QoderWork Skills 开发实践:从传统数科到 AI 数科的转型探索-我的Skills进阶之旅
本文以作者从传统数科向 AI 数科转型的实践为背景,系统阐述了 QoderWork Skills 的开发方法论与工程体系。文章指出 Skill 本质是将领域知识、标准流程及避坑指南封装为 AI Agent 可执行的“数字助手”,并提出了由编排层(SKILL.md)、参数层(config.yaml)、实现层(scripts/)和知识层(references/)构成的四层分离架构,强调通过结构化指令而非单纯代码注入来提升分析效率与输出稳定性。通过对比 Follow Builders 和 Frontend Slides 等案例,以及用户洞察报告、AB 实验分析等自研 Skill 的实战经验,文章总结了 Description 定义、流程编排、配置模板化及渐进式披露等关键开发技巧,旨在通过工程化手段实现团队知识沉淀与标准化,解放人力以聚焦高价值业务决策。
写在前面
Skills 可以适用于QoderWork / Qoder CLI / Claude Code / Codex 等主流 AI Agent平台,这里写QoderWork Skills,主要是因为我目前主要基于QoderWork使用、测试我的Skills
其实,Skill 本质上是一份清晰、可执行的指令文档,用于明确告诉模型在什么条件下、按什么步骤产出结果 。
如果你尚未接触过 Skills,建议先别急着动手,而是去体验、使用一些现有的 Skills。
从已有的使用中,你能更敏锐地发掘出日常工作生活中确切的需求点和问题点。
参考结构优秀、触发精准的案例,能帮你把 Skill 写成好用的“执行协议”,而非给人看的普通文档。
这样,我们才能更切身地体会到,怎样更好地利用 Skill 为生活、工作和团队赋能 : )
下面简单列举一些我体验过的 Skills,希望能给你带来灵感!
▐ 日常 Skill
browser-use :完整浏览器操控:页面导航、表单填写、数据抓取 follow-builders:一个 AI 驱动的信息聚合工具,追踪那些真正在做产品、有独立见解的人,并将他们的最新动态整理成易于消化的摘要推送给你。
frontend-slides :HTML 演示文稿生成技能,通过“先看再选”的视觉预览引导用户发现风格,最终让 AI 在严格的工程边界内生成零依赖的单文件网页幻灯片 (注意产出不要开部署功能,保护数据安全)
▐ 工作 Skill
数据问答分析技能:该技能主要支持快速问数、数据异动、归因分析、趋势分析等功能。
找odps表和odps问数技能:该技能主要支持查找特定的odps报表,并支持基于odps表的直接问数
找fbi报表技能
报表解读技能:用户提供fbi的报表id,对指定的报表进行内容解读、指标趋势分析、数据异动分析
指标巡检技能:用户问题指定fbi的报表id和指标名称,对指定的指标根据用户问题进行异常巡检诊断,生成最终的指标巡检报告
(超快版)找odps表和FBI数据集:支持找odps表,找fbi数据集,fdp数据准备表和上传表,支持预览数据
▐ 元 Skill
在开始编写自己的Skill前可以先安装“元Skill”,节省时间和精力
find-skills:Skill 检索引擎,有需求先搜索,避免重复造轮子,直接复用社区/平台里经过验证的优秀方案
skill-creator:Skill 创作想到,简单描述想法,通过几轮对话就能设计出一个结构完整、符合最佳实践的Skill框架
Tool Advisor:分析当前任务上下文后推荐最优的工具和 Skill 组合
背景:我们为什么要做 Skills?
▐ 数科团队的痛点
▐ 从 Idealab 到 QoderWork 的演进
我之前在 Idealab AI Studio 上构建了一个对话型的用户理解助手,通过 Prompt Engineering + 知识库 RAG 实现了"给数据 → 出洞察"的闭环。这次实践让我意识到:把领域知识结构化地注入 AI,能显著提升分析效率和输出质量。
QoderWork 的 Skills 机制把这个思路产品化了——你可以把团队的分析方法论、场景化问题解决思路、报告模板、校验规则写成 Skill,让 AI Agent 按照专业标准执行分析任务。
▐ Skills 的价值定位
Skills 工程体系:不止是一个Skill.md
▐ 完整的Skill 结构目录
当然很多时候,一个“真正好用”的Skill可能只需要一个md文件就够了,也有很多skills有不同的文件组织和呈现形式,但其核心的设计思路依然是如下所示的工程结构,下文会对一些不同的Skill进行拆解和分析
大家平时在使用Skill的过程中,也可以让自己的Agent来帮助自己理解一些觉得好用的Skill是如何构建的。
▐ Skill.md 的定位:编排者而非执行者
核心原则:SKILL.md 只负责流程编排和决策指引,不嵌入大段实现代码。
SKILL.md 应该回答的问题是:
这个 Skill 什么时候被触发?(触发条件)
分析流程有哪些步骤?(步骤编排)
每一步调用哪个脚本的哪个函数?(实现委托)
遇到异常情况如何决策?(判定标准)
不应该出现的内容是大段的 Python 代码——那些应该放在 scripts/ 里。
建议篇幅:控制在 200 行以内(我的两个 Skill 分别是 170 行和 133 行),过长的 SKILL.md 会稀释重点,Agent 反而可能忽略关键指引。
▐ config.yaml的设计哲学:模板而非表单
这样的 YAML 不是配置模板,而是一份填好的表单。下次做"直播红包实验"或"搜索排序实验"时,这份配置完全不适用。
正确的做法——参数结构定义模板:
设计要点:
auto占位符:表示该字段由 scripts/ 中的自动检测逻辑在运行时填充空列表
[ ]:表示该配置项的结构已定义,但具体值在每次运行时动态决定[默认值]标注:有合理默认值的参数(如significance_level: 0.05)可以直接填入注释说明每个字段的含义、标注 [必填]/[自动检测]/[默认值]
▐ scripts/ 的价值:复杂逻辑的归宿
Agent 擅长写简单的代码片段,但对于需要精确控制的复杂逻辑(统计检验方法选择、字段自动检测、图表样式),让 Agent 每次临场发挥是不可靠的。
scripts/ 的作用是把这些关键逻辑固定下来,确保每次执行结果一致。
以 AB 实验中的字段自动检测为例:
这个函数覆盖了常见的几十种列名变体,保证无论数据来自哪个系统,都能高概率自动映射成功。如果靠 Agent 每次自己猜,准确率和一致性都无法保证。
▐ references/ 的作用:知识的渐进式披露
SKILL.md 篇幅有限,不可能把每个统计方法的原理都写进去。references/ 提供了渐进式披露(Progressive Disclosure):
SKILL.md 只说「连续型指标用 Welch's t-test,非正态时回退到 Mann-Whitney U」
references/statistical_methods.md 详细解释为什么选 Welch 而非 Student、效应量怎么计算、多重比较校正的原理
这样 Agent 在正常执行时读 SKILL.md 就够了;当用户追问"为什么用这个方法"时,Agent 可以引用 references/ 中的详细说明。
学习好用的Skills的组织形式和优点
▐ Follow Builders
一个 AI 驱动的信息聚合工具,追踪那些真正在做产品、有独立见解的人,并将他们的最新动态整理成易于消化的摘要进行推送,可以设置…