什么是Skills

官方的解释：

Agent Skills 是一种扩展智能体能力的模块化指令集合。

个人理解：

Skills = Instructions + Assets and resources + Scripts

Skills是丰富且标准的一个或者多个提示词、大模型参考的图片、文字等资产、一个或者多个可自动化执行的脚本的可重复使用的标准化的集合。

Skills的特点

开放标准
一次构建，多处部署
渐进式披露：技能的名称和描述始终存在于智能体的上下文窗口中，但只有当用户请求与技能描述匹配时，才会加载其余指令。

其中，我觉得最重要的特点是渐进式披露，AI的调用一个需要关注的点就是Token的消耗，而渐进式披露相比一次性加载的方式可以帮助用户一定程度上节约Token的消耗。

何时使用Skills

当你有一个反复要求智能体实现的工作流 时，与其每次都解释相同的工作流，不如将其打包成一个技能，让智能体自动知道该做什么。

重点在于重复性、自动化、工作流

针对大模型的不可预测性，通过Skill规范了输入与输出、执行步骤和执行脚本，保证的同一类的输入，大模型可以给出同一类的输出。

Skill的目录结构

复制代码

skill名/
├── SKILL.md          # skill的"大脑"
├── references/       # skill的"知识库"
│   └── style-guide.md
├── scripts/          # skill的"手脚"
│   └── analyze_excel.py
└── assets/           # skill的"装备"
    └── header.png

各部分的核心作用

SKILL.md - 指挥中心

这是技能的主配置文件，定义了技能的功能、工作流程和执行规范
告诉我技能的适用场景、触发条件和执行步骤
是加载技能时首先读取的核心文档

references/ - 知识沉淀

存放参考文档、模板、规范说明等静态资源
比如 style-guide.md 可能包含格式规范、写作标准等
这些是技能执行过程中需要查阅的"说明书"

scripts/ - 执行工具

包含可执行的脚本代码（Python、Bash等）
比如 analyze_excel.py 就是具体的数据分析实现逻辑
当 SKILL.md 中引用某个脚本时，会在这里找到并执行

assets/ - 资源支持

存放图片、样式文件等辅助资源

header.png 可能是生成报告时使用的标题图片

为技能的视觉输出提供素材支持

设计哲学

这种结构体现了模块化和职责分离的思想：

配置与代码分离
知识与执行分离
逻辑与资源分离

Excel Skills 的实践分析

本文选用Coze平台作为Skills实践平台。Coze中会有技能商店，里面的技能属于黑盒。接下来我们自己创建属于自己的Skills。Coze平台提供给我们的是帮助我们编写Skills的Skill。

如图中这句话，在skill的界面输入，Coze就会自己自动生成skill的目录结构、主目录的Markdown文档、可执行脚本和领域专业知识的Markdown文档。

目录结构：

复制代码

excel-data-analyzer/
├── SKILL.md                     # 入口文档与操作指南
├── scripts/
│   └── analyze_excel.py         # Excel分析主脚本
└── references/
    └── excel-data-guide.md      # 数据分析方法论参考

SKILL.md文件内容如下：

点击查看代码

复制代码

---
name: excel-data-analyzer
description: 快速分析Excel数据并提供洞察；当用户需要分析Excel文件、检查数据质量、生成统计报告或探索数据特征时使用
dependency:
  python:
    - pandas>=2.0.0
    - openpyxl>=3.1.0
    - numpy>=1.24.0
---

# Excel 数据分析器

## 任务目标
- 本 Skill 用于:分析Excel文件的数据特征、质量和统计规律
- 能力包含:数据概览生成、数据质量检查、统计分析、洞察报告生成
- 触发条件:用户上传Excel文件并提出分析需求

## 前置准备
- 依赖说明:scripts脚本所需的依赖包及版本

pandas>=2.0.0

openpyxl>=3.1.0

numpy>=1.24.0

复制代码

## 操作步骤

### 标准流程

1. **获取Excel文件路径**
 - 确认用户提供的Excel文件位置（相对路径或绝对路径）
 - 文件格式应为 `.xlsx` 或 `.xls`

2. **调用分析脚本**
 - 执行脚本获取结构化分析数据：
   ```bash
   python3 scripts/analyze_excel.py <excel文件路径>
   ```
 - 脚本返回JSON格式的分析结果，包含：
   - 数据概览（行数、列数、数据类型）
   - 数据质量报告（缺失值、重复值）
   - 统计摘要（均值、中位数、标准差等）

3. **解读分析结果**
 - 基于 [references/excel-data-guide.md](references/excel-data-guide.md) 中的指导
 - 识别数据质量问题（缺失值比例过高、异常值等）
 - 总结数据分布特征（集中趋势、离散程度）

4. **生成洞察报告**
 - 结合统计结果和业务场景提供解读
 - 推荐后续分析方向（数据清洗、可视化、建模等）
 - 指出潜在的数据风险或机会

### 可选分支

- **当需要特定列分析**:解读脚本输出的各列统计信息，聚焦于用户关注的字段
- **当数据质量问题严重**:优先处理缺失值和重复值，建议清洗策略
- **当需要深度探索**:基于基础分析结果，建议更高级的分析方法（相关性分析、分组统计等）

## 资源索引

- 必要脚本:见 [scripts/analyze_excel.py](scripts/analyze_excel.py)
- 用途:读取Excel文件并生成结构化分析结果
- 参数:Excel文件路径（必填）
- 领域参考:见 [references/excel-data-guide.md](references/excel-data-guide.md)
- 何时读取:需要理解统计指标含义或分析数据质量时

## 注意事项

- Excel文件应位于当前工作目录或提供完整路径
- 脚本仅处理数值型和分类型数据的统计，文本型数据仅提供基本信息
- 优先使用脚本获取准确数据，避免人工估算
- 智能体负责解读和洞察，脚本负责计算和数据提取

## 使用示例

### 示例1:基础数据分析
- **场景**:用户上传销售数据表，希望了解整体情况
- **执行方式**:脚本获取统计 → 智能体生成概览报告
- **关键要点**:强调数据规模、主要指标分布、数据质量状况

### 示例2:数据质量检查
- **场景**:用户怀疑数据存在问题，需要检查
- **执行方式**:脚本获取质量报告 → 智能体诊断问题并建议解决方案
- **关键要点**:识别缺失值模式、重复记录、异常值分布

### 示例3:业务洞察生成
- **场景**:用户需要基于数据生成分析报告
- **执行方式**:脚本提供统计基础 → 智能体结合业务逻辑生成洞察
- **关键要点**:解读统计结果背后的业务含义，提供可操作建议

# Excel 数据分析器
├── 前言区 (YAML)
│   ├── name: Skill名称
│   ├── description: Skill功能描述
│   └── dependency：脚本执行依赖
│
├── 任务目标
│   ├── 作用介绍
│   ├── 能力包含
│   └── 触发条件
│
├── 前置准备
│   └── 依赖说明
│
├── 操作步骤
│   ├── 标准流程
│   │   ├── 1. 获取Excel文件路径
│   │   ├── 2. 调用分析脚本
│   │   ├── 3. 解读分析结果
│   │   └── 4. 生成洞察报告
│   └── 可选分支
│       ├── 特定列分析场景
│       ├── 数据质量问题场景
│       └── 深度探索场景
│
├── 资源索引
│   ├── 必要脚本 (scripts/analyze_excel.py)
│   └── 领域参考 (references/excel-data-guide.md)
│
├── 注意事项
│
└── 使用示例
    ├── 示例1: 基础数据分析
    ├── 示例2: 数据质量检查
    └── 示例3: 业务洞察生成