.post( https://taotoken.net/api/v1/chat/completions, headers{ Authorization: Bearer YOUR_API_KEY, Content-Type: application/json }, json{ model: default, messages: [ {role: system, content: SKILL_CONTENT}, {role: user, content: TEST_CODE} ], temperature: 0.3 } ) result response.json() print(result[choices][0][message][content])运行后检查输出是否包含 SKILL.md 中定义的所有检查项以及报告格式是否正确。4.3 迭代调整第一次跑通不代表 Skill 就完美了。根据验证结果调整 SKILL.md如果某个检查项被跳过检查判断标准是否写得太模糊如果输出格式不对在 SKILL.md 里补充格式示例如果异常处理没触发检查异常条件的描述是否明确每次调整后重新跑验证脚本直到输出稳定。5. 本篇常见错排查5.1 SKILL.md 写成了文档而不是指令最常见的错误是把 SKILL.md 写成了一篇说明文档而不是可执行的指令集。区别在于文档是给人读的指令是给 AI 执行的。错误写法“本技能用于检查代码质量确保代码符合规范。”正确写法“按以下顺序检查代码第一步检查异常处理第二步检查函数长度第三步检查硬编码。”判断标准如果 AI 读完你的 SKILL.md 后还需要猜测“具体怎么做”那就是写成了文档。5.2 判断标准不可证伪“代码质量要好”“输出要清晰”这类描述无法被验证。AI 无法判断什么是“好”什么是“清晰”。每个判断标准都应该是二元的通过或不通过有或没有。5.3 API 配置遗漏导致调用失败SKILL.md 里如果涉及 API 调用必须明确写出 base_url、鉴权方式和请求格式。常见错误是只写了“调用 API”但没写调用哪个端点、用什么参数。TaoToken 的接入文档里有完整的请求示例配置时对照检查。5.4 验证时只跑了一个用例一个测试用例通过不代表 Skill 稳定。至少准备三个用例正常输入、边界输入、异常输入。正常输入验证主流程边界输入验证判断标准的准确性异常输入验证错误处理是否生效。5.5 把 Skill 当成一次性任务Skill 的价值在于复用。如果蒸馏出来的 Skill 只用一次就丢在一边那和直接写提示词没有区别。建议把常用的 Skill 统一放在一个目录下每次执行重复任务时直接调用而不是重新描述流程。6. 从一次蒸馏到持续复用第一次蒸馏完成后你会得到一份可执行的 SKILL.md 文件和一个验证通过的 API 调用脚本。接下来要做的是把这个流程固化下来把 SKILL.md 纳入版本管理每次调整都记录变更把验证脚本做成自动化测试每次修改后自动跑一遍把常用的 Skill 整理成索引方便快速查找和调用后续再蒸馏新 Skill 时直接复用这套流程识别重复任务、收集素材、提炼判断标准、生成骨架、验证跑通。熟练之后一个简单的 Skill 从识别到跑通可以在半小时内完成。如果你需要管理多个 Skill 的 API 调用可以在控制台统一管理 API Key避免在多个 Skill 之间重复配置鉴权信息。对于需要长期运行的编码类 SkillCoding Plan 提供了更稳定的调用配额和模型选择。
1. 重复任务为什么值得蒸馏成 Skill每天打开 AI 对话窗口把同一套操作流程重新描述一遍这件事本身就消耗了大量时间。比如每周要生成一份数据周报、每次上线前要跑一遍检查清单、每个新项目都要按固定格式写 README——这些任务的共同点是步骤固定、判断标准明确、输出格式统一但每次都要重新向 AI 解释一遍。Skill 的本质是把这类重复任务的“执行方法”从人的脑子里搬到文件里。它不是一个提示词模板而是一份结构化的指令集包含操作流程、判断标准、输出规范甚至嵌入可执行的脚本调用。AI 读取这份文件后就能按照你定义的逻辑去执行不需要你每次重新交代背景。SKILL.md 是这套指令集的载体格式。它用 Markdown 组织内容分层次描述技能目标、执行步骤、输入输出约束和异常处理规则。skill-creator 则是一个辅助工具帮你从零散的素材中提炼出这份文件的骨架而不是让你对着空白编辑器硬憋。这篇文章面向的读者是已经在日常工作中频繁使用 AI 辅助执行任务但每次都要重复描述流程的人。如果你手头有三五个固定套路的工作流想把它们变成 AI 可以直接调用的 Skill下面的步骤可以跟着做。2. 用 TaoToken 统一 API 通道作为 Skill 的执行底座Skill 文件写好后需要一个稳定的 API 通道来驱动它执行。TaoToken 在这里的角色是提供统一的模型调用入口让 SKILL.md 里定义的执行逻辑能通过一致的接口跑通而不用在多个模型供应商之间来回切换配置。你可以把 TaoToken 理解为一个 API 网关它兼容常见的模型调用格式你只需要在 Skill 的执行脚本里配置一次 base_url 和 API Key后续切换模型或调整参数都在这个通道内完成。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 端点是 https://taotoken.net/api 。对于 Skill 蒸馏场景TaoToken 的价值在于SKILL.md 里定义的工作流可能需要调用模型做文本生成、信息提取或格式转换统一通道意味着你不需要为每个 Skill 单独维护一套鉴权和请求逻辑。API Key 在控制台生成接入文档里有完整的请求示例。如果你后续要做长期编码类的 Skill比如自动生成代码审查报告、按规范重构函数可以关注 Coding Plan 的配置方式如果只是验证 Skill 的对话逻辑是否跑通模型对话入口更直接。3. 从重复任务到 SKILL.md 骨架的完整配置3.1 识别高频重复任务先别急着写文件。打开你的工作记录翻最近两周的操作日志找出满足以下条件的任务每周或每天都会执行步骤基本固定偶尔有分支但判断标准明确输出有固定格式要求每次执行时你都要向 AI 重新解释一遍背景把这些任务列出来选一个最典型的作为第一次蒸馏的对象。不要贪多一个跑通再复制方法。3.2 收集原材料skill-creator 需要你提供“业务痕迹”作为输入。具体包括过去执行这个任务时的对话记录或文档你判断“做得好”和“做得不好”的标准遇到异常情况时的处理方式最终输出的样例文件把这些素材整理到一个目录下skill-creator 会读取这些内容来提炼逻辑。素材越贴近真实执行场景生成的骨架越可用。3.3 提炼判断标准与决策路径这一步是蒸馏的核心。你需要从素材中剥离出可被结果验证的逻辑而不是模糊的经验描述。举个例子假设你要蒸馏一个“代码审查报告生成”的 Skill。不要写“检查代码质量”而要写成先检查是否有未处理的异常分支再检查函数长度是否超过 50 行然后检查是否有硬编码的配置项最后按严重程度排序输出每条判断标准都应该是可证伪的要么通过要么不通过没有“差不多”的中间状态。3.4 生成 SKILL.md 骨架下面是一个可复制的 SKILL.md 模板你可以直接拿去改# SKILL: 代码审查报告生成 ## 元信息 - 版本: 1.0 - 适用场景: 对指定代码文件生成结构化审查报告 - 输入: 代码文件路径或代码文本 - 输出: Markdown 格式审查报告 ## 执行流程 ### 第一步读取代码 调用文件读取接口获取代码内容。如果输入是路径先验证文件是否存在。 ### 第二步逐项检查 按以下顺序执行检查每项记录结果 1. 异常处理检查 - 判断标准是否存在未捕获的异常分支 - 输出通过 / 不通过 具体位置 2. 函数长度检查 - 判断标准单个函数是否超过 50 行 - 输出通过 / 不通过 函数名和行数 3. 硬编码检查 - 判断标准是否存在硬编码的配置项或密钥 - 输出通过 / 不通过 具体行号 ### 第三步生成报告 按严重程度排序输出 Markdown 格式报告。 ## 异常处理 - 文件不存在返回错误提示不继续执行 - 代码为空返回提示不生成报告 ## API 配置 - base_url: https://taotoken.net/api - 模型: 按需选择 - 温度: 0.3保证输出稳定性这个骨架的关键在于每一步都有明确的输入、判断标准和输出。AI 读取后不需要猜测你的意图直接按流程执行。3.5 skill-creator 配置片段skill-creator 的配置通常是一个 YAML 或 JSON 文件指定素材目录、输出路径和蒸馏参数。以下是一个配置示例skill_creator: source_dir: ./raw_materials/code_review output_path: ./skills/code_review_skill.md distill_mode: structured layers: - work_skill - persona api_config: base_url: https://taotoken.net/api api_key: ${TAOTOKEN_API_KEY} model: default validation: enabled: true test_cases: - input: ./test_samples/sample_code.py expected_sections: - 异常处理检查 - 函数长度检查 - 硬编码检查配置中的layers指定了蒸馏的层次work_skill 层定义技术规范和操作流程persona 层定义输出风格和沟通方式。validation部分用于跑通验证确保生成的 Skill 能按预期执行。4. 验证 Skill 是否跑通4.1 用测试用例驱动执行SKILL.md 写好后不要直接上生产任务。先准备一个测试用例用模型对话入口手动跑一遍。把 SKILL.md 的内容作为系统指令把测试代码作为用户输入观察输出是否符合预期。重点检查是否按定义的顺序执行了检查项判断标准是否被正确应用输出格式是否与模板一致异常处理是否生效4.2 通过 API 通道验证手动验证通过后用 API 方式再跑一次确保 Skill 在实际调用场景下也能正常工作。以下是一个 Python 验证脚本import requests SKILL_CONTENT open(./skills/code_review_skill.md).read() TEST_CODE open(./test_samples/sample_code.py).read() response requests.post( https://taotoken.net/api/v1/chat/completions, headers{ Authorization: Bearer YOUR_API_KEY, Content-Type: application/json }, json{ model: default, messages: [ {role: system, content: SKILL_CONTENT}, {role: user, content: TEST_CODE} ], temperature: 0.3 } ) result response.json() print(result[choices][0][message][content])运行后检查输出是否包含 SKILL.md 中定义的所有检查项以及报告格式是否正确。4.3 迭代调整第一次跑通不代表 Skill 就完美了。根据验证结果调整 SKILL.md如果某个检查项被跳过检查判断标准是否写得太模糊如果输出格式不对在 SKILL.md 里补充格式示例如果异常处理没触发检查异常条件的描述是否明确每次调整后重新跑验证脚本直到输出稳定。5. 本篇常见错排查5.1 SKILL.md 写成了文档而不是指令最常见的错误是把 SKILL.md 写成了一篇说明文档而不是可执行的指令集。区别在于文档是给人读的指令是给 AI 执行的。错误写法“本技能用于检查代码质量确保代码符合规范。”正确写法“按以下顺序检查代码第一步检查异常处理第二步检查函数长度第三步检查硬编码。”判断标准如果 AI 读完你的 SKILL.md 后还需要猜测“具体怎么做”那就是写成了文档。5.2 判断标准不可证伪“代码质量要好”“输出要清晰”这类描述无法被验证。AI 无法判断什么是“好”什么是“清晰”。每个判断标准都应该是二元的通过或不通过有或没有。5.3 API 配置遗漏导致调用失败SKILL.md 里如果涉及 API 调用必须明确写出 base_url、鉴权方式和请求格式。常见错误是只写了“调用 API”但没写调用哪个端点、用什么参数。TaoToken 的接入文档里有完整的请求示例配置时对照检查。5.4 验证时只跑了一个用例一个测试用例通过不代表 Skill 稳定。至少准备三个用例正常输入、边界输入、异常输入。正常输入验证主流程边界输入验证判断标准的准确性异常输入验证错误处理是否生效。5.5 把 Skill 当成一次性任务Skill 的价值在于复用。如果蒸馏出来的 Skill 只用一次就丢在一边那和直接写提示词没有区别。建议把常用的 Skill 统一放在一个目录下每次执行重复任务时直接调用而不是重新描述流程。6. 从一次蒸馏到持续复用第一次蒸馏完成后你会得到一份可执行的 SKILL.md 文件和一个验证通过的 API 调用脚本。接下来要做的是把这个流程固化下来把 SKILL.md 纳入版本管理每次调整都记录变更把验证脚本做成自动化测试每次修改后自动跑一遍把常用的 Skill 整理成索引方便快速查找和调用后续再蒸馏新 Skill 时直接复用这套流程识别重复任务、收集素材、提炼判断标准、生成骨架、验证跑通。熟练之后一个简单的 Skill 从识别到跑通可以在半小时内完成。如果你需要管理多个 Skill 的 API 调用可以在控制台统一管理 API Key避免在多个 Skill 之间重复配置鉴权信息。对于需要长期运行的编码类 SkillCoding Plan 提供了更稳定的调用配额和模型选择。
