Skills生态项目：AAS、MiniMax Office、OpenSkills、Skill Graphs、SkillNet

Skills系列文章：

Agentic-Awesome-Skills

项目主页，简称AAS，开源（GitHub，44.7K Star，6.6K Fork）项目，收录2007个技能。

项目主页则提供快捷搜索入口

MiniMax Office Skills

MiniMax开源（GitHub，13.3K Star，1.1K Fork），覆盖Word、Excel、PDF、PPT四种格式：

Word：没有选用Python生态最常用的Word生成库python-docx，而是选用.NET OpenXML SDK；微软官方的Office文档底层库，对ECMA-376（Word格式的国际标准）有最完整的实现；需部署.NET运行时；
Excel：没有使用openpyxl，而是直接操作XML；.xlsx文件本质是XML文件的zip压缩包。所有衍生值必须保持真实的Excel公式（如SUM(B2:B9)），而不是预先算好的数字。改了源头，所有引用自动联动更新。为此构建13个独立的Python工具脚本，一份34000字的财务格式规范，对齐投行级的数字格式和布局标准。
PDF：主要是封面和正文；封面要好看，需要渐变、网格、混合模式、自定义字体；正文要稳定，需要对分页、段落流、页眉页脚精确控制。用两套引擎，封面用HTML+CSS，通过Playwright渲染成PDF，CSS原生处理视觉效果；正文用ReportLab，提供工程层面稳定可预期的控制。
PPT：难点是视觉一致性，做法：先把约束系统定义清楚，再在约束里生成内容。

核心功能

PDF文档生成与编辑：通过模型推理能力和XML处理逻辑，将业务数据直接生成结构化高质量PDF文档，支持字段填充、样式重组以及排版美化等操作；在实际任务中可自动生成带封面、目录与规范版式的报告文档。
PPTX演示创建与修改：利用pptx‑generator插件结合MiniMax模型内容推理，实现从自然语言输入到完整演示文稿的生成，支持从封面页布局到图表填充的自动处理，提高商务演示制作效率。
Excel表格处理：借助minimax‑xlsx技能实现表格解析、公式计算、格式一致性检查及财务模型输出，开发者可输入数据说明或模板路径，自动生成复杂财务表格或分析报告。
DOCX文档智能操作：结合minimax‑docx模块，用户可创建新文档、填充内容、格式化文本结构并根据模板执行自动化格式设置，适合生成标准合同、计划书或报告。
技能集扩展支持：仓库设计的结构允许开发者扩展新技能，例如流程任务、业务文档解析等，通过定义技能元数据即可加入新的办公自动化能力，实现灵活生态发展。

技术原理

M2.5模型语义推理：依赖MiniMax M2.5作为核心语义推理引擎，MoE架构，并通过强化学习优化任务分解能力，在读取自然语言指令后生成上下文相关的办公任务执行指令
插件层XML操作：技能集通过针对PPTX/Excel/PDF/DOCX等格式的底层XML处理实现文件结构化操作，将模型的内容输出映射到具体的文件格式元素，从而实现自动化Office文档生成和修改
上下文管理：依赖模型的长上下文窗口（约200K Token），可在单次会话中处理大规模输入文本、任务说明及历史修改记录，使得复杂工作流中的任务逻辑保持连贯且可追踪
多步骤Agent任务拆解：调用M2.5的推理和任务分解能力，在执行复杂任务时会将任务拆分为多个子步骤，如表格分析、公式执行、文本摘要等，有效提升专业性和结构化输出质量
输入参数智能映射：开发者在集成时可通过参数配置控制输出格式和细节，如指定模板路径、字段映射规则、语言风格等，使得技能在业务场景中更易适配和调优，提升实际应用效果

对比

维度	MiniMaxOfficeSkills	OpenAIGPT‑4Tools	Claude4.6Suite
模型依赖	基于MiniMaxM2.5模型推理	依赖GPT‑4/5系列	基于Claude4.6/5
上下文长度	约200K Token	约32k--128kToken	约100kToken
办公技能集成	集中XML插件处理PPTX/Excel/PDF/DOCX	工具调用需额外插件	集成插件生态较成熟
扩展性	开源仓库可自定义技能	依赖商业SDK	部分开源插件
成本	运行成本较低	高运行成本	中等
实际输出质量	面向可交付文档	生成准确性高但需后处理	支持业务集成

OpenSkills

论文，开源（GitHub，10.7K Star，669 Fork）.

官方定位

Universal skills loader for AI coding agents

instavm

此外，在GitHub上还有另外一个项目：https://github.com/instavm/open-skills，379 Star，31 Fork。

实战

bash 复制代码

npm i -g openskills
openskills install anthropics/skills
openskills sync

Skill Graphs

论文指出：真正决定训练效果的不是任务数量，而是AI在执行这些任务时经历多少种不同的场景和技能组合。

终端Agent是指用LLM驱动、通过命令行界面完成复杂任务的AI系统。训练这样的Agent需要大量"执行轨迹"，即AI在终端里一步步操作的全过程记录。

现有的合成训练数据方法主要走两条路：

让LLM生成分类体系来扩展领域覆盖，但往往和真实使用脱节
从GitHub仓库反推任务，但局限在软件工程场景

两条路都只关心"生成多少任务"，却没有控制AI在这些任务里到底经历多少种不同的"场景×技能"组合。

论文用数据直接展示这个问题：现有数据集中，不同任务让Agent经历的场景和技能高度重叠，轨迹冗余严重。

核心方法：用图谱结构控制训练轨迹的多样性

SkillSynth的核心思路是把AI操作终端的过程抽象成"场景-技能"序列：

场景：AI在某个决策点面临的状态（比如"视频文件已下载但未压缩"）
技能：AI在这个状态下执行的一组动作（比如"用ffmpeg压缩视频"）

每个技能从一个"前置场景"指向一个"后置场景"，形成有向图。图中的一条路径，就对应一个真实的多步骤工作流。

图谱规模：82,073个场景节点、57,214条技能边、185,529个LLM验证的桥接关系。85.6%的节点连通在最大连通分量中，意味着绝大多数技能都能串联成完整的工作流。

构建过程分五步：从ClawHub和GitHub过滤技能→LLM推断每个技能的前置/后置场景→聚类去重→跨技能对齐（后置场景匹配下一个技能的前置场景）→合并过滤。

采样策略也很关键：用逆频率加权------被访问少的节点和边优先被选中，避免路径扎堆在热门节点上。保证采样出的路径在"场景×技能"空间上的均匀覆盖。

自动生成：多Agent协作，一次跑出3560个验证过的任务

采样出路径后，一个多Agent协作流程把抽象路径变成具体的可执行任务：

规划器把路径转化成结构化的子目标和预期输出
构造器根据计划生成完整任务实例（指令、文件系统快照、容器环境、验证脚本、参考解法）
双验证：执行验证（跑参考解法确保任务可解）+评分验证（LLM判断指令和测试是否对齐）
不通过则进入修复循环，最多3轮修复，每轮最多20次工具调用

一次全自动运行的成绩单：从3,721条采样路径中产出3,560个通过验证的任务实例，95.7%的oracle通过率，平均成本仅$27.3/个。这些任务难度不低，Claude Opus 4.6平均需要37步才能解决，121个任务三次尝试都没解出来。

SkillNet

Skill Network的简称，即技能网络。由浙江大学、阿里巴巴、蚂蚁集团等 20 余家机构联合发布论文，核心定位是解决AI智能体重复造轮子的行业痛点，通过结构化、可评估、可复用的技能体系，让智能体从单次任务试错走向持续能力累积。

论文指出当前AI方法存在两个根本性缺陷：

缺乏统一的技能获取和整合机制：有价值的专业知识广泛存在于开源仓库、学术论文和Agent执行轨迹中，但它们仍然很大程度上是非结构化和孤立的。AI Agent无法自动将这些资源提炼为可复用、可执行的能力。
缺乏原则性的技能质量验证框架：没有内在和系统的评估，技能仓库容易"污染"，可执行性、安全性和鲁棒性只能通过下游任务成功间接评估。这种随机且不透明的验证引入技术债务，破坏长期能力增长。

官网，开源（GitHub，1.1K Star，131 Fork），将分散的实践经验，沉淀为可计算、可检索、可组合的结构化技能知识网络。构建超过20万个AI技能的开放基础设施，通过统一的本体论、五维度评估体系和技能关系图谱，让Agent从「重复造轮子」进化到「技能复用」，在三个基准测试中平均奖励提升40%、执行步骤减少30%。

核心价值：构建技能即资产的开放生态，将异构经验转化为20万+可计算、可检索、可组合的技能单元，使智能体能力进化从参数内隐转向结构外显。

应用场景：覆盖科研自动化、代码开发、多Agent协作、零售智能助手等领域，同时支持企业构建私域技能底座。

未来方向

开放世界技能进化：引入因果推理与在线反馈，实现技能动态迭代；
端到端智能体生成：支持自然语言需求→技能组合→可执行智能体全自动流水线；
神经-符号融合：技能结构反向指导模型决策，提升可解释性与可控性；
多Agent知识共享：构建全球共享技能层，推动集体智能进化。

知识演变

AI的发展史，本质上是对知识表征、理解与利用的探索史，这一历程可划分为三个阶段：

文本知识（Textual Knowledge）：知识以非结构化文本存在，覆盖面广但语义模糊，机器难以直接理解，形成语义鸿沟
符号知识（Symbolic Knowledge）：通过知识图谱、描述逻辑等符号化表示，赋予知识精确语义，支持严谨推理。但知识获取成本高，难以规模化应用
向量化知识（Vectorized Knowledge）：LLM将知识编码于高维向量空间，泛化能力强、调用便捷，但存在可解释性缺失、过程不可控、事实一致性脆弱等问题，在高可靠性任务中表现不稳定

上述三种形态都侧重于描述世界是什么（Know What），而缺乏对如何做（Know How）的程序性知识的有效表征；这正是当前智能体面对复杂任务时的核心困境。

为突破此困境，提出从静态知识转向动态技能型知识（Skill Knowledge）的工程化构建思路。技能是封装特定意图、可参数化调用并能产生确定性输出的程序性知识单元，融合引导智能体正确完成任务所需的上下文知识、行动步骤与历史经验，具体包含以下核心要素：

适用场景：定义前提条件、约束及失败场景
工具与接口：声明所需的外部资源与依赖
推理结构：固化已验证的决策链与操作序列
元认知信息：记录成功率、资源消耗、执行时延等评估指标

技能不仅是可执行的知识，更是可衡量、可复用、可演化的能力构件。正是这种模块化表征，使智能体得以基于既有能力库进行高效组合与灵活迁移，彻底摆脱从零试错的困境，从而实现真正的知技·善任，既能掌握技能，更能善于任用，为构建更通用、更鲁棒的AI系统奠定关键的能力基石。

Skill Ontology

SkillNet并非技能的简单堆积，而是一个结构化的技能网络。提出Skill Ontology来刻画技能间的系统性组织关系，分为三层结构：

层级：

第一层：分类体系，按功能与抽象层级组织技能
第二层：关系层，刻画技能间的依赖、组合、相似/替代等关系，为工作流规划提供结构化支撑
第三层：技能包层，具体技能以本地可部署的包形式存在，通过依赖关系接入上层网络

层级	核心作用	关键设计	示例
分类层（Taxonomy）	语义归类，支持高效检索	10大领域标签+多级子分类，形成功能分层体系	科研领域→生物信息学→基因序列比对；开发领域→代码重构→Python函数优化
关系层（Relation Graph）	建模技能关联，支持组合与推理	4类显式关系，构建150k+边的多关系图	技能【Python数据清洗】`depend_on`【Pandas基础操作】；技能【图片分类】`similar_to`【图像识别】
包层（Package Library）	模块化部署，支持一键复用	封装为版本控制的本地文件夹，包含`SKILL.md`、代码、依赖清单	技能包【科研数据可视化】包含步骤文档、Matplotlib代码模板、依赖库清单（`numpy>=1.24`）

通过组合（compose_with）、归属（belong_to）、依赖（depend_on）、相似/替代（similar_to）等关系，刻画技能之间的静态关联，还形成一个可随经验持续更新的动态本体，构建出可推理、可规划、可进化的能力空间。技能关系会随着任务分布、执行反馈与环境变化不断被修正与扩展。智能体得以像工程系统一样组装能力：选择合适模块、按需组合、规避已知失败模式，并在真实任务中快速迭代。

本质上，将知识从静态存储转化为可执行的能力工具箱，提升智能体在复杂任务中的可信性与可控性，也为长期在线Agent、跨领域协作及科研自动化提供可维护、可扩展、可演化的能力基础。

原理

论文给出的架构图

核心原理是多源输入→结构化抽取→质量验证→关系建模→生态复用的闭环流程，本质是将人类/智能体的隐性经验转化为显性技能资产。
#mermaid-svg-YSI5vkqGRlGJx90i{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-YSI5vkqGRlGJx90i .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-YSI5vkqGRlGJx90i .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-YSI5vkqGRlGJx90i .error-icon{fill:#552222;}#mermaid-svg-YSI5vkqGRlGJx90i .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-YSI5vkqGRlGJx90i .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-YSI5vkqGRlGJx90i .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-YSI5vkqGRlGJx90i .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-YSI5vkqGRlGJx90i .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-YSI5vkqGRlGJx90i .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-YSI5vkqGRlGJx90i .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-YSI5vkqGRlGJx90i .marker{fill:#333333;stroke:#333333;}#mermaid-svg-YSI5vkqGRlGJx90i .marker.cross{stroke:#333333;}#mermaid-svg-YSI5vkqGRlGJx90i svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-YSI5vkqGRlGJx90i p{margin:0;}#mermaid-svg-YSI5vkqGRlGJx90i .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-YSI5vkqGRlGJx90i .cluster-label text{fill:#333;}#mermaid-svg-YSI5vkqGRlGJx90i .cluster-label span{color:#333;}#mermaid-svg-YSI5vkqGRlGJx90i .cluster-label span p{background-color:transparent;}#mermaid-svg-YSI5vkqGRlGJx90i .label text,#mermaid-svg-YSI5vkqGRlGJx90i span{fill:#333;color:#333;}#mermaid-svg-YSI5vkqGRlGJx90i .node rect,#mermaid-svg-YSI5vkqGRlGJx90i .node circle,#mermaid-svg-YSI5vkqGRlGJx90i .node ellipse,#mermaid-svg-YSI5vkqGRlGJx90i .node polygon,#mermaid-svg-YSI5vkqGRlGJx90i .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-YSI5vkqGRlGJx90i .rough-node .label text,#mermaid-svg-YSI5vkqGRlGJx90i .node .label text,#mermaid-svg-YSI5vkqGRlGJx90i .image-shape .label,#mermaid-svg-YSI5vkqGRlGJx90i .icon-shape .label{text-anchor:middle;}#mermaid-svg-YSI5vkqGRlGJx90i .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-YSI5vkqGRlGJx90i .rough-node .label,#mermaid-svg-YSI5vkqGRlGJx90i .node .label,#mermaid-svg-YSI5vkqGRlGJx90i .image-shape .label,#mermaid-svg-YSI5vkqGRlGJx90i .icon-shape .label{text-align:center;}#mermaid-svg-YSI5vkqGRlGJx90i .node.clickable{cursor:pointer;}#mermaid-svg-YSI5vkqGRlGJx90i .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-YSI5vkqGRlGJx90i .arrowheadPath{fill:#333333;}#mermaid-svg-YSI5vkqGRlGJx90i .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-YSI5vkqGRlGJx90i .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-YSI5vkqGRlGJx90i .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-YSI5vkqGRlGJx90i .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-YSI5vkqGRlGJx90i .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-YSI5vkqGRlGJx90i .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-YSI5vkqGRlGJx90i .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-YSI5vkqGRlGJx90i .cluster text{fill:#333;}#mermaid-svg-YSI5vkqGRlGJx90i .cluster span{color:#333;}#mermaid-svg-YSI5vkqGRlGJx90i div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-YSI5vkqGRlGJx90i .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-YSI5vkqGRlGJx90i rect.text{fill:none;stroke-width:0;}#mermaid-svg-YSI5vkqGRlGJx90i .icon-shape,#mermaid-svg-YSI5vkqGRlGJx90i .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-YSI5vkqGRlGJx90i .icon-shape p,#mermaid-svg-YSI5vkqGRlGJx90i .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-YSI5vkqGRlGJx90i .icon-shape .label rect,#mermaid-svg-YSI5vkqGRlGJx90i .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-YSI5vkqGRlGJx90i .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-YSI5vkqGRlGJx90i .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-YSI5vkqGRlGJx90i :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 多源经验输入
自动化技能抽取
去重与分类打标
五维质量评估
技能关系推理
结构化技能包封装
开放仓库存储
智能体检索/复用
任务执行反馈
技能迭代回流

关键技术原理

多源技能自动抽取：通过LLM提示链解析GitHub代码、智能体执行轨迹、Office文档、自然语言提示，提取可执行步骤并生成标准化SKILL.md文档，自动识别工具依赖与参数格式
五维质量验证：基于GPT-5o-mini实现自动化评估，其中可执行性（Executability）通过Docker沙箱真实运行代码验证，确保技能可落地；其余维度（安全性、完备性、可维护性、成本感知）按3级量表打分，过滤低质量技能
关系图谱构建：混合语义嵌入检索+LLM链式推理，自动发现技能间的4类核心关系，形成可推理的技能网络

三大核心功能模块

模块	核心职责	技术实现
Skill Creation（技能创建）	多源经验转化为结构化技能	LLM提示链+代码AST解析+执行轨迹归纳
Skill Evaluation（技能评估）	过滤低质量/危险技能	五维评估器（Safety/Completeness/Executability/Maintainability/Cost-awareness）+沙箱验证
Skill Analysis（技能分析）	构建技能关系与图谱	Sentence-BERT语义嵌入+LLM关系推理

五维评估体系

评估维度	核心含义	验证方式
Safety（安全性）	无恶意操作、数据泄露风险	LLM静态检测+危险操作黑名单（如文件删除、命令注入）
Completeness（完备性）	步骤、参数、异常处理是否完整	对比领域标准流程，检查关键环节缺失
Executability（可执行性）	代码/操作能否正常运行	Docker沙箱真实执行，捕获报错与超时
Maintainability（可维护性）	代码可读性、版本兼容性	检查代码规范、依赖版本约束清晰度
Cost-awareness（成本感知）	资源消耗（算力/API费用）合理性	统计执行时长、GPU/CPU占用，设置阈值过滤

技能全生命周期管理

创建：支持多源输入（GitHub仓库、执行轨迹、文档、自然语言）自动生成技能，也支持用户手动提交
评估：上传技能后自动触发五维评估，生成质量报告与优化建议
检索：支持关键词检索、语义检索、关系检索，如查找依赖Pandas的数据处理技能
复用：通过Python工具包、REST API一键加载技能包，支持本地缓存与版本切换
进化：基于用户反馈与任务执行结果，自动迭代技能版本，更新关系图谱

SkillNet的构建基于大规模、多源的技能数据采集，从以下渠道系统性收集技能：

全网已有Skill：整合开源社区中已验证的技能实现
实现学术数据集：从学术数据集提取多个领域的标准化方法与流程
GitHub代码仓库：挖掘真实项目中的可复用能力模块
智能体执行轨迹：从我们自主运行的Agent任务中自动抽取技能

自动化构建流水线：在数据采集的基础上，提出一套自动化流水线，将多源异构数据转化为结构化、可复用的技能表示。首先对任务空间进行系统性探索，采集涵盖成功与失败的完整行为轨迹；随后对多步骤决策过程进行自动归纳与分解，抽象出具有明确语义边界与接口定义的模块化Skill。在此之上，进一步结合LLM的推理能力与规则约束，自动构建技能之间的层级、依赖与组合关系，从而形成结构化、可演化的技能关系网络。

实战

基于pip安装：pip install skillnet-ai

示例：

py 复制代码

from skillnet_ai import SkillNetClient
import skillnet

client = SkillNetClient(api_key="sk-xxx")
# 搜索技能
skills = client.search(q="bioinformatics pipeline")
for skill in skills:
	print(skill.name, skill.evaluation_score) # 显示技能名与五维评估总分

# 下载并使用
local_path = client.download(url=skills[0].skill_url, target_dir="./my_skills")
print(f"Skill successfully installed at: {local_path}")
# 加载技能
skill = skillnet.load("python-data-clean-v1.2")
# 传入参数并执行技能
result = skill.execute(data_path="./data.csv", missing_value_strategy="mean")
# 创建技能
created_paths = client.create(github_url="https://github.com/openai/openai-python", output_dir="./my_skills", model="gpt-4o" )
# 评估技能
result = client.evaluate(target="https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/biopython", model="gpt-4o")
print(f"Evaluation Result: {result}")
# 提交新技能
skillnet.submit(skill_path="./my-skill-package", description="自定义数据归一化技能")
# 分析技能关系
relations = client.analyze(skills_dir="./my_skills", save_to_file=True, model="gpt-4o")
for rel in relations:
	print(f"{rel['source']} --[{rel['type']}]--> {rel['target']}")