QoderWork Skills开发实践：传统数科到AI数科转型探索与进阶

这篇文章的核心意图，是用两个具体案例来拆解AI Agent Skill的设计逻辑。一个关注“信息媒介”的持久化，另一个关注“视觉呈现”的一次性爆发。它们看似截然不同，但底层的方法论却高度一致。以下逐一拆解。

▐Skill.md 的定位：编排者而非执行者

• 核心原则：SKILL.md只负责流程编排和决策指引，不嵌入大段实现代码。
• SKILL.md应该回答的问题是：

• 这个Skill什么时候被触发？（触发条件）
• 分析流程有哪些步骤？（步骤编排）
• 每一步调用哪个脚本的哪个函数？（实现委托）
• 遇到异常情况如何决策？（判定标准）

• 不应该出现的内容是大段的Python代码——那些应该放在 scripts/ 里。
• 建议篇幅：控制在200行以内（行业里的成熟案例，通常是170行和133行左右），过长的SKILL.md会稀释重点，Agent反而可能忽略关键指引。

▐config.yaml的设计哲学：模板而非表单

最初把config.yaml写成下面这样：

这根本就不是配置模板，而是一份填好的表单。下次换一个实验项目（比如“直播红包实验”或“搜索排序实验”），这份配置就完全不适用了。

正确的做法是——定义参数结构模板：

• 设计要点：

• auto占位符：表示该字段由 scripts/ 中的自动检测逻辑在运行时填充
• 空列表[ ]：表示该配置项的结构已定义，但具体值在每次运行时动态决定
• [默认值]标注：有合理默认值的参数（如significance_level: 0.05）可以直接填入
• 注释说明每个字段的含义、标注 [必填]/[自动检测]/[默认值]

▐scripts/ 的价值：复杂逻辑的归宿

• Agent擅长写简单的代码片段，但对于需要精确控制的复杂逻辑（统计检验方法选择、字段自动检测、图表样式），让Agent每次临场发挥是不可靠的。
• scripts/的作用是把这些关键逻辑固定下来，确保每次执行结果一致。
• 以AB实验中的字段自动检测为例：

• 这个函数覆盖了常见的几十种列名变体，保证无论数据来自哪个系统，都能高概率自动映射成功。如果靠Agent每次自己猜，准确率和一致性都无法保证。

▐references/ 的作用：知识的渐进式披露

• SKILL.md篇幅有限，不可能把每个统计方法的原理都写进去。references/提供了渐进式披露（Progressive Disclosure）：

• SKILL.md只说「连续型指标用Welch's t-test，非正态时回退到Mann-Whitney U」
• references/statistical_methods.md详细解释为什么选Welch而非Student、效应量怎么计算、多重比较校正的原理

• 这样Agent在正常执行时读SKILL.md就够了；当用户追问“为什么用这个方法”时，Agent可以引用references/中的详细说明。

• 对比上述设计理念

• 所以核心区别并不是“架构不同”，而是：

1. 没有config.yaml，配置极简化。这个Skill的frontmatter只有name和description两个字段，所有复杂的用户偏好（语言、频率、投递方式）都在首次运行时通过对话生成，存到 ~/.follow-builders/config.json。
2. 【知识层】被解构了。传统Skill把参考资料统一放在references/，这个Skill把它拆成了三种不同形态——prompt模板（给AI的指令）、JSON feed（给脚本的数据）、config（信息源列表）。
3. 多了一个“中心化数据服务”。这是这个Skill最独特的地方：它不要求用户自己配API key去抓推文和播客。作者在GitHub上设了一个每天自动运行的GitHub Actions流水线（.github/workflows/generate-feed.yml），用自己的X API key和Supadata key抓取数据，结果提交为仓库里的feed-*.json文件。用户端的prepare-digest.js只需从GitHub raw URL拉取这些JSON即可。

▐Frontend Slides

HTML演示文稿生成技能，通过“先看再选”的视觉预览引导用户发现风格，最终让AI在严格的工程边界内生成零依赖的单文件网页幻灯片

功能链：模式检测(识别是新建、PPT转换还是增强现有文件) → 内容发现(一次性收集：目的、长度、内容、编辑偏好) → 风格发现 (生成3个视觉预览) → 生成交付 → 分享导出

⚠️ 注意：含内部数据的文稿生成后请不要选择Vercel部署，以免数据泄露；可以直接让Agent删除部署脚本

• 实际文件结构

• 对比上述设计理念

• 分层拆解值得学习的部分

1）第一层：编排层 — SKILL.md

1. 核心设计理念：作者把AI当作一个会遗忘、会走捷径、会趋于平庸的处理器来编程，所以在关键决策点反复设置冗余校验。

2. 几个值得学习的技巧：

1. “NON-NEGOTIABLE”标注法。第16行写“Viewport Fitting (NON-NEGOTIABLE)”，然后在第39-48行展开规则，第49行再强调“read viewport-base.css and include its full contents”，第62行兜底“Never cram, never scroll”。同一条铁律在文件中间出现了4次不同表述——这不是啰嗦，而是对抗AI在长上下文中注意力衰减的工程手段。

2. 反模式清单。第19-35行不只说“要做什么”，还显式列出“不要做什么”——overused fonts（Inter、Roboto、Arial）、cliched color schemes（purple gradients on white）、predictable layouts。这是给AI设置负向约束，因为大模型的“模式坍缩”倾向会让它总是输出最高频的组合，必须显式阻断。

3. 内容密度限制表。第53-61行用一张6行的表格，给每种slide类型规定了硬性内容上限（比如content slide最多4-6个bullet）。

4. “一次性问完”指令。第90行 "Ask ALL questions in a single AskUserQuestion call"。作者深知多轮交互的成本（用户流失、上下文漂移），把Phase 1设计成一次性收集所有信息的“表单”。

5. Gotchas前置。Phase 6把部署和导出的“坑”直接写进了SKILL.md，而不是放在脚本注释里。这意味着AI在决定是否调用脚本之前就知道可能出什么问题，能主动提醒用户。

2）第二层：参数层 — 被“溶解”了

1. 原因在于：配置的本质是“提前固化的决策”。但这个skill的所有决策都是运行时通过对话收集的——用户的mood、slide数量、内容类型，在Phase 1-2实时确定，不存在“提前配置”的场景。
2. 传统config层的功能被“溶解”到了三个地方：用户对话（Phase 1-2收集的偏好，相当于“运行时配置”）、STYLE_PRESETS.md（12套预定义风格，相当于“枚举型配置”）、viewport-base.css（硬性约束，相当于“不可配置的常量”）。
3. 对比follow-builders：它需要config是因为用户的追踪偏好（语言、频率、投递方式）是跨会话持久化的。而frontend-slides每次生成演示文稿都是独立的一次性任务，用完即走，天然不需要持久化配置。

3)第三层：实现层 — scripts/

1. 核心功能（从零生成HTML幻灯片）完全不依赖任何脚本——它只靠SKILL.md编排 + 知识层的4个文件就能工作。
2. 脚本层是纯粹的“可选服务”。extract-pptx.py只在PPT转换时调用，deploy.sh只在用户选择部署时调用，export-pdf.sh只在用户选择导出PDF时调用。
3. 当“实现层”是AI本身时，传统的【scripts/】角色会缩小。follow-builders需要JS脚本来做API调用和数据处理，因为这些是确定性逻辑。但frontend-slides的核心任务（生成HTML/CSS/JS代码）恰好是AI最擅长的事，不需要外部脚本来辅助。

4)第四层：知识层 — 4个文件的精妙分解

1. 没有references/子目录，4个知识文件直接和SKILL.md平级放在根目录——因为Markdown的[file](file)链接语法在同级目录最简洁，减少路径出错的可能。
2. 4个文件按关注点分离，各自回答一个不同维度的问题：

• 给代码不如给流程

• Agent本身很擅长写代码，但不擅长把控现实商业世界里的专业数据分析流程。
• SKILL.md的职责不是“怎么写Python”，而是“分析应该包含哪些步骤、关注哪些指标、注意哪些陷阱”，具体实现交给scripts/。
• 因此，SKILL.md的编写是重中之重，至于需不需要给scripts/，可以具体情况具体分析，但真的都还ok。

• 模板比自由发挥更可控

• 定义结构化输出的Schema，Skill一定要有能结构化输出的能力，没有Schema，Skill就会退化成和对话聊天一样的背景板
• 提供明确的报告模板，确保输出格式统一，减少Agent的随机发挥带来的不确定性。

• config.yaml 是模板不是表单

• 所有和具体业务相关的值（实验名称、指标列表、字段名）都不应该写死在config里，而是用auto或空值占位，运行时由检测逻辑或用户确认来填充。

• 控制篇幅，渐进式披露控制信息密度

• SKILL.md建议控制在500行以内(200行以内更佳)。信息太多反而会稀释重点。
• SKILL.md言简意赅，方法论细节放 references/，代码实现放 scripts/。这样Agent不会被信息过载。

▐关键收获

1. 测试数据很重要，测试驱动开发：开发Skill时一定要用模拟数据跑通全流程，对Skill不断进行测试，发现其中的问题，进一步调整优化，这一步的工作可能占据了实际Skill开发的70%-80%。
2. 产运视角 ≠ 数科视角：报告模板要考虑非专业背景用户的阅读体验。“p=0.023”对产运没有意义，“实验组GMV提升8%，建议推全”才是他们想看的。
3. 工程化思维：Skill开发不是写一个Markdown文件的事，而是一套工程体系。config.yaml如何设计、scripts/如何拆分、SKILL.md如何引用——这些架构决策直接影响Skill的通用性和可维护性。
4. Token消耗：对Skill进行调用测试验证的过程中，对于Token的消耗量极大，后续需要进一步思考如何在开发过程中节约成本。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：QoderWork Skills开发实践：传统数科到AI数科转型探索与进阶要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题