1. 项目概述为AI编码助手打造的工具箱如果你正在使用Claude Code、Cursor这类AI编程助手或者对OpenClaw、ClawHub这类AI Agent平台感兴趣那你可能已经发现了一个痛点当你想让AI帮你完成一些具体的、重复性的开发任务时比如生成一堆测试用的占位图片或者批量处理某个特定格式的文件你往往需要花费大量时间在对话中描述细节、纠正错误。有没有一种方法能让AI像调用一个现成的函数一样精准、可靠地执行这些任务这正是hicoldcat/skills这个项目试图解决的问题。简单来说skills是一个为AI编码代理AI Coding Agents设计的技能Skills集合。你可以把它理解为一个“工具箱”里面每一件“工具”都是一个独立的技能封装了特定的功能、执行逻辑和调用方式。当你的AI助手集成了某个技能后它就能直接调用这个技能来完成对应任务无需你再一步步指导从而极大提升开发效率和结果的确定性。这个项目目前由社区驱动开源且易于扩展非常适合开发者、测试工程师以及任何希望将AI助手能力“武器化”的从业者。2. 核心设计理念与架构解析2.1 为什么需要“技能”在传统的AI辅助编程中交互模式是线性的、描述性的。你告诉AI“帮我生成10张400x400的灰色模糊图片作为占位符。” AI可能会去写一段Python脚本调用某个图片库但过程中可能会在库的选择、参数传递、文件保存路径上出错你需要反复纠正。这种模式在复杂任务或需要重复执行的场景下效率很低。skills项目引入的“技能”概念旨在将这种交互转变为“声明式”或“函数式”。你或AI只需要声明意图“使用random-image-placeholder技能生成10张带特定种子seed、400x400、灰度、模糊2级的图片保存到./mockups/目录。” 剩下的具体实现完全由封装好的技能来保证。这带来了几个核心优势确定性相同的指令必然产生相同的结果。这对于测试、构建可复现的演示或文档至关重要。效率省去了大量的上下文解释和调试时间。复用性一个编写好的技能可以被团队内所有成员、所有AI助手共享使用。专业化技能可以封装非常专业的操作如下载特定API的数据、执行复杂的构建命令等这些操作如果纯靠AI临时生成代码容易出错或不规范。2.2 技能的核心结构剖析每个技能都是一个独立的目录遵循统一的组织结构这是保证技能能被AI Agent和开发者一致理解的关键。以项目中的示例技能random-image-placeholder为例其结构如下skills/random-image-placeholder/ ├── SKILL.md # 技能的“说明书”供AI Agent阅读和理解 ├── scripts/ # 可执行的辅助脚本用于自动化或手动调用 │ └── picsum.py ├── references/ # 参考文档可选 └── assets/ # 静态资源可选其中最核心的两个文件是SKILL.md和scripts/目录下的可执行文件。SKILL.md文件这是技能的“灵魂”。它不是给人看的开发文档而是专门写给AI Agent的“工作指导手册”。其内容通常包括技能描述这个技能是干什么的使用场景Use when在什么情况下应该调用这个技能这里会列出触发关键词如“placeholder images”, “picsum”, “seed”, “grayscale”等。AI在理解用户指令时会匹配这些关键词来触发技能。输入/输出规范明确告诉AI需要提供哪些参数如宽度、高度、种子、是否灰度等以及技能会输出什么如图片URL或文件路径。调用示例展示如何正确地在对话或代码中调用该技能。实现原理简述可选帮助AI理解技能背后的逻辑以便在出错时能更好地排查。scripts/目录这是技能的“双手”。里面包含了可实际运行的脚本如Python、Shell脚本。当技能被调用时最终执行的就是这里的代码。这分离了“意图理解”由AI和SKILL.md负责和“任务执行”由脚本负责使得技能既可以被AI驱动也可以被开发者直接手动运行非常灵活。2.3 与ClawHub生态的集成项目提到了ClawHub和skills.sh CLI这揭示了其背后的生态位。ClawHub可以看作是一个AI技能的“应用商店”或“注册中心”。开发者可以将写好的技能发布到ClawHub其他用户可以通过平台或命令行工具skills.sh一键安装到自己的AI Agent工作空间中。这种设计创造了一个正向循环开发者贡献技能 → 技能在ClawHub上共享 → 用户安装使用 → 反馈和迭代。它降低了为AI Agent开发实用工具的门槛并促进了社区协作。npx skills add这个命令就是skills.shCLI工具的一部分它负责从GitHub仓库中拉取指定的技能包并完成本地集成。3. 深度实操以random-image-placeholder技能为例让我们深入第一个也是目前主要的技能random-image-placeholder通过它来彻底掌握技能的开发、使用和扩展思路。3.1 技能功能与原理详解这个技能的核心是封装了对 Lorem Picsum 服务的调用。Lorem Picsum是一个免费的在线服务提供用于占位、演示的随机图片。技能为其增加了稳定性和便利性。核心功能点生成图片URL根据参数宽、高、种子、滤镜等生成指向Picsum服务的图片URL。下载图片将生成的图片下载到本地文件系统。确保稳定性通过“种子seed”参数可以生成确定性的、可重复的图片。对于相同的种子和参数Picsum会返回相同的图片。这对于UI测试快照Snapshot Testing等场景是刚需。背后的技术原理技能脚本picsum.py本质上是一个命令行接口CLI工具它使用Python的argparse库解析参数然后按照Picsum服务的API规则拼接HTTP请求URL。基础URL模板https://picsum.photos/width/height添加种子?seedseed_value添加灰度滤镜grayscale添加模糊滤镜blur1-10指定图片ID?idimage_id(这是另一种指定确定图片的方式与seed不同)脚本将这些参数组合起来构造出最终的URL。对于下载功能则会使用requests或urllib库获取图片二进制数据并写入本地文件。3.2 从零开始使用该技能假设你是一个前端开发者正在构建一个项目原型需要大量的占位图。方式一通过ClawHub安装面向AI Agent用户这是最无缝的方式。你打开ClawHub的技能页面找到random-image-placeholder点击“安装”。安装后在你的AI编码助手如集成了OpenClaw的编辑器中你就可以直接使用自然语言命令“为我的用户头像列表生成20张60x60的圆形占位图使用不同的种子保存到public/avatars/下。”AI助手会识别出“占位图”、“种子”等关键词自动调用已安装的技能并可能为你生成一个批量调用的脚本。方式二通过skills.sh CLI安装面向命令行开发者如果你更喜欢在终端操作或者你的工作流更偏向本地脚本可以使用CLI工具。# 使用npx直接运行skills.sh工具来添加技能 npx skills add https://github.com/hicoldcat/skills --skill random-image-placeholder这条命令会从指定的GitHub仓库下载skills项目并只提取random-image-placeholder这个子目录将其安装到CLI工具管理的技能目录中通常是全局的~/.skills或项目本地的.skills目录。安装后你可以直接运行技能自带的脚本。方式三源码直接使用面向技能开发者或深度定制者# 1. 克隆整个仓库 git clone https://github.com/hicoldcat/skills.git cd skills # 2. 直接运行技能脚本 python skills/random-image-placeholder/scripts/picsum.py url --width 800 --height 600 --grayscale # 输出https://picsum.photos/800/600?grayscale这种方式让你完全掌控方便你阅读、修改和调试脚本代码。3.3 脚本参数详解与高级用法让我们仔细看看picsum.py脚本提供的两个子命令url和download。url子命令生成URL。python picsum.py url --seed “project-123” --width 400 --height 300 --blur 3--seed: 这是关键参数。传入一个字符串如“avatar-42”Picsum会基于这个字符串生成一张固定的图片。这对于需要图片内容稳定的测试和演示至关重要。如果不提供seed则每次生成随机图片。--width/--height: 图片尺寸。Picsum服务支持任意尺寸。--grayscale: 布尔标志。加上即应用灰度滤镜。--blur: 模糊度取值1-10。数字越大越模糊。download子命令下载图片到本地。python picsum.py download --seed “hero-banner” --width 1200 --height 400 --out ./assets/banner.jpg它包含了url命令的所有参数。--out或-o:指定输出文件路径。这是下载功能的核心参数。脚本会获取图片数据并写入这个路径。目录需要存在否则会报错。高级用法示例批量生成测试图片你可以写一个简单的Shell脚本或Python脚本来批量调用这个技能。#!/bin/bash # generate_test_images.sh for i in {1..50}; do seed“test-ui-${i}” width$((100 (RANDOM % 400))) # 随机宽度100-500 height$((100 (RANDOM % 300))) # 随机高度100-400 output_path“./test_fixtures/img_${i}.jpg” python skills/random-image-placeholder/scripts/picsum.py download \ --seed “${seed}” \ --width ${width} \ --height ${height} \ --out “${output_path}” echo “Generated: ${output_path}” done这个脚本能快速生成一大批尺寸、内容各异的测试图片非常适合用于填充开发环境或进行UI压力测试。注意Lorem Picsum是一个公共服务虽然很稳定但在自动化脚本中大量、高频调用时请保持礼貌的请求间隔避免对其服务器造成压力。对于生产环境或关键路径建议将图片下载到本地或自己的CDN后再使用。4. 如何开发与贡献你自己的技能理解了现有技能后你可能想为自己团队的特定工作流创建一个技能。以下是创建新技能的步骤和最佳实践。4.1 创建新技能的步骤规划技能功能明确你的技能要解决什么问题输入是什么输出是什么例如一个“生成Mock API数据”的技能输入可能是数据模型Schema和数量输出是一个JSON文件。创建技能目录在skills/目录下创建一个新的文件夹例如skills/generate-mock-api/。编写核心脚本在scripts/目录下创建可执行脚本。语言不限Python、Node.js、Bash等但必须易于安装依赖和跨平台运行。脚本应实现完整的CLI接口。# skills/generate-mock-api/scripts/mockgen.py # 这是一个示例框架 import argparse import json import sys from .generator import generate_mock_data # 假设的逻辑 def main(): parser argparse.ArgumentParser(description‘Generate mock API data based on schema.’) parser.add_argument(‘--schema’, requiredTrue, help‘Path to JSON schema file’) parser.add_argument(‘--count’, typeint, default10, help‘Number of mock items to generate’) parser.add_argument(‘--output’, ‘-o’, default‘./mock_data.json’, help‘Output file path’) args parser.parse_args() # ... 业务逻辑读取schema生成数据写入文件 ... print(f“Mock data generated at: {args.output}”) if __name__ ‘__main__’: main()撰写 SKILL.md 文件这是最关键的一步决定了AI能否正确使用你的技能。内容模板如下# Skill: generate-mock-api ## Description Generates realistic mock JSON data from a provided JSON Schema definition. Useful for frontend development, testing, and prototyping when backend APIs are not ready. ## Use when - The user needs mock/fake data for development. - The user mentions JSON Schema, API mocking, or frontend testing. - The user wants to populate a database or UI with sample data. ## Inputs - schema (required): File path to a valid JSON Schema file. - count (optional, default10): Integer. Number of mock objects to generate. - output (optional, default‘./mock_data.json’): File path for the output JSON file. ## Outputs - A JSON file containing an array of generated mock objects that conform to the input schema. - Prints the output file path to stdout upon success. ## Examples **AI Agent调用示例** “Use the generate-mock-api skill with the schema at ./schemas/user.json to create 50 mock user records and save them to ./data/mock_users.json.” **命令行手动调用示例** bash python skills/generate-mock-api/scripts/mockgen.py --schema ./schemas/product.json --count 25 --o ./fixtures/products.jsonImplementation NotesThis skill uses theFakerlibrary for generating realistic strings, numbers, and other basic types. For complex schema constraints, it attempts to generate compliant data but may require a valid, well-defined schema for best results.添加依赖说明如果脚本有第三方依赖如Python的Faker,jsonschema库需要在技能根目录创建requirements.txt或package.json并在SKILL.md中说明。测试务必手动测试你的脚本确保各种参数组合下都能正常工作并且错误处理得当。4.2 技能开发的最佳实践与避坑指南单一职责原则一个技能只做一件事并把它做好。不要创建“瑞士军刀”式的庞大技能。例如将“处理图片”拆分为“调整图片尺寸”、“转换图片格式”、“添加水印”等多个小技能这样更灵活、更易维护。无状态与幂等性技能脚本应该是无状态的相同的输入永远产生相同的输出除非功能本身就是随机的。这符合AI Agent对确定性的要求。详尽的错误处理脚本必须能处理各种边界情况如文件不存在、参数无效、网络错误等并给出清晰、人类可读的错误信息。AI Agent需要这些信息来向用户反馈。输出标准化尽量将输出成功信息、结果文件路径、生成的数据打印到标准输出stdout或标准错误stderr。AI Agent通常通过捕获这些输出来获取技能执行结果。依赖管理明确如果技能依赖特定环境或工具如需要安装ImageMagick必须在文档中清晰说明。理想情况下脚本应在开始时检查依赖是否满足。为AI写作记住SKILL.md的读者是AI。使用清晰、结构化、无歧义的语言。明确列出触发关键词Use when和参数格式。实操心得在开发初期可以先用简单的Shell脚本或Python脚本快速实现核心逻辑并手动模拟AI调用。重点验证SKILL.md的描述是否能让AI比如你可以用Claude等模型自己测试正确理解并生成调用命令。这比先写复杂代码更重要。5. 集成与工作流让技能在你的环境中运转起来拥有技能后下一步是将其融入你的日常开发工作流。5.1 与不同AI编码助手集成Claude Code / Cursor这些工具通常通过插件或自定义指令来集成外部技能。你可能需要编写一个中间层一个简单的脚本或插件来监听AI的特定指令然后将其转发给对应的技能脚本执行并将结果返回给AI。社区可能有现成的集成方案值得关注。OpenClaw / ClawHub平台这是最原生的集成方式。你可以通过ClawHub的界面或CLI安装技能技能会直接注册到平台的技能库中。当你在平台的AI Agent对话中提及相关任务时Agent会自动检索并建议使用已安装的技能。本地脚本自动化即使不通过AI你也可以在本地Shell、Makefile或构建脚本如package.json中的scripts中直接调用这些技能脚本将它们作为你自动化流水线的一部分。5.2 构建团队内部的技能库对于团队而言可以搭建一个私有的技能仓库。创建一个内部Git仓库如GitLab或私有的GitHub仓库用于存放团队开发的技能。团队成员通过skills.sh add 内部仓库地址 --skill 技能名来安装技能。在团队Wiki或文档中维护一个技能目录说明每个技能的用途和调用方式。鼓励团队成员为常见的、重复的开发任务如“部署到测试环境”、“生成数据库迁移脚本”、“同步设计令牌”等创建技能。这种做法能将团队的最佳实践和工具链固化下来新人 onboarding 时安装一套技能就能获得大部分自动化能力极大提升团队整体效率。5.3 技能管理与版本控制技能本身也是代码应该遵循良好的版本控制实践。每个技能独立版本化虽然技能放在一个仓库里但可以考虑为每个技能目录维护独立的版本标签或变更日志。向后兼容更新技能时尽量不破坏现有的调用接口。如果必须修改应提供迁移指南并考虑在一段时间内同时支持新旧参数。依赖版本锁定在技能的requirements.txt或package-lock.json中锁定第三方库的版本避免因依赖更新导致技能行为不可预测。6. 常见问题与排查技巧实录在实际使用和开发技能的过程中你可能会遇到以下问题Q1: 安装了技能但AI Agent似乎识别不到或不会调用它排查首先检查技能是否正确安装在了AI Agent的技能搜索路径下。对于ClawHub通常需要在工作空间内“启用”该技能。其次仔细检查SKILL.md中的“Use when”部分你使用的自然语言描述是否匹配其中的关键词尝试使用更接近关键词的表述。技巧在SKILL.md的“Use when”中尽可能多地列举同义词和常见表达方式。例如对于占位图技能可以加上“mock images”, “dummy photos”, “test pictures”等。Q2: 技能脚本执行失败报错“命令未找到”或“模块不存在”。排查这是典型的依赖问题。确保运行技能脚本的环境已经安装了所有必需的依赖。查看技能目录下是否有requirements.txt、package.json或Dockerfile。技巧在技能根目录提供一个一键安装依赖的脚本例如install_deps.sh或setup.py。在SKILL.md开头显著位置注明运行环境要求。Q3: 技能执行成功但输出结果不是AI Agent或后续流程所期望的格式。排查检查技能脚本的输出。AI Agent通常期望技能将最重要的结果如生成的文件路径、获取到的关键数据打印到标准输出stdout。调试信息或日志应打印到标准错误stderr。确保你的脚本遵循了这个约定。技巧让技能输出结构化的数据如JSON这样AI更容易解析。例如成功后可输出{status: success, file_path: /path/to/file.jpg, url: https://...}。Q4: 我想贡献一个技能到hicoldcat/skills主仓库流程是怎样的流程标准的GitHub开源协作流程。Fork 主仓库到你的账户。在你的Fork中创建新分支如feat/add-my-skill。在新分支中于skills/目录下创建你的技能文件夹并完成开发。确保代码清晰包含必要的文档SKILL.md, README.md并通过测试。向主仓库发起 Pull Request (PR)详细描述你的技能功能、使用场景和实现。注意在PR之前最好先在项目Issue中讨论你的技能想法看是否符合项目范围避免重复劳动。Q5: 技能在处理大量数据或长时间运行时AI Agent会话超时了怎么办策略对于耗时长的技能设计上应支持异步或离线运行。技能可以立即返回一个任务ID或状态然后通过另一个“检查状态”的技能来获取结果。或者技能脚本本身将结果写入一个持久化存储如文件、数据库并通知用户结果位置而不是在同步会话中等待。开发和使用AI Agent技能是一个不断迭代的过程。从最简单的自动化脚本开始逐步完善其健壮性、文档和与AI的交互体验你就能打造出真正提升生产力的智能工具链。这个项目的价值在于它提供了一个清晰、可扩展的模式让开发者能够以结构化的方式将领域知识封装成AI可可靠执行的“乐高积木”。