HelloEveryboby
HelloEveryboby/Butler
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/HelloEveryboby/Butler --skill skill-creator命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
基于 SOC 职业分类
| name | skill-creator |
| description | 创建新技能、修改和改进现有技能，并衡量技能性能。当用户想要从头开始创建技能、编辑或优化现有技能、运行评估以测试技能、通过方差分析衡量技能性能基准，或优化技能描述以获得更好的触发准确度时使用。 |
这是一个用于创建新技能并进行迭代改进的工具。
从高层级来看，创建技能的过程如下：
eval-viewer/generate_review.py 脚本向用户展示结果，并让他们查看定量指标使用此技能时，你的任务是确定用户处于该流程的哪个阶段，然后介入并帮助他们推进。例如，如果他们说“我想为 X 创建一个技能”，你可以帮助明确他们的意图、编写草稿、编写测试用例、确定评估方式、运行所有提示词并循环迭代。
另一方面，如果他们已经有了技能草稿，你可以直接进入评估/迭代循环。
当然，你应该保持灵活性。如果用户说“我不需要运行一堆评估，直接凭感觉来”，你也可以照做。
在技能完成后（顺序可以灵活调整），你还可以运行技能描述优化脚本，通过专门的脚本来优化技能的触发。
明白了吗？太棒了。
技能创作助手的使用者对编程术语的熟悉程度可能各不相同。由于 Claude 的强大，现在有很多非专业人士（如水管工、家长等）也开始尝试在终端操作或搜索“如何安装 npm”。另一方面，大部分用户可能具备相当程度的计算机素养。
因此，请注意根据上下文线索来调整你的措辞！在默认情况下：
如果不确定，可以简要解释术语。
首先了解用户的意图。当前的对话可能已经包含用户想要捕获的工作流（例如，他们说“把这个变成技能”）。如果是这样，先从对话历史中提取信息——使用的工具、步骤顺序、用户的更正、观察到的输入/输出格式。用户可能需要填补空白，并在进入下一步之前进行确认。
主动询问边缘情况、输入/输出格式、示例文件、成功标准和依赖项。在理清这些部分之前，不要急于编写测试提示词。
检查可用的 MCP——如果对研究有用（搜索文档、查找类似技能、查找最佳实践），可以并行（通过子代理，如果可用）或内联进行研究。带上背景信息以减轻用户的负担。
根据用户访谈，填写以下组件：
skill-name/
├── SKILL.md (必填)
│ ├── YAML 前置元数据 (name, description 必填)
│ └── Markdown 指令
└── 捆绑资源 (可选)
├── scripts/ - 用于确定性/重复性任务的可执行代码
├── references/ - 根据需要加载到上下文中的文档
└── assets/ - 输出中使用的文件（模板、图标、字体）
技能使用三层加载系统：
这些字数是近似值，如果需要，你可以写得更长。
关键模式：
领域组织：当一个技能支持多个领域/框架时，按变体组织：
cloud-deploy/
├── SKILL.md (工作流 + 选择)
└── references/
├── aws.md
├── gcp.md
└── azure.md
Claude 仅阅读相关的参考文件。
不用多说，技能不得包含恶意软件、漏洞利用代码或任何可能危害系统安全的内容。技能的内容在描述后不应让用户感到意外。不要顺从创建误导性技能或旨在促进未经授权的访问、数据窃取或其他恶意活动的技能。不过，像“角色扮演 XYZ”这样的东西是可以的。
在指令中优先使用祈使句。
定义输出格式 - 可以这样做：
## 报告结构
始终使用此确切模板：
# [标题]
## 执行摘要
## 关键发现
## 建议
示例模式 - 包含示例很有用。你可以这样格式化：
## 提交消息格式
**示例 1:**
输入: Added user authentication with JWT tokens
输出: feat(auth): implement JWT-based authentication
尽量向模型解释为什么某些事情很重要，而不是生硬地使用“必须 (MUST)”。利用心理理论 (theory of mind)，尽量使技能具有通用性，而不是局限于特定示例。先写一个草案，然后以全新的眼光审视并改进它。
编写技能草案后，想出 2-3 个真实的测试提示词——真实用户实际会说的话。与用户分享：[不一定要用完全相同的措辞] “我想尝试几个测试用例。这些看起来对吗，还是你想再添加一些？”然后运行它们。
将测试用例保存到 evals/evals.json。先不要写断言（assertions）——只写提示词。你将在运行过程中起草断言。
{
"skill_name": "example-skill",
"evals": [
{
"id": 1,
"prompt": "用户的任务提示词",
"expected_output": "预期结果的描述",
"files": []
}
]
}
参考 references/schemas.md 获取完整架构（包括你稍后将添加的 assertions 字段）。
本节是一个连续的序列——不要中途停止。不要使用 /skill-test 或任何其他测试技能。
将结果放在 <skill-name>-workspace/ 中，与技能目录并列。在工作空间内，按迭代次数组织结果（iteration-1/, iteration-2/ 等），在其中，每个测试用例都有一个目录（eval-0/, eval-1/ 等）。不要预先创建所有这些——随用随建。
对于每个测试用例，在同一次对话中启动两个子代理——一个使用技能，一个不使用。这很重要：不要先启动使用技能的运行，然后再回来运行基准线（baseline）。同时启动所有任务，以便它们大约在同一时间完成。
带技能运行：
执行此任务：
- 技能路径: <path-to-skill>
- 任务: <eval prompt>
- 输入文件: <eval files or "none">
- 保存输出至: <workspace>/iteration-<N>/eval-<ID>/with_skill/outputs/
- 需要保存的输出: <用户关心的内容 — 例如 "docx 文件", "最终的 CSV">
基准线运行（相同的提示词，但基准线取决于上下文）：
without_skill/outputs/。cp -r <skill-path> <workspace>/skill-snapshot/)，然后让基准线子代理指向该快照。保存到 old_skill/outputs/。为每个测试用例编写 eval_metadata.json（断言暂时可以为空）。为每个评估起一个基于其测试内容的描述性名称——而不仅仅是 "eval-0"。该名称也用于目录名。如果此迭代使用了新的或修改过的评估提示词，请为每个新的评估目录创建这些文件——不要假设它们会从上一次迭代中继承。
{
"eval_id": 0,
"eval_name": "描述性名称",
"prompt": "用户的任务提示词",
"assertions": []
}
不要干等着运行结束——你可以高效利用这段时间。为每个测试用例起草定量断言，并向用户解释。如果 evals/evals.json 中已经存在断言，请审阅并向用户解释它们检查的内容。
好的断言应该是客观可验证的，并具有描述性的名称——它们应该能在基准测试查看器中清晰呈现，让看结果的人一眼就能明白每项检查的是什么。主观技能（写作风格、设计质量）最好进行定性评估——不要强行在需要人类判断的事情上添加断言。
起草完成后，更新 eval_metadata.json 文件和 evals/evals.json。同时向用户解释他们将在查看器中看到什么——包括定性输出和定量基准测试。
当每个子代理任务完成时，你会收到一条包含 total_tokens 和 duration_ms 的通知。立即将此数据保存到运行目录下的 timing.json 中：
{
"total_tokens": 84852,
"duration_ms": 23332,
"total_duration_seconds": 23.3
}
这是捕获此数据的唯一机会——它通过任务通知传来，不会持久化到其他地方。收到通知时立即处理，而不是尝试批量处理。
所有运行完成后：
为每次运行评分 — 启动一个评分员子代理（或内联评分），阅读 agents/grader.md 并根据输出评估每个断言。将结果保存到每个运行目录下的 grading.json。grading.json 的 expectations 数组必须使用 text, passed, 和 evidence 字段（而不是 name/met/details 或其他变体）——查看器依赖这些确切的字段名。对于可以程序化检查的断言，编写并运行脚本而不是目测——脚本更快、更可靠，且可以跨迭代重用。
汇总到基准测试 — 在技能创作助手目录下运行汇总脚本：
python -m scripts.aggregate_benchmark <workspace>/iteration-N --skill-name <name>
这将生成 benchmark.json 和 benchmark.md，包含每个配置的通过率、时间和 Token 消耗，以及均值 ± 标准差和变化量（delta）。如果手动生成 benchmark.json，请参阅 references/schemas.md 了解查看器所需的具体架构。
将 with_skill 版本放在对应的基准线版本之前。
进行分析评估 — 阅读基准测试数据并发现汇总统计数据可能隐藏的模式。参阅 agents/analyzer.md（“分析基准测试结果”部分）了解要寻找的内容——例如无论是否有技能都始终通过的断言（无区分度）、高方差的评估（可能不稳定）以及时间/Token 的权衡。
启动查看器，展示定性输出和定量数据：
nohup python <skill-creator-path>/eval-viewer/generate_review.py \
<workspace>/iteration-N \
--skill-name "my-skill" \
--benchmark <workspace>/iteration-N/benchmark.json \
> /dev/null 2>&1 &
VIEWER_PID=$!
对于迭代 2+，还要传入 --previous-workspace <workspace>/iteration-<N-1>。
Cowork / 无头环境： 如果 webbrowser.open() 不可用或环境没有显示器，使用 --static <output_path> 写入一个独立的 HTML 文件，而不是启动服务器。当用户点击“提交所有评价 (Submit All Reviews)”时，评价将作为 feedback.json 文件下载。下载后，将 feedback.json 复制到工作区目录，以便下一次迭代读取。
注意：请使用 generate_review.py 创建查看器；无需编写自定义 HTML。
“输出 (Outputs)”标签页一次显示一个测试用例：
“基准测试 (Benchmark)”标签页显示统计摘要：每个配置的通过率、耗时和 Token 使用情况，以及每个评估的详细细分和分析观察。
通过上一个/下一个按钮或方向键导航。完成后，他们点击“提交所有评价”，将所有反馈保存到 feedback.json。
当用户告诉你他们完成时，读取 feedback.json：
{
"reviews": [
{"run_id": "eval-0-with_skill", "feedback": "图表缺少轴标签", "timestamp": "..."},
{"run_id": "eval-1-with_skill", "feedback": "", "timestamp": "..."},
{"run_id": "eval-2-with_skill", "feedback": "完美，非常喜欢", "timestamp": "..."}
],
"status": "complete"
}
空的反馈意味着用户认为它没问题。将改进重点放在用户有具体投诉的测试用例上。
使用完后杀掉查看器服务器进程：
kill $VIEWER_PID 2>/dev/null
这是循环的核心。你运行了测试用例，用户审阅了结果，现在你需要根据他们的反馈让技能变得更好。
从反馈中归纳总结。 这里的核心是我们要创建可以被使用数百万次（甚至更多）的技能，而不仅仅是针对这些特定的提示词。你和用户在这里反复迭代几个例子，是因为这有助于提高速度。用户非常了解这些例子，可以快速评估新输出。但如果你们共同开发的技能仅适用于这些例子，那它就是无用的。与其进行繁琐的过度拟合修改或生硬的强制性要求，如果存在顽固问题，你可以尝试换一种隐喻，或推荐不同的工作模式。尝试的成本相对较低，也许你会发现很棒的方案。
保持提示词精简。 删除那些不起作用的内容。务必阅读执行过程的记录（transcript），而不仅仅是最终输出——如果看起来技能让模型浪费了大量时间做无用功，你可以尝试去掉导致这种情况的部分，看看会发生什么。
解释原因 (Explain the why)。 努力解释你要求模型做的每件事背后的原因。今天的 LLM 非常聪明。它们具有良好的心理理论，在获得良好的引导时，可以超越机械的指令并真正实现目标。即使用户的反馈很简短或带有负面情绪，也要尝试真正理解任务以及用户为什么要写那些内容，然后将这种理解转化为指令。如果你发现自己使用了全大写的 ALWAYS 或 NEVER，或者使用了极其死板的结构，这是一个警示信号——如果可能，重新表述并解释理由，让模型理解为什么你要求的事情很重要。这是一种更人性化、更强大且更有效的方法。
寻找跨测试用例的重复工作。 阅读测试运行的记录，注意子代理是否都独立编写了类似的辅助脚本，或者对某事采取了相同的多步骤方法。如果所有 3 个测试用例都导致子代理编写了 create_docx.py 或 build_chart.py，这是一个强烈的信号，表明该技能应该捆绑该脚本。编写一次，放入 scripts/，并告知技能去使用它。这可以避免未来的每次调用都重复造轮子。
这项任务非常重要，你的思考时间不是瓶颈；请花时间仔细斟酌。我建议先写一个修订草案，然后重新审视并改进它。尽力进入用户的角色，理解他们的需求。
改进技能后：
iteration-<N+1>/ 目录中，包括基准线运行。如果你正在创建一个新技能，基准线始终是 without_skill（无技能）——这在多次迭代中保持不变。如果你正在改进现有技能，根据判断确定什么作为基准线：用户最初提供的原始版本，或者是上一个迭代。--previous-workspace 指向上一个迭代持续进行直到：
在需要对技能的两个版本进行更严格对比的情况下（例如，用户询问“新版本真的更好吗？”），可以使用盲测对比系统。参阅 agents/comparator.md 和 agents/analyzer.md 了解详细信息。基本思路是：将两个输出交给一个独立的代理，不告诉它哪个是哪个，让它评判质量。然后分析胜出者获胜的原因。
这是可选的，需要子代理，大多数用户不需要。人工评审循环通常已经足够。
SKILL.md 前置元数据中的 description 字段是决定 Claude 是否调用技能的主要机制。在创建或改进技能后，建议优化描述以提高触发准确率。
创建 20 个评估查询——包含应该触发和不应该触发的情况。保存为 JSON：
[
{"query": "用户提示词", "should_trigger": true},
{"query": "另一个提示词", "should_trigger": false}
]
查询必须是真实的，是 Claude Code 或 Claude.ai 用户实际会输入的内容。不是抽象的要求，而是具体、详细的请求。例如，包含文件路径、关于用户工作或处境的个人背景、列名和数值、公司名称、URL。一些背景故事。可能包含小写、缩写、拼写错误或日常用语。混合使用不同的长度，并专注于边缘情况，而不是非黑即白（用户将有机会进行审核）。
不好: "格式化这些数据", "从 PDF 提取文本", "创建一个图表"
好: "好的，我老板刚给我发了这个 xlsx 文件（在我的下载文件夹里，名字叫 'Q4 sales final FINAL v2.xlsx' 之类的），她想让我增加一列显示利润率。收入在 C 列，成本我觉得在 D 列。"
对于应该触发 (should-trigger) 的查询 (8-10 个)，考虑覆盖范围。你需要对同一意图使用不同的表述——有正式的，也有非正式的。包含用户没有明确提及技能或文件类型但显然需要它的情况。加入一些不常见的用例，以及该技能与其他技能竞争但应该胜出的情况。
对于不应触发 (should-not-trigger) 的查询 (8-10 个)，最有价值的是那些“差一点就触发”的查询——那些与技能共享关键字或概念但实际上需要其他处理的查询。考虑相邻领域、不成熟的关键字匹配会触发但实际上不该触发的模糊表述，以及查询涉及技能所做的事情但在另一个工具更合适的情况下。
关键要避免：不要让“不应触发”的查询变得显而易见地无关。对于 PDF 技能，“编写斐波那契函数”作为一个负面测试太简单了——它测不出任何东西。负面案例应该是真正棘手的。
使用 HTML 模板将评估集展示给用户审阅：
assets/eval_review.html 中的模板__EVAL_DATA_PLACEHOLDER__ → 评估项的 JSON 数组（不用加引号 — 它是 JS 变量赋值）__SKILL_NAME_PLACEHOLDER__ → 技能名称__SKILL_DESCRIPTION_PLACEHOLDER__ → 技能当前的描述/tmp/eval_review_<skill-name>.html）并打开：open /tmp/eval_review_<skill-name>.html~/Downloads/eval_set.json — 检查下载文件夹以获取最新版本，防止存在多个同名文件。这一步非常重要——差的评估查询会导致差的描述。
告知用户：“这需要一些时间 — 我将在后台运行优化循环并定期查看。”
将评估集保存到工作空间，然后在后台运行：
python -m scripts.run_loop \
--eval-set <path-to-trigger-eval.json> \
--skill-path <path-to-skill> \
--model <model-id-powering-this-session> \
--max-iterations 5 \
--verbose
使用当前会话的模型 ID，以便触发测试符合用户的实际体验。
运行时，定期查看输出，向用户更新当前的迭代进度和得分情况。
这会自动处理完整的优化循环。它将评估集分为 60% 训练集和 40% 留出测试集，评估当前描述（每个查询运行 3 次以获得可靠的触发率），然后调用 Claude 根据失败案例提出改进建议。它在训练集和测试集上重新评估每个新描述，最多迭代 5 次。完成后，它会在浏览器中打开一个 HTML 报告，显示每次迭代的结果，并返回带有 best_description 的 JSON——按测试得分而非训练得分选择，以避免过度拟合。
了解触发机制有助于设计更好的评估查询。技能以名称 + 描述的形式出现在 Claude 的 available_skills 列表中，Claude 根据描述决定是否咨询技能。重要的一点是，Claude 仅在无法靠自己轻松处理任务时才会咨询技能——对于简单的、一步到位的查询（如“阅读此 PDF”），即使描述完全匹配，也可能不会触发技能，因为 Claude 可以直接使用基础工具处理。复杂、多步骤或专业化的查询在描述匹配时会可靠地触发技能。
这意味着你的评估查询应该足够充实，以便 Claude 能真正从咨询技能中受益。像“读取文件 X”这样的简单查询是糟糕的测试用例——无论描述质量如何，它们都不会触发技能。
从 JSON 输出中获取 best_description 并更新技能 SKILL.md 的前置元数据。向用户展示修改前后的对比并报告得分。
present_files 工具可用时）检查你是否有权访问 present_files 工具。如果没有，请跳过此步骤。如果有，打包技能并将 .skill 文件呈现给用户：
python -m scripts.package_skill <path/to/skill-folder>
打包后，指引用户到生成的 .skill 文件路径，以便他们安装。
在 Claude.ai 中，核心流程是相同的（起草 → 测试 → 审阅 → 改进 → 重复），但由于 Claude.ai 没有子代理 (subagents)，一些机制会有所调整：
运行测试用例：没有子代理意味着没有并行执行。对于每个测试用例，阅读技能的 SKILL.md，然后按照其指令亲自完成测试提示词任务。一次做一个。这不如独立子代理那么严谨（因为是你编写了技能且你在运行它，所以你拥有完整的背景信息），但这是一个有用的健全性检查——人类评审步骤会弥补这一点。跳过基准线运行——直接使用技能完成请求的任务。
审阅结果：如果你无法打开浏览器（例如，Claude.ai 的虚拟机没有显示器，或者你在远程服务器上），请跳过浏览器查看器。直接在对话中呈现结果。对于每个测试用例，显示提示词和输出。如果输出是用户需要查看的文件（如 .docx 或 .xlsx），将其保存到文件系统并告知其位置，以便他们下载检查。在线询问反馈：“这个看起来怎么样？有什么想修改的吗？”
基准测试：跳过定量基准测试——它依赖于基准线对比，而没有子代理的情况下基准线对比没有意义。专注于来自用户的定性反馈。
迭代循环：与之前相同——改进技能，重新运行测试用例，征求反馈——只是中间没有浏览器查看器。如果文件系统允许，你仍然可以在文件系统上将结果组织到迭代目录中。
描述优化：此部分需要 claude CLI 工具（特别是 claude -p），该工具仅在 Claude Code 中可用。如果你在 Claude.ai 上，请跳过。
盲测对比：需要子代理。跳过。
打包：package_skill.py 脚本在任何有 Python 和文件系统的地方都可以运行。在 Claude.ai 上，你可以运行它，用户可以下载生成的 .skill 文件。
更新现有技能：用户可能要求你更新现有技能，而不是创建新技能。在这种情况下：
name 字段 —— 保持不变地使用它们。例如，如果安装的技能是 research-helper，输出 research-helper.skill（而不是 research-helper-v2）。/tmp/skill-name/，在那里编辑，并从副本中打包。/tmp/，然后复制到输出目录 —— 由于权限问题，直接写入可能会失败。如果你在 Cowork 中，需要了解的主要事项是：
--static <output_path> 写入一个独立的 HTML 文件，而不是启动服务器。然后提供一个链接，用户可以点击该链接在他们的浏览器中打开该 HTML。generate_review.py（而不是编写自己的 HTML 代码）生成评估查看器，供人类在你自己修订技能和尝试更正之前查看示例。在此提前致歉，但我必须在这里使用全大写：在你自己评估输入之前生成评估查看器。你要尽快将它们展示在人类面前！feedback.json 作为文件下载。然后你可以从那里读取它（你可能需要先请求访问权限）。package_skill.py 只需要 Python 和文件系统。run_loop.py / run_eval.py) 在 Cowork 中应该运行良好，因为它通过子进程使用 claude -p，而不是浏览器，但请等到你完全完成技能制作且用户同意其状况良好后再进行。agents/ 目录包含专用子代理的指令。当你需要启动相关子代理时，请阅读它们。
agents/grader.md — 如何根据输出评估断言agents/comparator.md — 如何对两个输出进行盲测 A/B 对比agents/analyzer.md — 如何分析一个版本优于另一个版本的原因references/ 目录有补充文档：
references/schemas.md — evals.json, grading.json 等的 JSON 结构。再次重复核心循环以示强调：
eval-viewer/generate_review.py 以帮助用户审阅如果你的 TodoList（或者类似的东西）中有相关步骤，请添加它们以确保你不会忘记。如果你在 Cowork 中，请专门将“创建 evals JSON 并运行 eval-viewer/generate_review.py 以便人类审阅测试用例”放入你的 TodoList 以确保它发生。
祝你好运！