工作流 Skill 怎么写？从 7 个顶级项目中提炼的模式与最佳实践

Posted on Written by: 青斧 In Views: Word count in article: 1.4k Reading time ≈ 5 mins.
本文逐行分析来自 OpenAI、Google Labs、obra、Trail of Bits 等团队的 7 个生产级 Skill，提炼出线性流程、决策树、循环迭代、接力棒循环、多阶段检查点等 5 种工作流 Skill 设计模式，以及防止 LLM 偷懒的通用写作技巧。

楔子

今天分享的这篇文章，在阿里巴巴和蚂蚁集团内部的技术分享平台 ATA 上，热度远超想象。可见大家在工作中，想把自己的复杂工作流/SOP写成 Skill 时，总会遇到不知道怎么写，以及写完之后 Skill 运行不符合预期的情况。

图片

在这篇文章中，青斧大佬分析了 7 个最顶尖的 Skill 案例，并根据分析结果总结了 5 种工作流 Skill 的设计模式。经过了作者青斧的授权，在这里把文章分享给大家。

本文基于对 7 个来自 OpenAI、Google Labs、obra、Trail of Bits、Dean Peters 等团队的生产级 Skill 的逐行分析，提炼出的可复用的五种 Skill 设计模式、写作技巧和反面教训。

一、Skill 是什么

Skill 是一个文件夹，核心是 SKILL.md 文件，使用 YAML frontmatter + Markdown 正文 的格式。当 LLM 判断需要某个 Skill 时，会调用 skill 工具加载它。

关键机制：Skill 本质是”知识注入”——它不会动态生成新工具，而是把指令文本注入到 LLM 的上下文中，LLM 用已有的工具（bash、read、edit 等）来执行这些指令。

Skill 文件结构

二、Frontmatter：决定 Skill 是否被加载的”门面”

字段 作用 示例
name 唯一标识符，小写连字符 test-driven-development
description 最关键——LLM 通过它决定是否加载 见下方对比

核心原则：列举触发短语、定义时序位置、包含产品关键词。

三、5 种核心设计模式

5 种核心设计模式

模式 1：线性流程

适用场景：部署、安装、迁移等有明确步骤的操作。代表：openai/skills — vercel-deploy（77 行）。

结构：Prerequisites → Quick Start → Fallback → Troubleshooting。

线性流程模式

关键技巧：安全默认值、具体命令、超时提示、降级方案、负面指令。

模式 2：决策树 + 按需加载

适用场景：大型平台选型、产品导航、问题诊断。代表：openai/skills — cloudflare-deploy（224 行）。

结构：Authentication → Quick Decision Trees（按用户意图分类）→ Product Index。

决策树模式

关键技巧：用户意图分类（用用户语言而非技术术语）、树形导航、渐进式披露（主文件 7KB，references/ 按需展开）。

模式 3：循环迭代

适用场景：TDD、代码审查、设计评审等需要反复执行的流程。代表：obra/superpowers — test-driven-development（371 行）。

结构：Iron Law（铁律）→ Red-Green-Refactor（循环体）→ Common Rationalizations（借口反驳表）→ Verification Checklist。

循环迭代模式

关键技巧：强硬语气、Good/Bad 对比、借口反驳表（预判 LLM 可能的 12 种偷懒借口）、验证清单、人类兜底。

模式 4：接力棒循环（跨 Session 持久化）

适用场景：多次迭代的长期项目。代表：google-labs-code/stitch-skills — stitch-loop（203 行）。

六步执行协议：Read the Baton → Consult Context → Generate → Integrate → Update Documentation → Prepare the Next Baton（关键！）。

接力棒循环模式

关键：文件即状态（next-prompt.md 作为接力棒），LLM 不需要记住”上次做到哪了”。

模式 5：多阶段 + 检查点 + Skill 编排

适用场景：复杂多周流程，需要在关键节点做 Go/No-Go 决策。代表：deanpeters/discovery-process（502 行）。

结构：Phase Activities → Outputs → Decision Point（YES/NO + 时间影响）。

多阶段检查点模式

特殊模式：思维框架（控制 LLM “怎么想”）

适用场景：安全审计、代码审查等需要深度思考的场景。代表：trailofbits/skills — audit-context-building（302 行）。

关键技巧：思维工具（第一性原理、5 Why、5 How）、量化阈值（”每个函数最少 3 个不变量”）、反幻觉规则。

四、通用写作技巧

防止 LLM 偷懒的 4 种武器

防止 LLM 偷懒的 4 种武器

武器 原理
强硬语气 LLM 对命令式语气的遵从率更高
借口反驳表 预判 LLM 的自我合理化路径并堵死
量化阈值 给出硬性的最低标准
负面指令 明确说”不要做 X”

知识组织的 3 层架构

知识组织 3 层架构

  • 第 1 层：Frontmatter（~100 tokens）→ LLM 扫描所有 Skill 的 description
  • 第 2 层：SKILL.md 正文（<5K tokens）→ 核心指令
  • 第 3 层：references/ 和 resources/（按需加载）→ 详细文档

五、模式选择决策树

模式选择决策树

1
2
3
4
5
6
7
你的 Skill 需要做什么？
├─ 执行有明确步骤的操作 → 模式 1：线性流程
├─ 在大量选项中帮用户选择 → 模式 2：决策树 + 按需加载
├─ 单次会话中反复执行"做→验证→改进" → 模式 3：循环迭代
├─ 跨多个 session 推进长期项目 → 模式 4：接力棒循环
├─ 跨越多天/多周，有 Go/No-Go 决策 → 模式 5：多阶段 + 检查点
└─ 需要 LLM 深度分析 → 特殊模式：思维框架

六、本文分析的 7 个 Skill 速查表

# Skill 来源 模式 行数 一句话精髓
1 vercel-deploy OpenAI 线性 77 最小但完整的 Skill 模板
2 cloudflare-deploy OpenAI 线性+决策树 224 大平台的渐进式披露
3 cloudflare OpenCode 纯决策树 211 导航型 vs 操作型
4 test-driven-development obra 循环迭代 371 堵死 LLM 偷懒的所有退路
5 stitch-loop Google Labs 接力棒循环 203 文件即状态，跨 session
6 discovery-process Dean Peters 多阶段+检查点 502 编排器模式
7 audit-context-building Trail of Bits 思维框架 302 控制 LLM “怎么想”

参考链接：
[1] openai/skills vercel-deploy: https://github.com/openai/skills/tree/main/skills/.curated/vercel-deploy
[2] openai/skills cloudflare-deploy: https://github.com/openai/skills/tree/main/skills/.curated/cloudflare-deploy
[3] obra/superpowers TDD: https://github.com/obra/superpowers/tree/main/skills/test-driven-development
[4] google-labs stitch-loop: https://github.com/google-labs-code/stitch-skills/tree/main/skills/stitch-loop
[5] deanpeters discovery-process: https://github.com/deanpeters/Product-Manager-Skills
[6] trailofbits audit: https://github.com/trailofbits/skills
[7] Agent Skills 开放标准: https://agentskills.io/
[8] anthropics/skills: https://github.com/anthropics/skills