在 AI 开发者社区，一个共识正在形成：如果你还在用长段提示词和模型对话，你已经落后了。
过去三年，我们和大模型的交互经历了三轮演进：
- • 裸提示词时代——每个人都在学习写冗长、嵌套的 prompt，"提示词工程师"成为热门岗位
- • RAG 与工具调用时代——模型需要检索知识库、调用 API、执行代码，Function Call、MCP 协议、插件系统应运而生
- • Skill 工程时代——AI 从"每次都需要手把手教"进化为"自动加载专业技能包"的智能体
但问题也随之而来：如何才能做出一个高质量、可复用、经得起考验的 Skill？
很多人以为写 Skill 就是把 prompt 存进一个 SKILL.md 文件，这远远不够。一个真正能在团队长期使用的 Skill，需要解决路由识别、质量评估、版本治理、跨平台兼容等一系列工程问题。
开源项目 yao-meta-skill 正是为此而生。
GitHub 仓库：https://github.com/yaojingang/yao-meta-skill
核心理念：构建可复用的技能包，而非长提示词
yao-meta-skill 由开发者 yaojingang 开源，核心理念一句话概括：Build reusable skill packages, not long prompts.
它的目标不是生成更多提示词文本，而是产出真正能用的 AI 资产，解决真实的业务问题。
具体来说，它提供了一套完整的工程化流程，将各种"原始材料"——工作流笔记、重复使用的提示词、会议纪要、便签操作清单——转化为结构化、可评估、可治理、可打包的 Skill 目录。
完整的工程流程
- 1. 意图对话——先厘清"技能解决什么真实问题、产出什么、不做什么"
- 2. 路由设计——用精简的 SKILL.md 作为入口文件，让 Agent 准确识别触发条件
- 3. 基准扫描——自动参考行业高质量 Skill 作为参照
- 4. 质量评估——用训练集/开发集/留出集测试路由准确率
- 5. 打包发布——支持跨平台打包（OpenAI / Claude / 通用格式）
- 6. 生命周期治理——记录迭代证据、成熟度评分、审查节奏
你可以把它理解成 "Skill 的脚手架 + CI/CD" 二合一工具。
核心亮点
亮点一：从对话式草稿到工程化成品
传统流程：脑子里想个大概 → 敲一段 SKILL.md → 复制到项目里用。
yao-meta-skill 提供完整闭环：
- 1. 原始输入（工作流笔记 / 提示词 / 文档）
- 2. 意图对话 →
reports/intent-dialogue.md - 3. 路由设计 →
SKILL.md+agents/interface.yaml - 4. 参考扫描 →
reports/reference-synthesis.md - 5. 路由评估 →
evals/trigger_cases.json - 6. 报告生成 →
reports/skill-overview.html - 7. 打包分发 → 跨平台兼容成品包
每一份证据文件都不是给外人看的文档，而是让你自己放心把 Skill 交给团队使用。
亮点二："轻量但不简陋"的哲学
它定义了三种运行模式：
- • Scaffold（脚手架模式）——个人探索或快速原型
- • Production（生产模式）——团队复用，加入质量门槛和评估
- • Library（库模式）——共享基础设施，完整治理和文档
流程的重量应该与风险成正比，这是非常务实的工程思维。
亮点三：质量评估是默认行为
最让人担忧的问题是：你怎么知道你的 Skill 写对了？
yao-meta-skill 给出多层次评估体系：
- • 触发词评估——用 train/dev/holdout 三层测试集验证路由准确性
- • 描述优化套件——多版本 description 盲评对比
- • 法官式盲评——独立评分者模型二次验证
- • 资源边界检查——确保 Skill 不越权操作
- • 治理检查——验证元数据完整性
- • 路由混淆检测——防止相似 Skill 相互干扰
亮点四：跨平台兼容
平台碎片化是 Skill 生态的痛点——Claude Code 用 ~/.claude/skills，Cursor 有自己的目录，OpenAI 又不一样。
通过 scripts/cross_packager.py，yao-meta-skill 从单一源代码打包到 OpenAI / Claude / 通用三种格式，保留中立的元数据，可移植性评分 100/100。
快速上手
克隆项目到 Agent 的 skill 目录即可使用。推荐使用 npx 命令一键链接：
npx skills add https://github.com/yaojingang/yao-meta-skill --skill yao-meta-skill典型目录结构
my-skill/
├── SKILL.md # 入口路由文件
├── agents/
│ └── interface.yaml # Agent 接口声明
├── references/ # 参考材料
├── scripts/ # 确定性脚本
├── evals/ # 评估用例
│ ├── trigger_cases.json
│ └── blind_holdout/
├── reports/ # 评估报告与迭代证据
│ ├── intent-dialogue.md
│ ├── skill-overview.html
│ ├── iteration-ledger.md
│ └── promotion-decisions.md
├── manifest.json # 治理元数据
└── VERSION
苏米注：yao-meta-skill 最大的价值不在于代码本身，而在于它沉淀了一套可操作的 Skill 工程方法论。它回答了几个关键问题：什么时候该做 Skill、什么时候只是一次性任务；哪些评估是必要的、哪些是多余的；如何在不同 Agent 平台之间保持 Skill 的一致性。对于已经开始在团队中使用 Claude Code 或其他 AI 编程助手的开发者来说，这是一套值得参考的标准化流程。