penguin-harness/packages/docs/content/skills.zh.md at 84949882ab1e6fb1feab5aaafa2d754dadb79f3d

3dtours/penguin-harness

Fork 0

Files

T

Jingzhe Xu 081fe2d172 feat: 完善两阶段 Agent 自进化 Pipeline、Skills 与 Benchmark (#129 )

2026-07-30 15:59:58 +08:00

5.0 KiB

Raw Blame History

title, description

title	description
技能系统	Skill 以目录加 SKILL.md 承载可复用指令，元数据先行、正文按需读取，并可由 Agent 自行编辑优化。

Skill 的形态

一个 Skill 就是一个目录：内含一份 SKILL.md，可选附带一个 icon.svg 自定义图标。目录名即权威的 Skill 名，须匹配 ^[A-Za-z0-9_-]+$;frontmatter 中的 name 以目录名为准。

frontmatter 字段：

字段	说明
`name`	Skill 名，与目录名一致
`description`	英文单行描述，注入系统 Prompt
`short_description` / `short_description_zh`	UI 短标签(卡片等紧凑位置用)，不注入 Prompt
`version`	自然数版本号，默认 1
`updated`	更新日期

---
name: my-skill
description: One-line English description injected into the system prompt.
short_description: Short UI label.
short_description_zh: 简短的中文标签。
version: 1
updated: 2026-07-17
---

# My Skill

具体的步骤、边界与验收标准……

解析是容错的：只识别首个 --- 块内的 key: value 标量行；version 不是自然数时回退为 1,updated 缺省为空。

渐进式加载

Skill 采用「先索引、后正文」的设计：系统 Prompt 经 {{SKILL_METADATA}} 占位符只注入每个已安装 Skill 的元数据(name + description)，并指示模型在任务匹配某个 Skill 时，先用 Shell 完整读取对应的 SKILL.md，再遵循执行。系统不设专门的 Skill 工具，读取正文就是一次 read_file 或 Shell 调用(见工具与审批)。

对话中也可以显式指定 Skill：此时消息以 [use_skills] 块开头，列出要使用的 Skill 名（重新渲染旧 Trace 时仍识别早期的 <use_skills> 形式）。

若消息只点名 Skill 而没有给出具体任务，模型会先询问需求再开始。

安装与存放

已安装的 Skill 位于 Agent State 的 agent_state/skills/<name>/。文件即事实源：每次读取直接读文件、不设缓存，因此 Skill 天然可编辑。

内置 Agent default_agent 在初始化时安装完整 Skill 库；
其他 Agent 按需安装：经 Web 界面的 Skill 库页，或经 SDK;
安装即把库里的 SKILL.md 原样写入(含 frontmatter)，目录内的 icon.svg 一并拷贝。

Skill 库以 npm 包 @prismshadow/penguin-skills 发布，tarball 直接携带原始 skills/ 目录；运行时库内容的事实源同样是包内的 skills/<name>/SKILL.md 文件。

内置 Skill 库

内置 Skill 按分组列出如下(分组清单见 packages/skills/src/index.ts 的 SKILL_GROUPS，新增 Skill 时以库目录为准):

分组	Skill	说明
办公效率	`data-analysis`	以有界的证据检查、显式的改答案决策、原生产物处理与最终输出校验完成数据分析任务
	`firecrawl`	经 Firecrawl API 做网络搜索与页面抓取，产出干净的 Markdown
	`bento-slides`	制作与编辑 Bento 演示文稿：单文件 `.bento.html`、文档即 JSON，把素材映射到图表、morph 转场与状态页
软件开发	`web-design`	生成网页与应用界面的 Penguin 视觉语言：设计令牌、组件配方、明暗主题与聊天布局
	`software-engineering`	完成软件工程任务：调查与审查代码，以最小改动实现修复、特性与重构，验证改动并报告经过确认的结果
AI 应用开发	`penguin-sdk`	基于 SDK 构建 AI 与 RAG 应用：createSession/run 流式循环，外加带可溯源引用的完整检索配方
	`penguin-cli`	用 penguin CLI 管理模型 API Key、默认模型与各 Agent 的 Vault 密钥
	`agenthub-models`	经 `@prismshadow/agenthub` 调用模型 API：流式文本、图像生成、语音合成与 Embedding
	`vllm`	用 vLLM 部署与服务 LLM，提供 OpenAI 兼容端点，并为 Agent 负载启用工具调用
	`ollama`	用 Ollama 部署与运行本地模型，把 OpenAI 兼容端点接入应用与 Agent
	`llamafactory`	用 LlamaFactory 微调 LLM：注册数据集、以 YAML 配置训练、合并 LoRA 适配器并部署产物
Agent 调优	`agent-creation`	根据需求创建或配置 Agent State，编写 AGENTS.md、设置身份信息并安装所需 Skill
	`benchmark-design`	为指定 Agent 设计并校准多 Case Benchmark，建立可追溯的 Formal Baseline
	`agent-evaluation`	内部叶子执行器：根据完整评测协议隔离执行并私密评分一个 Case Run
	`agent-optimization`	基于冻结 Benchmark 的完整当前基线改进指定 Agent

编写与优化

手工安装：在 agent_state/skills/<name>/ 下建目录并写入 SKILL.md 即可，系统组装系统 Prompt 时扫描 skills/ 注入元数据；没有 SKILL.md 的目录不计为 Skill。
卸载即删除整个 skills/<name>/ 目录，操作幂等。
Agent 可以在任务中直接改写自己的 SKILL.md——配合 Benchmark 评测与优化形成闭环，见自我进化。

5.0 KiB Raw Blame History