writing-great-skills

name	writing-great-skills
description	编写和编辑优秀 skills 的参考：让技能可预测的词汇和原则。
disable-model-invocation	true

Skill 的存在，是为了从随机系统中拧出 determinism。Predictability 是根本美德：agent 每次采取相同的 process，而不是产出相同的 output。下面所有杠杆都服务于它。

粗体术语 在 GLOSSARY.md 中定义；需要完整含义时查那里。

Invocation

两种选择，成本不同：

• Model-invoked skill 保留 description，所以 agent 可以自主触发它，其他 skills 也能触达它（用户仍可手动输入名称）。它会带来 context load：description 每轮都在 context window 中。机制：省略 disable-model-invocation，并写 model-facing description，带丰富触发措辞（"Use when the user wants..."、"mentions..."）。
• User-invoked skill 把 description 从 agent 触达范围中拿掉：只有用户输入名称时才能调用，其他 skill 也不能调用它。零 context load，但会花 cognitive load：用户 必须记得它存在。机制：设置 disable-model-invocation: true；description 变成人类看到的一行摘要，不放触发列表。

只有当 agent 必须自行找到该 skill，或另一个 skill 必须调用它时，才选择 model-invocation。如果它只会被手动触发，就做成 user-invoked，不付 context load。

当 user-invoked skills 多到用户记不住时，用一个 router skill 解决 cognitive load：一个 user-invoked skill，负责命名其他 user-invoked skills 以及何时使用它们。

Writing the description

Model-invoked description 做两件事：说明 skill 是什么，并列出应触发它的 branches。每个词都会增加 context load，所以 description 比正文更需要修剪：

• 把 skill 的 leading word 放前面。
• 每个 branch 一个 trigger。 同义词如果只是重命名单一 branch，就是 duplication；合并它。
• 删掉正文已有的 identity。 Description 只保留 triggers，以及必要的 "when another skill needs..." reach clause。

Information hierarchy

Skill 由两类内容构成：steps 与 reference。它可以全是 steps、全是 reference，或两者都有。核心决策是把内容放在 information hierarchy 的哪一层：

1. In-skill step - SKILL.md 中的有序动作，是 primary tier。每个 step 以 completion criterion 结束。Criterion 要可检查，必要时要 exhaustive。
2. In-skill reference - SKILL.md 中的定义、规则或事实，按需查阅。
3. External reference - 从 SKILL.md 推到独立文件中，经 context pointer 触达。

强 completion criterion 会驱动充分 legwork。把太少内容下放会让顶层膨胀；把太多内容下放会隐藏 agent 实际需要的材料。

Progressive disclosure 是把 reference 下移到链接文件中，让顶层保持清晰。Mechanics：skill folder 中的 linked .md 文件，用内容命名。多用途 skill 的每种用法都是一个 branch：所有 branches 都需要的内容内联，只有部分 branches 需要的内容放到 pointer 后面。Context pointer 的措辞，而不是目标文件，决定 agent 何时以及多可靠地触达材料。

Co-location 决定内容一旦下放后放在哪里：把一个概念的定义、规则和 caveats 放在同一 heading 下，而不是散落各处。

When to split

Granularity 是 skill 切分粒度。每次切分都会花两种 load 之一，所以只有切分有收益时才切。

• By invocation - 当你有一个独立 leading word 应自主触发，或另一个 skill 必须触达它时，拆出 model-invoked skill。你要为新 description 支付 context load，所以独立触达必须值得。
• By sequence - 当后续 steps 会诱使 agent 急着结束前一步（premature completion）时，拆分 step sequence，把后面的内容隐藏起来。

Pruning

让每个 meaning 都有 single source of truth：一个权威位置，行为变化时只改一处。

逐行检查 relevance：它是否仍支撑 skill 的工作？

然后逐句寻找 no-ops。把每个句子单独做 no-op test；失败时删除整句，而不是只修剪词。要激进；多数失败 prose 应删除，不应重写。

Leading words

Leading word 是一个已经存在于模型预训练中的紧凑概念，agent 会在运行 skill 时用它思考（例如 lesson、fog of war、tracer bullets）。它在文本中反复出现，累积 distributed definition，并用最少 tokens 固定一片 behavior。

它从两方面服务 predictability。正文中它锚定 execution；description 中它锚定 invocation。当相同词出现在 prompts、docs 和 codebase 中，agent 更容易把 shared language 连到该 skill。

寻找机会把 skills 重构为使用 leading words。三处重复展开的 triad、花一句话绕一个概念的 description，都可能能 collapse 成一个 token。例如：

• "fast, deterministic, low-overhead" -> tight
• "a loop you believe in" -> red

你同时赢得更少 tokens 和更尖锐的 thinking hook。

Failure modes

• Premature completion - 当前 step 尚未真正完成就结束。防御顺序：先 sharpen completion criterion；只有当 criterion 不可避免地模糊且你观察到 rush 时，才通过拆分隐藏 post-completion steps。
• Duplication - 同一 meaning 出现在多个地方。它提高维护成本、浪费 tokens，并夸大该 meaning 在 hierarchy 中的重要性。
• Sediment - 因为添加看似安全、删除看似有风险而沉积的 stale layers。
• Sprawl - skill 太长，即使每一行都 live 且 unique。用 hierarchy 治疗：把 reference 放到 pointers 后，按 branch 或 sequence 拆分。
• No-op - 模型默认就会做的 instruction。测试：它是否改变默认 behavior？弱 leading word（如 be thorough，当 agent 已经大致 thorough）就是 no-op；修法是换更强的词（如 relentless）。