技能介绍

解决什么问题

写 Agent 技能时，常见困难不是“能不能写出一版 SKILL.md”，而是不知道它是否真的比不装技能时更好：触发是否过弱或过强，输出格式是否稳定，耗时和 token 是否可接受，多次迭代后哪些断言只是在重复确认同一件事。测一测 把这类经验性调试整理成可执行的开发流程。

技能如何工作

它先从用户意图开始，围绕四个问题推进：技能要让模型做什么、在什么上下文下触发、期望输出格式、是否需要测试用例。如果当前会话已经包含完整工作流，它也可以从历史中提取工具调用、步骤顺序、输入输出格式和用户修正，再补齐缺口。

随后进入草稿与评估闭环。关键步骤包括：

编写 SKILL.md 草稿，把触发条件写进 description，并按需使用渐进式加载和领域分文件。
生成 2 到 3 个真实用户会说的测试 prompt，保存到 evals/evals.json。
同时启动 with-skill 与 baseline 两组运行，避免先后启动造成时间差。
在运行期间草拟可客观验证的 assertions，并更新 eval_metadata.json。
收集 timing.json、评分结果、benchmark.json 与 benchmark.md，再打开评审视图查看定性输出和量化指标。

它还会做一层 analyst pass，找那些始终通过的断言、高方差用例、以及 token 与耗时的 tradeoff，帮助判断下一轮该改描述、改正文，还是扩大测试集。

适用边界

这个流程更适合有明确输出、可校验结果或固定步骤的技能，例如文件转换、数据抽取、代码生成和流程化任务。对写作风格、设计质量等主观结果，资料更倾向于定性评估，不建议强行塞入量化断言。使用它时需要接受一定的运行开销：会涉及多次子任务、评分脚本和结果文件。若环境没有浏览器，可用静态评审文件替代交互式 viewer。