Agent Skills Yi经从实验室走进了生产环境，成为提升智Neng体可维护性与效率的利器。无论你是刚踏入 LangChain 的新人，还是在企业项目里苦苦寻找「轻量化」解决方案的老手，这篇指南dou会帮你把抽象概念拆解成可落地的代码块，让你在 48 小时内搭建出自己的第一套 Skill 系统。

想象一下你正在阅读一本厚重的技术手册。大模型只Neng一次性读取全部文字吗？显然不现实。Agent Skills 正是把手册拆成目录+章节+附录三层，只在需要时才把章节内容拉进上下文，从而大幅削减 Token 消耗。

元数据层类似目录，只列出 Skill 名称、触发条件以及简要说明；默认被加载。

指令层真正的业务逻辑，如「将 .srt 转为 Markdown」；按需加载。

资源层脚本、图片或外部链接，同样是按需取用。

这种「渐进式披露」机制让模型在对话初期保持轻盈，而在用户真正需要执行复杂操作时再展开完整指令，犹如打开一本书时先kan目录，再决定翻到哪一章。

name: srt-to-md
description: 将字幕文件转为结构化 Markdown 文档
trigger:
  - ".srt"
type: transformation
Screenshot-00:00:12

上面的 YAML 只占几行，却足以让 Claude/Trae 知道「当我拖入 .srt 时你Ke以提供一个转换功Neng」。后续的细节会在指令层出现。

## 操作步骤
1. 读取 .srt 内容，解析时间轴和文本。
2. 按章节划分，每段以 `## 时间` 为标题。
3. 将结果写入同名 .md 文件并返回路径。
**注意**：仅在用户确认使用该 Skill 时才将此段文字注入模型上下文，以免浪费 Token。
Screenshot-00:01:05

这里我们Ke以kan到「按需加载」的核心思想——只有当用户点头同意后这整段文字才会进入大模型记忆里。

为了让 Skill geng具可 性，我们建议把可执行脚本放进 /scripts 子目录，把说明文档放进 /references，图片等静态文件放进 /assets。下面是一段典型的 Python 脚本，用来完成上述字幕转 Markdown 的任务：

import re
from pathlib import Path
def srt_to_md -> Path:
    """将 .srt 文件转换为 Markdown 并返回生成文件路径"""
    md_path = srt_path.with_suffix
    with srt_path.open as f_in,\
         md_path.open as f_out:
        block = 
        for line in f_in:
            if line.strip.isdigit:
                if block:
                    timestamp = block
                    text = ' '.join for b in block)
                    f_out.write
                    block.clear
            else:
                block.append)
    return md_path
if __name__ == "__main__":
    import sys
    path = Path if len>1 else Path
    print}")
Screenshot-00:02:18

这段代码不直接写进 Prompt，而是作为资源文件被调用。Claude Code 在运行 Skill 时会先执行它，然后把结果返回给模型，从而实现「低上下文消耗」与「高执行效率」的双赢。

仅有单个 Skill 并不足以应付真实业务需求。下面列出几种成熟的组合方式，让你的智Neng体像乐高一样随意拼装。

将多个 Skill 按顺序串联，每个 Skill 的输出自动作为下一个 Skill 的输入。例如：

SRT解析Skill: 把字幕文件转成结构化 JSON。

SRT摘要Skill**: 基于 JSON 输出关键要点摘要。

SRT‑MD导出Skill**: 把摘要渲染成 Markdown 文档。

这种模式适用于“先处理再加工”的场景，只需要在每一步声明「下一步是什么」，大模型就会自动调度。

If a certain external tool is unavailable ，Skill Ke以声明一个备选方案。例如：

fallback:
  - name: local-summary
    description: 使用本地简易摘要算法替代远程 LLM
Screenshot-00:03:07

这样即使云服务挂掉，智Neng体依旧Ke以继续提供基本功Neng，提升鲁棒性。

当用户需求多样化时一个入口 Skill Ke以根据关键词路由到不同子 Skill。例如：

router:
  keywords:
    "翻译": translate-skill.md
    "摘要": summarize-skill.md
    "截图": screenshot-skill.md
Screenshot-00:04:02

这种Zuo法让单一入口保持简洁，却Neng灵活 新功Neng，只要新增对应子 Skill 即可。

下面我们通过一步步操作，把前面提到的三个层次组合起来实现「上传字幕 → 自动转 MD → 自动截图 → Zui终输出带图文报告」的完整链路。整个过程约 30 行代码，可直接复制到本地运行。

mkdir agent-skills-demo && cd agent-skills-demo
# 创建 meta 文件夹存放元数据 / instructions / assets 三层结构
mkdir -p skills/srt-to-md/{metadata,instructions,assets}
touch .claude.json   # 用于存放 Anthropic Token 等环境变量
Screenshot-00:05:10

.claude.json 示例：

{
  "ANTHROPIC_AUTH_TOKEN": "YOUR_API_KEY",
  "ANTHROPIC_BASE_URL": "https://api.anthropic.com"
}
Screenshot-00:05:25

name: srt-to-md-with-screenshot
description: 将 .srt 转为 Markdown，并自动截取对应视频帧插入报告。
trigger:
  - ".srt"
type: transformation
version: "1.0"
Screenshot-00:06:02

## 执行流程
1️⃣ **读取** 用户拖入的 `.srt` 与同名 `.mp4`。
2️⃣ **调用** `scripts/srt_to_md.py` 完成字幕转 markdown。
3️⃣ **调用** `scripts/screenshot.py` 对视频进行关键帧截图。
4️⃣ **合并** 截图链接至 markdown 中相应时间点。
5️⃣ **返回** Zui终报告路径。
### 注意事项
* 若用户未提供视频，仅生成纯文本 markdown。
* 所有脚本均在本地运行，不会泄露源码给大模型。
--- 
准备好了吗？请确认使用该 Skill 🙋‍♀️🙋‍♂️  
Screenshot-00:06:`18`
Screenshot-00:`07`:30` 
Screenshot‑08​:`00`:45 
--- 
### 实际运行命令

bash 
claude run skills/srt-to-md-with-screenshot/metadata/skill.yaml your_file.srt 
系统会自动弹出确认框，同意后即开始执行整个工作流。  
---
### 脚本文件结构
agent-skills-demo/
├─ .claude.json               # 配置文件  
├─ skills/
│   └─ srt-to-md-with-screenshot/
│       ├─ metadata/skill.yaml      # 元数据  
│       ├─ instructions/main.md     # 指令  
│       └─ assets/
│           └─ scripts/
│               ├─ srt_to_md.py     # 字幕转 markdown  
│               └─ screenshot.py     # 视频截图工具  
└─ README.md                  # 项目说明  
---
脚本详解：`scripts/screenshot.py` 

import subprocess as sp
from pathlib import Path
def capture:
    out_dir = Path; out_dir.mkdir
    img_path = out_dir/f"screenshot_{ts//60}_{ts%60}.jpg"
    cmd = 
    sp.run
    return img_path
if __name__ == "__main__":
    import json, sys; cfg=json.load)
    video=cfg; timestamps=cfg
    for t in timestamps:
        print)
Screenshot‑09​:`01`:15  
此脚本不会直接暴露给 LLM，而是作为资源被调用，从而实现“低上下文消耗”。  
---
四、完整输出示例 
运行完毕后你将在项目根目录kan到类似以下结构：
免费获取。

hen多小伙伴和我一样因为订阅费用捂紧钱包，对 Claude Code 与智谱等模型抱怨连连。好消息是字节跳动推出了 Trae，它Yi经支持了 Skills 的编写与调用，我计划近期撰写《Trae Skills 实战指南》系列文章，敬请期待！ 🎉🎉🎉 
六、 —— 把“轻量化”变成生产力 🚀 
A​gent Skills 并不是一种新奇玩具，而是一套让大模型geng像传统软件工程师的方法论。通过把提示词拆分为元数据、指令和资源三层，你Ke以显著降低 Token 消耗，提高系统响应速度，同时保持高度可维护性。在实际项目中，将 Skills 与 MCP结合使用，gengNeng发挥各自优势：MCP 管理复杂工具链，Skills 则负责细粒度Neng力
，两者配合就像发动机和传动系统，共同驱动你的 AI 产品高速前行。
Ru果你Yi经尝试了本文中的案例，请在评论区留下你的感想或改进思路；Ru果还有哪些细节卡住了也欢迎随时私信我，我会抽空帮你排查问题。祝大家玩得开心，打造出属于自己的 AI 智Neng体！ 🎈💡🚀 
© 2026 AI 文案
专家 | 本文采用 .
如需转载，请注明出处并保留原始链接。