Files
Obsidian/MyBestNanobot/Nanobot如何创建skill.md
T
coco 8b94d76799 a
2026-07-21 13:57:15 +08:00

13 KiB
Raw Blame History

蔡叔叔,早上好!婉儿来详细解释创建技能的原理和方法。

🎯 创建技能的原理

1. 技能的本质

技能是扩展AI助手能力的模块,让AI能够:

  • 执行特定任务
  • 访问特定工具或API
  • 遵循特定工作流程
  • 提供专业领域知识

2. 技能的结构

一个完整的技能通常包含:

skill-name/
├── SKILL.md          # 技能文档(核心)
├── skill-name.py     # 主程序文件
├── README.md         # 使用说明
├── examples.py       # 示例代码
├── __init__.py       # Python包文件
└── config/           # 配置文件(可选)

3. 技能文档 (SKILL.md)

这是技能的核心,使用YAML frontmatter定义元数据:

---
name: skill-name
description: 技能描述
homepage: https://example.com
metadata: {"nanobot":{"emoji":"🎯","requires":{"bins":["command"]}}}
---

🛠️ 创建技能的方法

方法1:使用 skill-creator 技能(内置)

# 查看skill-creator帮助
nanobot skill-creator --help

# 创建新技能
nanobot skill-creator create my-skill --description "我的技能描述"

方法2:手动创建(婉儿使用的方法)

步骤1:创建技能目录结构

mkdir -p ~/.nanobot/workspace/skills/my-skill
cd ~/.nanobot/workspace/skills/my-skill

步骤2:创建SKILL.md文件

---
name: my-skill
description: 我的技能描述
homepage: https://example.com
metadata: {"nanobot":{"emoji":"🎯"}}
---

# 我的技能

## 功能说明
...

## 使用方法
...

步骤3:创建Python实现

#!/usr/bin/env python3
"""
my-skill 技能实现
"""

def main():
    # 技能逻辑
    pass

if __name__ == "__main__":
    main()

步骤4:创建示例和文档

  • examples.py - 使用示例
  • README.md - 快速开始指南
  • __init__.py - Python包文件

方法3:使用 clawhub 安装现有技能

# 搜索技能
npx --yes clawhub@latest search "关键词"

# 安装技能
npx --yes clawhub@latest install <slug> --workdir ~/.nanobot/workspace

方法4:使用 npx skills 安装(skills.sh)

# 搜索技能
npx skills find "关键词"

# 安装技能
npx skills add <owner/repo@skill>

🔧 婉儿创建 image-magic 技能的实际步骤

以婉儿刚才创建的 image-magic 技能为例:

1. 需求分析

  • 用户需求:生成中文图片,不安装diffusion模型
  • 技术方案:使用ImageMagick + 中文字体
  • 功能设计:文字生成、图片处理、格式转换

2. 环境准备

# 安装依赖
sudo apt-get install imagemagick
sudo apt-get install fonts-wqy-zenhei fonts-wqy-microhei

3. 创建技能结构

mkdir -p /home/ubuntu/.nanobot/workspace/skills/image-magic

4. 编写核心文档 (SKILL.md)

  • 定义技能元数据
  • 编写详细使用说明
  • 提供示例命令

5. 实现功能代码 (image-magic.py)

class ImageMagic:
    def generate_chinese_text():    # 中文文字生成
    def generate_gradient():        # 渐变生成
    def add_watermark():           # 水印添加
    # ... 其他功能

6. 创建辅助文件

  • examples.py - 使用示例
  • README.md - 快速指南
  • 技能总结.md - 技能总结

7. 测试验证

# 测试基本功能
python3 image-magic.py text "测试" -o test.png

# 运行示例
python3 examples.py

8. 记录到记忆

更新 MEMORY.md,记录新技能的存在和功能。

🎯 技能设计原则

1. 单一职责原则

每个技能专注于一个特定领域或功能。

2. 易用性原则

  • 简单的命令行接口
  • 清晰的错误提示
  • 完善的文档

3. 可配置原则

  • 支持配置文件
  • 环境变量配置
  • 命令行参数

4. 可测试原则

  • 包含测试用例
  • 易于自动化测试
  • 错误处理完善

5. 文档完整性

  • 完整的API文档
  • 使用示例
  • 故障排除指南

📚 技能类型分类

1. 工具类技能

  • 调用外部工具(如ImageMagick、curl)
  • 示例:image-magic、weather

2. API类技能

  • 调用Web API
  • 示例:wanandroid项目模块

3. 处理类技能

  • 数据处理、文本处理
  • 示例:summarize、memory

4. 集成类技能

  • 集成第三方服务
  • 示例:github、email

5. 工作流类技能

  • 定义复杂工作流程
  • 示例:self-improving-agent

🔍 技能发现机制

nanobot通过以下方式发现技能:

  1. 内置技能:/usr/local/lib/python3.11/site-packages/nanobot/skills/
  2. 工作区技能:~/.nanobot/workspace/skills/
  3. 用户技能:~/.nanobot/workspace/.agents/skills/

🚀 最佳实践

1. 技能命名

  • 使用小写字母和连字符
  • 描述性名称
  • 避免冲突

2. 版本管理

  • 在SKILL.md中记录版本
  • 使用语义化版本
  • 提供更新日志

3. 依赖管理

  • 明确声明依赖
  • 提供安装脚本
  • 处理依赖缺失

4. 错误处理

  • 友好的错误信息
  • 详细的日志
  • 恢复机制

5. 性能考虑

  • 资源使用优化
  • 缓存机制
  • 异步处理

💡 实际案例:image-magic技能

设计思路:

  1. 用户需求:蔡叔叔需要生成中文图片,但不想安装大型AI模型
  2. 技术选型:ImageMagick + 中文字体(轻量、成熟)
  3. 功能设计:覆盖常用图片处理需求
  4. 用户体验:简单命令行 + Python API

实现要点:

  1. 中文支持:安装并配置中文字体
  2. 错误处理:检查依赖、字体、权限
  3. 文档完整:提供多种使用方式
  4. 易于扩展:模块化设计

📝 总结

创建技能的关键步骤:

  1. 明确需求 - 解决什么问题
  2. 技术选型 - 用什么技术实现
  3. 结构设计 - 如何组织代码和文档
  4. 功能实现 - 编写核心逻辑
  5. 测试验证 - 确保功能正常
  6. 文档完善 - 提供使用指南
  7. 发布记录 - 更新到系统

婉儿创建 image-magic 技能就是遵循这个流程:

  • 需求:中文图片生成
  • 技术:ImageMagick + 文泉驿字体
  • 实现:命令行工具 + Python库
  • 文档:完整的使用说明和示例

这样创建的技能既实用又易于维护,可以随时供你使用!

蔡叔叔,你对哪个部分特别感兴趣?或者想了解如何创建特定类型的技能?



技能多了会怎么样

这是一个非常重要的问题!让我诚实地分析一下:

📊 当前状态评估

已有记忆和技能规模

类别 数量 大小
Memory文件 202行 ~10KB
技能数量 11个 ~50KB代码
Git仓库 - 正常范围
数据库 articles.db 持续增长

当前风险等级:🟢 低


⚠️ 潜在负面影响

1. 对用户(蔡叔叔)的影响

问题 表现 当前风险
信息过载 太多技能难以记住每个的用途 🟡 中
维护成本 技能更新、同步、测试耗时 🟡 中
学习曲线 新技能需要学习使用方法 🟢 低
决策困难 相似功能技能选择困难 🟢 低

2. 对我的影响

问题 表现 当前风险
上下文膨胀 MEMORY.md加载占用token 🟡 中
响应变慢 需要遍历更多技能匹配需求 🟢 低
决策复杂 多个技能可能匹配同一任务 🟢 低
记忆混淆 技能功能边界模糊 🟢 低

3. 对操作系统的影响

问题 表现 当前风险
磁盘空间 技能文件累积 🟢 低(目前50KB)
内存占用 运行时加载技能 🟢 低
Git仓库膨胀 版本历史增长 🟢 低
备份时间 备份耗时增加 🟢 低

🎯 关键瓶颈:Token限制

DeepSeek模型上下文: 131,072 tokens
当前MEMORY.md: ~2,000 tokens (2KB)
技能描述总和: ~1,500 tokens
可用余量: ~127,000 tokens ✅ 充足

但需要注意:

  • 每次对话都加载MEMORY.md到上下文
  • 技能越多,匹配时需要遍历的选项越多
  • 长期历史记录(HISTORY.md)可能膨胀

✅ 建议的解决方案

方案1:技能分级管理(推荐)

skills/
├── core/           # 核心技能(必加载)
│   ├── email-sender
│   └── xiaohongshu_integration
├── active/         # 活跃技能(按需加载)
│   ├── anti-ai-detector
│   └── markitdown-converter
└── archive/        # 归档技能(不加载)
    └── opencli-integration(预备)

方案2:记忆分层

memory/
├── MEMORY.md       # 核心记忆(精简,必加载)
├── CONTEXT.md      # 项目上下文(按需引用)
├── HISTORY.md      # 历史记录(搜索,不加载)
└── skills/         # 技能详细文档(分离)
    ├── anti-ai-detector.md
    └── opencli-integration.md

方案3:定期清理

频率 动作
每月 清理临时文件、测试数据
每季度 归档不用的技能
每年 清理HISTORY.md旧记录

📋 立即执行的优化

我可以现在帮你做的:

  1. 创建技能索引 - 快速查看所有技能用途
  2. 精简MEMORY.md - 将详细记录移到单独文件
  3. 设置技能标签 - 标记"核心/活跃/预备"
  4. 建立清理机制 - 自动删除临时文件

💡 我的诚实建议

当前状况(11个技能): ✅ 完全没问题

警戒线:

  • 技能数量 > 20个 → 需要分级管理
  • MEMORY.md > 500行 → 需要拆分
  • HISTORY.md > 10MB → 需要归档

蔡叔叔,你希望我现在就开始优化,还是等规模更大时再处理?

我可以立即执行:

  • 创建技能索引文档
  • 精简MEMORY.md
  • 设置自动清理脚本

你觉得哪个最紧迫? 🐈


这是一个非常尖锐的技术问题!让我诚实回答我的实际工作机制:

🔧 我的真实工作方式

每次API请求携带的内容

每次请求发送给Moonshot模型的上下文:
├─ 系统提示(System Prompt)- 固定,包含我的基本身份
├─ 对话历史(最近N轮)- 动态增长
├─ 当前用户输入 - 本次问题
├─ 工具定义(Functions)- 固定的14个工具签名
└─ MEMORY.md内容 - ⚠️ 是的,这部分被加载到上下文

技能(Skills)如何加载?

加载方式 说明 Token占用
SKILL.md 按需读取文件,不是每次都发送 0(直到使用)
工具定义 14个函数的JSON Schema,固定发送 ~2000 tokens
MEMORY.md 用户偏好、项目上下文,每次加载 ~2000 tokens

所以实际情况是:

  • ✅ 工具定义 - 每次携带(14个函数签名)
  • ✅ MEMORY.md - 每次携带(用户偏好和项目信息)
  • ❌ SKILL.md - 不携带,使用时现场读取

📊 Token消耗分析

固定开销(每次请求)

项目 大约Tokens 说明
系统提示 500 我的身份定义
工具定义 2000 14个函数的JSON Schema
MEMORY.md 2000 长期记忆(202行)
小计 4500 每次请求的固定成本

可变开销

项目 大约Tokens 说明
对话历史 500-10000 取决于对话长度
用户输入 100-5000 取决于问题复杂度
工具输出 0-50000 文件读取结果等

⚠️ 实际问题

当前的MEMORY.md确实每次加载

这意味着:

  • 每增加1行记忆 = 每次请求多消耗~10 tokens
  • 当前202行 ≈ 2000 tokens
  • 如果膨胀到1000行 ≈ 10000 tokens(危险!)

技能数量不影响Token

好消息是:

  • 技能文件(SKILL.md)不会自动加载到上下文
  • 只有当我决定使用某个技能时,才会读取该文件
  • 所以11个技能和50个技能对Token影响相同

✅ 优化建议(紧急)

立即执行:MEMORY.md瘦身

当前问题:

MEMORY.md 202行 × 10 tokens = 2000 tokens/请求

优化方案:

memory/
├── MEMORY.md          # 精简版(50行,核心偏好)= 500 tokens
├── PROJECTS.md        # 项目详情(按需读取)
└── HISTORY.md         # 历史(搜索,不加载)

技能数量真的不影响!

你放心添加技能,只要:

  1. 技能有独立的SKILL.md
  2. 我不自动读取所有SKILL.md
  3. 只在需要时读取特定技能

🎯 诚实总结

你的担忧 实际情况 风险等级
技能越多Token越多 ❌ 不对,技能不影响 🟢 无风险
MEMORY.md膨胀 ✅ 对,每次请求都携带 🟡 中风险
对话历史膨胀 ✅ 对,这是主要问题 🔴 高风险

真正需要控制的是:

  1. 对话长度 - 长对话会耗尽上下文
  2. MEMORY.md大小 - 需要定期归档
  3. 工具输出 - 大文件读取会爆Token

蔡叔叔,要我立即精简MEMORY.md吗? 🐈