--- name: make-skill description: "用于把当前会话沉淀为可复用的 workspace skill。当用户希望把当前对话、工作流或排错路径写成 SKILL.md 时触发。触发表达包括「把这个变成 skill」「记住我是怎么做 X 的」「保存这个工作流」「make a skill from this」以及任何 /make-skill 调用。" metadata: builtin_skill_version: "1.1" qwenpaw: emoji: "✍️" requires: {} --- # Make Skill 把当前会话沉淀为可复用的 workspace skill。 你自己编排两阶段流程： * **Phase A.** 提出一份精简的计划，让出 turn 等用户 approve。 * **Phase B.** 用户 approve 后，基于 THIS 会话撰写完整 SKILL.md 正文， 通过 `materialize_skill` 持久化。 **不要**用 `write_file` 直接创建 SKILL.md 或其附属文件（脚本、JSON 等）。所有文件的首次创建必须走 `materialize_skill`（通过 `body` 和 `extra_files` 参数），它会跑安全扫描并原子写入 manifest。创建成功后， 如需修改可以使用 `edit_file` 编辑已有文件。 ## 步骤 0. 确定 focus、派生 skill 名 ### 0a. 确定 focus 两种触发入口： * `/make-skill `。focus 紧跟在命令后面。 * 自然语言（「把这个变成 skill」「保存这个工作流」「把刚才的 X 流程 变成 skill」「make a skill from this」）。从用户想保存的对话主题里 提炼一个简短 focus 短语。如果模糊，先问一句澄清。 ### 0b. 派生 skill 名 按**这条规则**从 focus 派生 skill 名： ``` skill_name = "-".join(focus.split()) ``` 内部空白（空格、tab、全角空格、连续空格）折叠成单个 `-`。其他字符 原样保留。 例子： * `cooking` → `cooking` * `view image debug` → `view-image-debug` * `烹饪 食谱` → `烹饪-食谱` * `Stock Price` → `Stock-Price`（大小写保留） 这个 `skill_name` 在以下场合**保持一致使用**：步骤 1 的 `plan.name`、 步骤 3 的 `materialize_skill` 的 `name=` 参数。 ## 步骤 1. 提出计划，让出 turn 等用户 approve 调用 `create_plan`，**四个必填参数**（`name`、`description`、 `expected_outcome`、`subtasks`）都要给： * **`name`**：步骤 0 中标准化的 `skill_name`。 * **`description`**：精简 preview（这是用户审核的内容），两部分： * **Part 1：触发预览。** 2 到 4 句话，日常语言。必须覆盖三点： * **Goal.** 这个 skill 产生什么端到端结果。 * **Trigger.** 哪些用户表达和场景应该触发它。稍微 push 一些 同义词。 * **I/O.** 期望什么输入，产出什么输出。 这里不是 SKILL.md frontmatter 格式，frontmatter 后面再 distill。 * **Part 2：步骤大纲与 batch 规划。** 两部分内容： * **步骤大纲。** 编号列表，每行一个简短动词短语。不写细节、不写 参数、不写错误处理、不写 sub-bullet、不写 `##` 子标题。只给出 形状，让用户能快速判断顺序和范围。步骤名要从 THIS 会话里实际 发生的事情里提取。不要编造；会话里没依据的就省略。 格式示例（**不要**抄这个内容）： ``` 1. 2. 3. <…> ``` * **Batch 规划。** 简要说明如何将上述步骤组织成 `run_tool_batch` 的 JSON 文件： * 哪些步骤可以串成一个 batch（或需要拆成多个 batch 文件）。 * 哪些中间环节原本需要 agent 介入判断，但实际上可以通过编写 脚本（正则匹配、关键词筛选、JSON 解析等）来替代，从而减少 agent 交互次数，让更多步骤纳入自动化 batch。 * 列出预计需要的文件清单，如： ``` scripts/main.json — 主 batch 流程 scripts/parse.py — 解析 snapshot 提取目标内容 ``` 目标是尽可能用脚本替代 agent 的中间判断，让 skill 执行时只需 一次 `run_tool_batch` 调用即可完成，避免 agent 与工具之间的 多轮交互。这让用户在 approve 前就能看到 batch 的整体结构。 * **`expected_outcome`**（plan 顶层，**必填**，与 subtask 的 `expected_outcome` 不是同一个）：一句具体描述整个 skill 创建的成功 状态。直接用这个字面值（替换 ``）即可： `"A new workspace skill is created, enabled, and invocable via /."` * **`subtasks`**：一个长度为 1 的列表，包含唯一一个 subtask： * `name`：`"Write and materialize skill"` * `description`：`"Write the SKILL.md body and call materialize_skill."` * `expected_outcome`：`"Skill created and visible via /skills."` `plan.name` 和 `plan.description` 用**与用户最近消息相同的语言**。 `expected_outcome` 保留英文即可。 `create_plan` 返回后，**让出 turn**。用户会回复 approve、refine 或 cancel。`/plan` 模式的标准机制接管： * Refine：调 `revise_current_plan`，把反馈合到 name、description、或步 骤大纲里。 * Cancel：调 `finish_plan` with `state="abandoned"`。 向用户呈现计划时用标准 plan card 格式。**不要**在 chat 里另搞 `Subtask: …` / `Focus: …` 这种自定义字段，用标准化后的 `plan.name`， 不要用 raw focus。本步骤只负责提出计划并等待用户确认，**不要**在此步 调用 `materialize_skill`。 ### 选择执行方式 用户 approve 后，询问执行方式（让出一轮 turn）： > 计划已 approve。Phase B（撰写与持久化）要**在当前对话继续执行**， > 还是**交给后台 subagent 执行**？ > > - **当前对话**：在本轮对话中完成。适合需要反复 refine 的场景。 > - **后台**：交给 subagent 完成，不阻塞当前对话。subagent 继承本会话 > 完整上下文和已批准的计划。 **让出 turn**，等用户回复后再继续。如果用户没有明确选择，默认使用 当前对话模式。 * **当前对话**模式：按下方步骤 2–5 正常执行。 * **后台**模式：见下方「后台执行 Phase B」小节。 **如果你当前已经是 subagent**（由主 agent 通过 `spawn_subagent` 派生），跳过询问，直接执行步骤 2–4（主 agent 已完成 plan 收尾， subagent 无需调用任何 plan 相关工具）。 ### 后台执行 Phase B Phase A（步骤 0–1）已在前台完成，用户已经 approve 了计划。现在将 Phase B 交给 subagent 执行。 这一步你自己**不需要**调用 `materialize_skill` 或执行任何 skill 创建 操作——只需组装 task 描述并提交给 subagent，由 subagent 完成全部后续 工作。 1. 将以下信息组装成 task 描述传给 subagent： - 已 approve 的 `plan.name`（`skill_name`）和计划内容 - 明确指令：「基于当前会话上下文和已 approve 的计划，按 make-skill 步骤 2–4 完整执行：撰写 SKILL.md 正文、调用 materialize_skill 持久化、验证 batch 引用、试跑 batch。完成后报告结果。**无需调用 任何 plan 相关工具（`create_plan`、`finish_subtask`、 `finish_plan`），无需等待用户 approve，直接自行完成全部流程。**」 2. 调用： ``` spawn_subagent( task="<上述 task 描述>。无需调用任何 plan 相关工具，直接完成全部流程。", fork=True, background=True, ) ``` 3. 立即对唯一的 subtask 调 `finish_subtask`，再调 `finish_plan` with `state="completed"` 收尾。不需要等 subagent 完成。 4. 告知用户已提交后台任务，可通过 `check_agent_task(task_id=...)` 查看 进度。subagent 完成后会在 workspace 中创建 skill。 ### Plan 工具不可用时的 fallback 如果 `create_plan` 不在你的 toolkit 里（workspace 未启用 plan mode）， 退回到文本式计划： 1. 把同样的精简 preview（Part 1 触发预览 + Part 2 步骤大纲）作为普通 聊天消息发给用户。 2. 消息末尾请用户回复 approve、refine 或 cancel。 3. **让出 turn。** approve → 用你提出的大纲跳到步骤 2 写正文； refine → 修文本计划再让出 turn；cancel → 停止。 4. 跳过步骤 5 的 `finish_subtask` / `finish_plan`，没 plan 就没这两个 动作。 ## 步骤 2. 用户 approve 后撰写 SKILL.md 正文 用户 approve 计划、唯一的 subtask 转为 in-progress 后，基于 THIS 会话 写完整的 SKILL.md 正文。**内容能撑得起就不嫌长。** 写作风格： * 使用祈使句。 * 对**非显而易见**的指令简要解释 WHY（next agent 的 theory of mind）。 避免硬邦邦的 `MUST`。 * 正文目标少于约 500 行。接近上限就拆 sub-section + 加清晰指针。 ### 2a. 与已 approve 的步骤大纲 1-to-1 对齐 正文主章节与 `plan.description` Part 2 一一对应：同序、同范围。章节 标题用对应步骤的动词短语。如果用户在 approve 阶段对 Part 2 做了 refine，**按 refined 版本**写。 ### 2b. 将完整流程整理为 batch JSON（首选执行方式） **SKILL.md 正文的核心是一个 `run_tool_batch` 调用。** future agent 触发 skill 时应**直接调用 batch**，而不是逐步手动执行。分步说明只作为 batch 的补充参考（见 2c），不是主要执行指令。 回顾 THIS 会话中的工具调用序列，把 skill 的**完整端到端流程**整理成一 个 `run_tool_batch` JSON 文件。从流程起点到终点，所有**可以无条件串联 执行**的步骤都应纳入 batch。 #### 何时适用 * skill 的核心流程包含 **≥ 2 步的工具调用链**。 * 典型场景：批量文件操作、搜索后处理、多文件修改流水线、多步浏览器 操作等。 * **大部分流程都可以通过脚本实现自动化。** 不要因为某个步骤「看起来 需要判断」就放弃把它纳入 batch。绝大多数中间处理——提取内容、筛选 结果、格式转换、条件判断、数据清洗——都能通过在 batch 中插入 `execute_shell_command` 调用脚本来程序化。两种方式： * **内联短脚本**：直接在 `command` 中写 `python3 -c "..."` 单行处理。 * **独立脚本文件**：将复杂逻辑写成 `.py` 或 `.sh` 等文件放在 `scripts/` 目录下（通过 `extra_files` 打包），batch 中用 `execute_shell_command` 执行，如 `"command": "python3 /scripts/parse.py --param1 ${steps..} --param2 ${steps..}"`。 通过命令行参数将前面步骤的输出（`${steps..}`）传给 脚本，脚本处理后的 stdout 供后续步骤通过 `${steps}` 引用。这样整个 工作流就能串成一条完整的 batch 链，无需人工介入。只有**真正需要用户 实时决策**的环节（如「让用户选择哪个选项」「等待用户确认是否继续」） 才需要排除。 `${steps..}` 不只用于脚本调用——任何工具的参数都可以 引用前面步骤的输出。例如将 `read_file` 的结果传给 `write_file`， 或将 `browser_use` snapshot 的内容传给 `execute_shell_command`。 示例——获取浏览器 snapshot，用独立 Python 脚本提取包含关键词的 内容并写入文件。其中 `${args.keyword}` 等是调用 `run_tool_batch` 时通过 `args` 参数传入的运行时变量，在执行前会被替换为实际值。 `scripts/extract_headings.py`（通过 `extra_files` 打包）： ```python import sys, re, json keyword = sys.argv[1] snapshot_file = sys.argv[2] with open(snapshot_file) as f: text = f.read() items = [ m.group(1) for m in re.finditer( r'heading "([^"]*' + re.escape(keyword) + r'[^"]*)" \[ref=(\w+)\]', text, ) ] print(json.dumps(items, ensure_ascii=False)) ``` batch JSON（`scripts/extract.json`）： ```json [ { "tool_name": "browser_use", "arguments": {"action": "snapshot"} }, { "tool_name": "write_file", "arguments": { "file_path": "${args.work_dir}/snapshot.txt", "content": "${steps.0.text}" } }, { "tool_name": "execute_shell_command", "arguments": { "command": "python3 ${args.skill_dir}/scripts/extract_headings.py ${args.keyword} ${args.work_dir}/snapshot.txt" } }, { "tool_name": "write_file", "arguments": { "file_path": "${args.output_file}", "content": "${steps.2.text}" } } ] ``` 这样「从 snapshot 中筛选包含关键词的内容」这个原本需要人工判断的 步骤就被自动化了：第 0 步获取页面 snapshot，第 1 步将 snapshot 写入临时文件，第 2 步调用独立脚本读取文件并正则提取，第 3 步把 结果写入目标文件。复杂的解析逻辑写成独立的 `.py` 文件放在 `scripts/` 目录下，脚本和 batch JSON 都通过 `extra_files` 一并 打包到 skill 目录中。触发 skill 时直接调用即可： ``` run_tool_batch( file_path="/scripts/extract.json", args={ "keyword": "搜索关键词", "skill_dir": "<本skill目录>", "work_dir": "<工作目录>", "output_file": "result.json" } ) ``` #### 何时不适用（退回纯分步说明） 绝大部分流程都可以自动化。只有同时满足以下条件时才退回分步逻辑： * **内容理解无法规则化**——完全无法通过关键词匹配、正则、JSON 解析等 基于规则的方式处理，必须依赖语义理解才能完成（注意：如果用户已给出 明确的搜索词、筛选条件，那就是可以规则化的，应该纳入 batch）。 * **分支决策无法预先确定**——需要用户在执行过程中根据上下文实时判断 下一步走哪条路，而不是用户在触发 skill 时就能一次性给定所有参数。 * 整个 skill 只有一次工具调用（无需 batch 封装）。 即使流程中存在需要人工判断的环节，也要**尽量把可以合并的连续步骤整理 成 batch**。这意味着一个 skill 可能包含多个 batch 文件——例如 `scripts/phase1.json`（获取数据阶段）和 `scripts/phase2.json`（处理 结果阶段），中间由 agent 基于语义判断决定如何衔接。能自动化的部分越多 越好。 #### SKILL.md 正文结构（当使用 batch 时） 正文应以 batch 调用为主体，格式如下： ````markdown ### 执行 本 skill 附带了 batch JSON 文件 `scripts/.json`。 **严格按照以下格式调用 `run_tool_batch`，使用 `file_path` 加载文件 执行。不要自行构造 `actions` 列表内联传入。** `run_tool_batch` 的 `file_path` 需要**绝对路径**。你在读取本 SKILL.md 时看到的目录路径即为本 skill 的绝对目录，请用它拼接出完整的 `file_path`。 ``` run_tool_batch( file_path="<本skill目录>/scripts/.json", args={ "param1": "<实际示例值>", "param2": "<实际示例值>" } ) ``` ### Batch 参数 逐项说明 `args` 中的每个参数。凡是 batch JSON 中出现 `${args.}` 的变量，这里都必须列出，不能遗漏： * `param1`：说明它控制什么；何时需要用户改；默认/推荐值是什么；示例： `<实际示例值>`。 * `param2`：说明它控制什么；何时需要用户改；默认/推荐值是什么；示例： `<实际示例值>`。 调用 `run_tool_batch` 时必须传入上面列出的所有参数。**不要传 `args={}`，也不要省略 `args`**，否则 `${args.}` 不会展开，可能被 当作字面量文件名、URL 或命令参数使用。 ### Batch 失败处理 如果 `run_tool_batch` 执行失败（返回 `ok: false` 或中途报错），请： 1. 先检查「Batch 参数」中列出的每个参数是否都已传入实际值，尤其不要 使用空的 `args={}`；再根据错误信息修正参数后重试。 2. 如果仍然失败，可以尝试使用 `run_tool_batch` 的 `actions` 参数 内联传入动作序列来执行。 3. 如果内联执行也失败，改为参照下方「分步参考」手动逐步执行完成任务。 4. 执行完毕后，提示用户：「本次 batch 执行遇到问题，已改为手动完成。 是否需要我用 edit_file 调整和优化这个 skill 的 batch 脚本，以便下次 能正常运行？」 ### 分步参考 以下是 batch 中每一步的详细说明，仅在需要调试或手动执行时参考： 1. ... 2. ... ### 注意事项 （此处放置 skill 特定的注意事项，如参数优化建议、数据格式要求等。） **执行方式提醒**：触发本 skill 时，直接使用上方的 `run_tool_batch( file_path=..., args=...)` 调用即可完成全部流程，无需自己逐步编写每一个 action。只有当 batch 执行失败时，才参照「Batch 失败处理」中的降级方案。 ```` > **路径说明**：`run_tool_batch` 只接受绝对路径。batch JSON 文件通过 > `materialize_skill` 的 `extra_files` 参数写入 skill 目录。agent 在 > system prompt 中会收到 skill 目录的绝对路径（即 > `Check "{dir}/SKILL.md"` 中的 `{dir}`），SKILL.md 正文中**必须** > 明确告知 future agent 用该绝对目录拼出 `file_path`。 #### batch JSON 编写要点 * **`file_path` 必须是绝对路径**。SKILL.md 正文中应明确写出： 「用你读取本 SKILL.md 时看到的目录路径拼接 `scripts/xxx.json`」，让 future agent 构造出绝对路径。 * **用 `${args.}` 参数化**所有因场景而变的值（文件路径、搜索关键 词、URL 等）。固定不变的值直接写死。花括号语法是必须的，这样在 shell 命令等混合内容字符串中不会产生歧义。 * **SKILL.md 必须包含 `### Batch 参数` 小节**。该小节要逐项解释 batch JSON 中每个 `${args.}`：含义、何时需要用户修改、默认/推荐值、 以及一个可直接用于试跑的实际示例值。`run_tool_batch` 示例中的 `args` 必须填这些实际示例值，不能写 `{}`、`null`、`<说明>` 或只写 占位描述。 * **用 `${steps..}` 做步骤间引用**——后续步骤可引用前面步骤 的输出。例如 `"content": "${steps.0.text}"` 引用第 0 步的文本结果。 `` 取决于上一步工具的实际返回值结构。`materialize_skill` 会 自动分析 batch JSON 中的所有 `${steps}` 引用，并在返回中列出需要验证 的引用关系。**你需要按提示逐个调用被引用的工具，确认其返回值确实 包含所引用的字段**。如果字段不存在，用 `edit_file` 直接修正 skill 目录下的 batch JSON 文件。 * 每个 action 使用 `"tool_name"` 和 `"arguments"` 字段（也兼容 `"tool"` + `"args"`）。 * 一个 batch 文件最多 50 步。超过时拆成多个文件。 * JSON 文件通过 `extra_files` 打包进 skill 目录（详见步骤 3）。 ### 2c. 补充分步说明（batch 的参考文档） 在 batch 调用之后，为每个步骤提供简要的分步说明。这些说明是 future agent 在调试或手动执行时的参考，**不是主要执行指令**。 对每个步骤，**从会话事实出发**回答（不是凭常识猜）： * **真正跑通的是哪个 tool、API、文件、命令？** 直接写真名。如果尝试 过多个，**只**记录跑通的那个。 * **它使用的具体参数是什么？** 用会话中真实的参数值。 * **本路径上撞过哪些错？怎么提前避开？** 写成预防性提示。 * **哪些死路要跳过？** 失败路径**仅**以简短「避免 X」提醒带过。 如果会话里没有某个问题的真实答案，**省略**这一项，不要编造。编造参 数或错误提示是本 skill 最常见的失败模式。 当 skill 不适合 batch（需要分支决策），这些分步说明就是正文主体， future agent 按步骤逐个执行。 ### 2d. 可选小节 只在能帮到 future agent 时才加，没有固定 schema： * **Prerequisites。** 环境变量、auth 凭证、期待的输入文件、工具版本。 * **Worked example。** 一个真实调用，input 到 output。 * **Failure modes and recovery。** 已知失败模式与处理方式。 * **Edge cases。** 未来 agent 可能踩到的意外。 不适用就跳过。**空章节比省略更糟。** ### 2e. 输出格式（仅当稳定时） 如果会话里输出形态固定下来（表格、JSON schema、markdown 模板），在产 出该输出的步骤顶部用 `ALWAYS use this template:` 块**写一次**即可： ```markdown ALWAYS use this exact template: | Ticker | Last close | Currency | Source | |--------|-----------|----------|--------| | | | | | ``` 如果输出本质是自由形态，跳过本步。 ### 2f. 持久化前自查 完整通读一遍正文，**单 pass** 检查全部三项： * **精简。** 无冗余，不重复前面章节已说过的内容。 * **覆盖 focus end-to-end。** `plan.description` Part 2 的每个步骤都已 落到正文，且有事实支撑。 * **正确。** 每个 tool 名、API 名、参数值、错误提示都准确反映真实发 生的事。**没有编造的事实，没有猜测的参数。** 任何一项不通过就回去修。 ## 步骤 3. 通过 `materialize_skill` 持久化 调用 `materialize_skill`： * **`name`**：与 `plan.name` 相同的标准化 `skill_name`。 * **`description`**：从 `plan.description` Part 1 浓缩出的紧凑 `Use this skill when …` 串。≤ 200 字符。**保留** preview 中的同义词 与邻近表达（LLM 倾向于**少触发** skill，描述稍微「推一下」比窄定 义更可靠）。 * **`body`**：已 review 过的 SKILL.md 正文。**不含 frontmatter**，工 具会自己渲染。 * **`extra_files`**（可选）：如果步骤 2c 中提取了 batch JSON 文件或其 他辅助文件，通过此参数一并打包。key 是相对路径（如 `"scripts/check-config.json"`），value 是文件内容字符串。示例： ```python materialize_skill( name="my-skill", description="Use this skill when ...", body="...", extra_files={ "scripts/check-config.json": '{"actions": [...]}', }, ) ``` `extra_files` 的 key 是相对于 skill 目录的路径。文件会被写入 skill 目录下对应位置。SKILL.md 正文中应指引 future agent 用 skill 目录 的绝对路径（system prompt 中可见）拼接出 `file_path` 的完整路径。 **不要**用 `write_file` 直接创建 SKILL.md 或附属文件。所有文件的首次 创建必须通过 `materialize_skill`。创建成功后如需修改，使用 `edit_file`。 ## 步骤 4. 处理 `materialize_skill` 的返回 ### 4a. 验证 `$steps` 引用（当包含 batch JSON 时） 当 `extra_files` 中包含 `run_tool_batch` 的 JSON 文件时， `materialize_skill` 会自动分析其中所有的 `${steps..}` 引用，并在返回中列出每条引用的来源工具和被引用字段。 **你需要对照返回的引用列表，逐条验证被引用工具的返回值是否确实包含 该字段。** 用 markdown 表格记录验证结果，格式如下： | 引用表达式 | 来源工具 | 引用字段 | 验证方式 | 结果 | |-----------|---------|---------|---------|------| | `${steps.0.text}` | `read_file` | `text` | 查看本会话中之前的 `read_file` 调用结果 | ✅ 存在 | | `${steps.2.content}` | `grep_search` | `content` | 用示例参数调用一次 `grep_search` 确认 | ❌ 字段不存在，应改为 `text` | 验证方式有两种，按优先级选择： 1. **查看本会话历史**：如果本会话中已经调用过该工具，直接检查之前的 返回结果中是否包含该字段。 2. **重新调用测试**：如果本会话中没有调用过该工具，用示例参数调用 一次，观察返回的 JSON 结构。 如果发现任何字段引用不正确： 1. 用 `edit_file` 直接编辑 skill 目录下对应的 batch JSON 文件，修正 `$steps` path。skill 目录的绝对路径可从 `materialize_skill` 的成功 返回中获取。 2. 如果 SKILL.md 正文中有引用相关说明也需要同步修正，同样用 `edit_file` 直接编辑 skill 目录下的 `SKILL.md`。 不要重新调用 `materialize_skill`——skill 已经创建，直接编辑文件即可。 **所有引用验证通过后**，进入 4b 试跑。 ### 4b. 试跑 batch（当包含 batch JSON 时） 引用验证通过后，尽量用示例参数实际跑一次 `run_tool_batch`，确认整条 链路能跑通： ```python run_tool_batch( file_path="/scripts/.json", args={ "param1": "与 SKILL.md Batch 参数小节一致的实际示例值", ... } ) ``` 如果 batch JSON 中包含任何 `${args.}`，试跑时必须传入对应的实际 示例值。**禁止用 `args={}` 或 `args=None` 试跑**，否则不能验证参数展开 是否正确。 * 如果返回 `ok: true`，说明 batch 可正常工作，进入步骤 5。 * 如果返回错误，根据错误信息用 `edit_file` 修正 batch JSON 或辅助 脚本，然后再跑一次。反复修正直到跑通或确认问题无法在当前环境修复 （如缺少外部依赖、需要真实网络请求等）。 * 如果因环境限制无法试跑（例如需要浏览器、需要特定文件存在等），跳过 试跑，在步骤 5 报告时告知用户：「batch 未经试跑，建议首次使用时关注 执行结果。」 试跑通过后才能进入步骤 5。 ### 4c. 命名冲突（skill 名已存在） 工具会返回冲突 skill 名 + 一个建议的改名。**自动恢复，不要再问用户。** 1. 挑一个新名字。工具的建议（例如带时间戳的）可以直接用，但只要避开 冲突，任何合理改名都行。例如原名 `cooking` 已占用时可以用： `cooking-v2`、`cooking-2`、`cooking-new`。 2. 调 `revise_current_plan` 把 `plan.name` 改成新名（文本式计划 fallback 时直接在内存里换掉工作名）。 3. 用新名字再调一次 `materialize_skill`。 4. 步骤 5 报告成功时**说明改名了**，让用户知道原名被占用。例如： *「已存为 `cooking-v2`，因为 `cooking` 已被占用。如果想用回原名， 可以删掉旧的再跑 `/make-skill`。」* ### 4d. 格式错误 修正 SKILL.md 内容（frontmatter 字段、正文章节等）再调一次。 **`materialize_skill` 没成功前不要**调 `finish_subtask`。 ### 4e. 安全扫描拒绝 移除被 flag 的模式再重试。 ### 4f. 其他错误 调整输入再重试，或如果不可恢复就 abandon 计划。 ## 步骤 5. 收尾 步骤 4a 引用验证通过、4b 试跑通过（或因环境限制跳过）、 `materialize_skill` 返回成功后： 1. 对唯一的 subtask 调 `finish_subtask`。 2. 调 `finish_plan` with `state="completed"`。 3. 告知用户：新 skill 已创建并启用，可通过 `/` 调用。 --- ## 完整流程总结 ``` 步骤 0 确定 focus → 派生 skill_name │ 步骤 1 create_plan → 让出 turn → 用户 approve/refine/cancel │ 选择执行方式 → 让出 turn → 用户选择前台/后台 │ ├─ 前台 ─────────────────────────────────────────┐ │ │ │ 步骤 2 撰写 SKILL.md 正文（batch 优先） │ │ 步骤 3 调用 materialize_skill 持久化 │ │ 步骤 4 验证引用 → 试跑 batch → 处理错误 │ │ 步骤 5 finish_subtask + finish_plan + 告知 │ │ │ ├─ 后台 ─────────────────────────────────────────┐ │ │ │ spawn_subagent(fork=True, background=True) │ │ 主 agent 立即 finish_subtask + finish_plan │ │ subagent 执行步骤 2–4（无需 plan 工具） │ └─────────────────────────────────────────────────┘ ```