AgentSkillsCN

skill-extractor

从当前会话中提炼经验，自动生成可复用的 Claude 代码技能。当用户希望“提取技能”“总结成技能”“固化经验”“生成技能”“提取技能”“根据上下文创建技能”“保存为技能”“把经验转化为技能”时，可使用此技能。

SKILL.md
--- frontmatter
name: skill-extractor
description: 从当前会话中提取经验，自动生成可复用的 Claude Code Skill。Use when user wants to 提取skill, 总结成skill, 固化经验, 生成skill, extract skill, create skill from context, save as skill, 把经验变成skill.

Skill Extractor

从当前会话的上下文中提取成功经验和失败教训，自动生成可复用的 Claude Code Skill 文件。

Background

这是一个"元技能"——用于创建其他技能的技能。通过分析当前会话中完成的任务，提取关键步骤、常见陷阱和最佳实践，将一次性的问题解决固化为可重复的工作流。

Instructions

你是一个经验提取助手，帮助用户将会话中的工作经验转化为可复用的 Claude Code Skill。请按以下步骤操作：

Step 1: 分析当前会话上下文

回顾整个会话历史，识别并提取以下信息：

  1. •原始需求：用户最初想解决什么问题？
  2. •执行步骤：完成任务经历了哪些关键步骤？
  3. •失败经验：哪些尝试失败了？失败的原因是什么？
  4. •成功方案：最终采用的解决方案是什么？
  5. •关键发现：有哪些重要的注意事项、检查点或技巧？

Step 2: 收集用户输入

⚠️ 必须：使用 AskUserQuestion 工具收集必要信息。

使用 AskUserQuestion 工具询问用户：

  1. •

    Skill 名称：这个 skill 叫什么名字？

    • •让用户输入，建议使用 kebab-case 格式（如 api-caller、file-processor）
  2. •

    主要功能描述：一句话描述这个 skill 做什么

    • •让用户输入或基于分析结果建议
  3. •

    触发词：用户会用什么词来触发这个 skill？

    • •让用户输入，建议中英文各 2-3 个
  4. •

    保存位置：

    • •选项：
      • •"当前插件目录 skills/ (Recommended)"
      • •"自定义路径"

Step 3: 决定是否需要脚本

根据任务性质自动判断是否需要配套脚本（不要问用户）：

需要脚本的情况：

  • •调用外部 API（如 OpenRouter、OpenAI 等）
  • •复杂的文件处理（二进制文件、编码转换等）
  • •需要依赖特定库（如 ffmpeg、whisper 等）
  • •涉及网络请求、数据解析等

不需要脚本的情况：

  • •纯 prompt 驱动的工作流
  • •主要是 bash 命令的组合
  • •简单的文件操作

脚本语言选择：

  • •优先使用 Python，采用 uv script 格式（内联依赖声明）
  • •需要 JavaScript 时使用 Bun（Max 内置，比 Node.js 更快）

Python uv script 模板：

python
#!/usr/bin/env -S uv run --script
# /// script
# requires-python = ">=3.11"
# dependencies = [
#     "requests",
#     "其他依赖",
# ]
# ///

import sys
# 脚本内容...

Step 4: 生成 SKILL.md 内容

根据分析结果和用户输入，生成以下格式的 SKILL.md：

markdown
---
name: {skill-name}
description: {功能描述}。Use when user wants to {触发词1}, {触发词2}, {trigger1}, {trigger2}.
---

# {Skill Title}

{简要说明这个 skill 的功能和来源}

## Background

> 此 skill 从 [具体任务描述] 的实践经验中提取。

{描述这个 skill 解决的问题场景}

## Prerequisites

{列出依赖条件，如环境变量、工具等}

## Instructions

{详细的执行步骤，来自成功的方案}

### Step 1: {步骤标题}

{具体操作}

### Step 2: {步骤标题}

{具体操作}

...

## Common Pitfalls

{从失败经验中提取的常见陷阱}

| 错误做法 | 正确做法 | 原因 |
|---------|---------|------|
| ❌ {错误示例} | ✅ {正确示例} | {解释} |

## Best Practices

{从成功经验中提取的最佳实践}

- {实践1}
- {实践2}
- ...

## Troubleshooting

{常见问题及解决方案，来自实际遇到的错误}

**问题：{问题描述}**
- 原因：{原因分析}
- 解决：{解决方案}

## Example Interaction

{一个典型的使用示例}

用户：{示例输入}

助手：
1. {步骤1}
2. {步骤2}
...

Step 5: 写入文件

使用 Write 工具将生成的内容写入对应目录：

code
skills/{skill-name}/SKILL.md
skills/{skill-name}/{script-name}.py  # 如果需要脚本

如果创建了 Python 脚本，添加可执行权限：

bash
chmod +x skills/{skill-name}/{script-name}.py

Step 6: 更新文档（可选）

询问用户是否需要更新 CLAUDE.md 来注册新 skill：

  • •更新项目结构图
  • •更新 Skills 表格

Step 7: 展示结果

完成后告诉用户：

  1. •创建的文件路径
  2. •Skill 的使用方法
  3. •触发词列表

Output Quality Guidelines

生成的 SKILL.md 应该：

  1. •可执行：步骤清晰，可以直接按照执行
  2. •有价值：包含真正有用的经验，不是泛泛而谈
  3. •避坑优先：突出失败经验和常见陷阱
  4. •代码示例：关键步骤要有代码或命令示例
  5. •简洁明了：避免冗余，保持结构清晰

Example

假设用户刚完成了一个"使用 OpenRouter API 实现图片理解"的任务，调用此 skill 后可能生成：

markdown
---
name: openrouter-vision
description: 使用 OpenRouter API 进行图片理解。Use when user wants to 调用视觉API, 图片分析API, call vision API.
---

# OpenRouter Vision API

通过 OpenRouter 调用视觉模型分析图片。

## Background

> 此 skill 从 image-understand skill 开发实践中提取。

## Prerequisites

1. `OPENROUTER_API_KEY` 环境变量
2. Python 3.11+ 和 uv

## Instructions

### Step 1: 准备图片
- 支持格式：PNG、JPG、JPEG、GIF、WebP
- 大小限制：20MB

### Step 2: 构建 API 请求
...

## Common Pitfalls

| 错误做法 | 正确做法 | 原因 |
|---------|---------|------|
| ❌ `ext === 'jpg'` | ✅ `ext === 'jpg' \|\| ext === 'jpeg'` | jpeg 扩展名也需要处理 |
| ❌ 不检查文件大小 | ✅ 添加 20MB 限制 | API 有大小限制 |

## Best Practices

- 使用 `fs.statSync()` 检查文件大小后再读取
- MIME 类型映射要完整
- 添加可执行权限 `chmod +x`
...

Notes

  • •这个 skill 依赖于会话上下文，需要在完成任务后立即使用
  • •生成的 skill 是初稿，用户可能需要根据实际情况调整
  • •鼓励用户审查并补充遗漏的经验