菜单
创建新技能 (Skill)、修改和改进现有技能，并通过评估驱动的迭代来衡量技能性能。在用户希望从头创建技能、编辑或优化现有技能、运行评估测试技能、通过方差分析对技能性能进行基准测试，或优化技能描述以提高触发准确性时使用。也适用于用户说‘把它变成技能’、‘为 X 创建技能’、‘改进这个技能’、‘测试这个技能’、‘对这个技能运行评估’，或提及技能描述、技能触发、技能质量时。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
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/lza6/Claude-code-cli-config --skill skill-creator-pro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-pro |
| description | 创建新技能 (Skill)、修改和改进现有技能，并通过评估驱动的迭代来衡量技能性能。在用户希望从头创建技能、编辑或优化现有技能、运行评估测试技能、通过方差分析对技能性能进行基准测试，或优化技能描述以提高触发准确性时使用。也适用于用户说‘把它变成技能’、‘为 X 创建技能’、‘改进这个技能’、‘测试这个技能’、‘对这个技能运行评估’，或提及技能描述、技能触发、技能质量时。 |
受到 Anthropic 的 Claude Code 技能创建者的启发和改编 (https://github.com/anthropics/skills/tree/main/skills/skill-creator)。 根据 Apache 2.0 获得许可。
用于创建新的 OpenClaw 技能并通过评估驱动的开发迭代改进它们的技能。
您的工作是找出用户在此过程中的位置并帮助他们进步。也许他们想从头开始创建一项新技能，或者他们可能已经有了草案并想要迭代。保持灵活性 —— 如果用户说“只是和我一起交流”，请跳过正式的评估循环。
技能完成后，还可以运行描述优化器来提高触发精度。
根据用户的技术水平调整您的沟通方式。留意上下文线索：
首先了解用户的意图。当前对话可能已经包含要捕获的工作流程（例如，“将其转化为技能”）。如果是这样，请首先从对话历史记录中提取答案 —— 使用的工具、步骤顺序、所做的更正、输入/输出格式。用户可能需要填补空白，并应在继续之前确认。
主动询问边缘情况、输入/输出格式、示例文件、成功标准和依赖性。解决这些问题后再编写测试提示词 (Prompt)。
根据访谈内容，填写：
有关整个评估系统中使用的详细 JSON 模式，请参阅 "references/schemas.md"。
skill-name/
├── SKILL.md (必填)
│ ├── YAML frontmatter (必填：name, description)
│ └── Markdown 指令
└── 捆绑资源 (可选)
├── scripts/ - 可执行代码
├── references/ - 根据需要加载到上下文的文档
└── assets/ - 输出中使用的文件 (模板、图标、字体)
技能采用三级加载系统：
将 SKILL.md 控制在 500 行以内；使用 references/ 来存放溢出的内容。
在指令中使用命令式。解释为什么事情很重要 —— 今天的 LLM 很聪明，并且比严格的“必须”更能对推理做出反应。包含有帮助的示例。使技能具有普遍性，而不是局限于特定示例。
写完技能草稿后，创建 2-3 个真实的测试提示词 (Prompt)。与用户分享以供审阅。保存到 "evals/evals.json"：
{
"skill_name": "example-skill",
"evals": [
{
"id": 1,
"prompt": "用户任务提示词 (Prompt)",
"expected_output": "预期结果描述",
"files": []
}
]
}
将结果放入 <skill-name>-workspace/ 中，作为技能目录的同级目录。按迭代 (iteration-1/, iteration-2/ 等) 组织 eval-0/, eval-1/ 等中的每个测试用例。
对于每个测试用例，生成两个子代理 —— 一个具有技能，一个没有 (基线)。立即启动所有内容，以便它们大约在同一时间完成。
带技能运行 —— 生成一个子代理，其指令如下：
执行此任务：
- 技能路径: <path-to-skill>
- 任务: <eval prompt>
- 输入文件: <eval files if any>
- 保存输出至: <workspace>/iteration-N/eval-ID/with_skill/outputs/
基线运行 —— 没有技能的相同提示词 (Prompt)，保存到 without_skill/outputs/。
为每个测试用例编写一个 eval_metadata.json：
{
"eval_id": 0,
"eval_name": "此处填写描述性名称",
"prompt": "用户任务提示词 (Prompt)",
"assertions": []
}
为每个测试用例起草定量断言。好的断言是客观可验证的，并且有描述性的名称。使用断言更新 eval_metadata.json 和 evals/evals.json。
当每个子代理完成时，将耗时数据保存到 timing.json：
{
"total_tokens": 84852,
"duration_ms": 23332,
"total_duration_seconds": 23.3
}
全部运行完成后：
对每次运行进行评分 —— 阅读 agents/grader.md 并根据输出评估断言。保存到 grading.json。grading.json 的期望数组必须使用字段 "text"、"passed" 和 "evidence"。对于可通过编程检查的断言，编写并运行脚本。
聚合到基准测试 —— 从该技能的目录运行：
python -m scripts.aggregate_benchmark <workspace>/iteration-N --skill-name <name>
分析师阶段 —— 阅读 agents/analyzer.md 并了解聚合统计数据可能隐藏的表面模式。
启动查看器 —— 在 OpenClaw 中始终使用 --static 模式：
python <skill-creator-pro-path>/eval-viewer/generate_review.py \
<workspace>/iteration-N \
--skill-name "my-skill" \
--benchmark <workspace>/iteration-N/benchmark.json \
--static <workspace>/iteration-N/review.html
对于迭代 2+，还传递 --previous-workspace <workspace>/iteration-<N-1>。
然后将 HTML 文件发送给用户：
message(action=send, filePath="<workspace>/iteration-N/review.html")
或者通过 Canvas 工具（如果可用）呈现它。
在自己评估结果之前*生成评估查看器。尽快将它们呈现在用户面前！
查看器的“提交所有评论”按钮会下载 feedback.json。当用户提供它时阅读它：
{
"reviews": [
{"run_id": "eval-0-with_skill", "feedback": "图表缺少轴标签", "timestamp": "..."}
],
"status": "complete"
}
空反馈意味着用户认为没问题。将改进重点放在具有具体建议的测试用例上。
根据反馈进行概括。 不要过度拟合具体示例。该技能将在不同的提示词 (Prompt) 中多次使用。尝试不同的隐喻或模式，而不是繁琐的改变或压抑的“必须”。
保持精简。 删除那些不起作用的东西。阅读执行记录 —— 如果该技能导致工作效率低下，请修剪这些部分。
解释原因。 LLM 对推理的反应比对严格规则的反应更好。如果您发现自己用大写字母写“总是”或“从不”，请重新解释并说明原因。
寻找重复的工作。 如果所有测试用例独立编写类似的辅助脚本，则将该脚本捆绑在 scripts/ 中，以节省将来的调用，避免重复造轮子。
iteration-<N+1>/ 中，包括基线--previous-workspace 启动查看器继续下去，直到用户满意、反馈都是空的，或者您没有取得有意义的进展。
要严格比较两个技能版本，请阅读 agents/comparator.md 和 agents/analyzer.md。将两个输出提供给独立的子代理，而不透露哪个是哪个。这是可选的 —— 人工审核通常就足够了。
描述 (Description) 字段是主要的触发机制。创建或改进一项技能后，主动提出对其进行优化。
创建 20 个评估查询 —— 应该触发和不应该触发的混合。保存为 JSON：
[
{"query": "真实的用户提示词 (Prompt)", "should_trigger": true},
{"query": "擦肩而过的提示词 (Prompt)", "should_trigger": false}
]
查询必须是真实的 —— 包括文件路径、个人上下文、列名称、随意的言语、拼写错误。关注边缘情况，而不是明确的情况。不应该触发的查询应该是“未遂”事件，而不是明显不相关的查询。
使用 assets/eval_review.html 中的 HTML 模板呈现评估集。替换占位符：
__EVAL_DATA_PLACEHOLDER__ → JSON 数组__SKILL_NAME_PLACEHOLDER__ → 技能名称__SKILL_DESCRIPTION_PLACEHOLDER__ → 当前描述写入临时文件并通过 message(action=send, filePath=...) 发送或通过 Canvas 呈现。
描述优化循环需要 CLI 访问权限才能运行 eval 查询。在 OpenClaw 中，使用改编的脚本：
python -m scripts.run_loop \
--eval-set <path-to-trigger-eval.json> \
--skill-path <path-to-skill> \
--model <model-id> \
--max-iterations 5 \
--verbose
注意：run_eval.py 和 run_loop.py 脚本使用 claude -p 来触发测试。在没有 claude CLI 的 OpenClaw 环境中，您可以手动运行描述优化：通过生成子代理来评估每个查询，检查它是否会触发技能，然后使用 improve_description.py 的逻辑生成更好的描述。
从输出中获取 best_description 并更新技能的 SKILL.md frontmatter。显示优化前后的对比并报告分数。
打包分发技能：
python -m scripts.package_skill <path/to/skill-folder>
然后通过 message(action=send, filePath=...) 将 .skill 文件发送给用户。
OpenClaw 使用子代理来并行测试执行。当生成测试运行时：
SKILL.md 并按照其说明进行操作由于 OpenClaw 可能没有浏览器显示：
--static 模式和 generate_review.py 来创建独立的 HTMLmessage(action=send, filePath=...) 发送 HTML 文件canvas(action=present, url="file://...")在静态模式下，查看器的“提交所有评论”会下载 feedback.json。然后，用户可以将此文件提供给您。
agents/grader.md —— 如何根据输出评估断言agents/comparator.md —— 如何进行盲测 A/B 比较agents/analyzer.md —— 如何分析基准测试结果references/schemas.md —— evals.json、grading.json、benchmark.json 等的 JSON 模式。benchmark.json 并运行 eval-viewer/generate_review.py