DataShrimp/skills

源出处

• 官方仓库: anthropics/skills — mcp-builder/SKILL.md
• 包含的其他技能工程参考:
  • Claude Code Skills — 动态上下文注入 (!command``)
  • OpenAI ChatGPT & Codex Skills (agents/openai.yaml)
  • 代理技能规范 — 脚本框架 (agentskills.io)

---

第 1 部分：Anthropic 官方 mcp-builder/SKILL.md （3 级渐进式披露范例）

概述

创建 MCP（模型上下文协议）服务器，使 LLM 能够通过精心设计的工具与外部服务交互。MCP 服务器的质量取决于它使 LLM 完成实际任务的能力。

---

流程

🚀 高级工作流

创建高质量的 MCP 服务器涉及四个主要阶段：

阶段 1：深入研究和规划

1.1 理解现代 MCP 设计

API 覆盖 vs. 工作流工具： 在全面的 API 端点覆盖与专门的工作流工具之间取得平衡。工作流工具对于特定任务可能更方便，而全面的覆盖则赋予代理灵活组合操作的能力。性能因客户端而异——某些客户端受益于组合基本工具的代码执行，而其他客户端则更适合高级工作流。如果不确定，优先考虑全面的 API 覆盖。

工具命名与可发现性： 清晰、描述性的工具名称有助于代理快速找到合适的工具。使用一致的前缀（例如 github_create_issue、github_list_repos）和面向操作的命名。

上下文管理： 代理受益于简洁的工具描述以及过滤/分页结果的能力。设计能够返回集中、相关数据的工具。某些客户端支持代码执行，这可以帮助代理高效地过滤和处理数据。

可操作的错误消息： 错误消息应通过具体的建议和后续步骤引导代理找到解决方案。

1.2 学习 MCP 协议文档

浏览 MCP 规范： 从站点地图开始，查找相关页面：https://modelcontextprotocol.io/sitemap.xml 然后使用 .md 后缀获取特定页面（例如 https://modelcontextprotocol.io/specification/draft.md）。

需要查看的关键页面：

• 规范概述和架构
• 传输机制（可流式 HTTP、stdio）
• 工具、资源和提示定义

1.3 学习框架文档

推荐技术栈：

• 语言: TypeScript（高质量的 SDK 支持，在许多执行环境（如 MCPB）中具有良好的兼容性。此外，AI 模型擅长生成 TypeScript 代码，得益于其广泛使用、静态类型和良好的 linting 工具）
• 传输: 远程服务器使用可流式 HTTP，采用无状态 JSON（比有状态会话和流式响应更易于扩展和维护）。本地服务器使用 stdio。

加载框架文档：

• MCP 最佳实践: 📋 查看最佳实践 - 所有 MCP 服务器的核心指南
• TypeScript（推荐）: ⚡ TypeScript 指南 - TypeScript 模式和示例
• Python: 🐍 Python 指南 - Python/FastMCP 模式和示例

1.4 规划你的实现

理解 API： 查看服务的 API 文档以确定关键端点、身份验证要求和数据模型。根据需要执行网络搜索和网络获取。

工具选择： 优先考虑全面的 API 覆盖。列出要实现的端点，从最常见的操作开始。

---

阶段 2：实现

2.1 设置项目结构

有关项目设置，请参阅特定语言的指南：

• ⚡ TypeScript 指南 - 项目结构、package.json、tsconfig.json
• 🐍 Python 指南 - 模块组织、依赖项

2.2 实现核心基础设施

创建共享实用程序：

• 带有身份验证的 API 客户端
• 错误处理帮助程序
• 响应格式化（JSON 和 Markdown）
• 分页支持

2.3 实现工具

对于每个工具：

输入模式：

• 使用 Zod（TypeScript）或 Pydantic（Python）
• 包含约束条件和清晰描述
• 在字段描述中添加示例

输出模式：

• 尽可能定义 outputSchema 以获取结构化数据
• 在工具响应中使用 structuredContent（TypeScript SDK 功能）
• 帮助客户端理解和处理工具输出

工具描述：

• 功能简洁总结
• 参数描述
• 返回值模式

实现：

• 使用 async/await 处理 I/O 操作
• 使用带有可操作消息的适当错误处理
• 在适用情况下支持分页
• 使用现代 SDK 时，返回文本内容和结构化数据

注释：

• readOnlyHint: true/false
• destructiveHint: true/false
• idempotentHint: true/false
• openWorldHint: true/false

---

阶段 3：审查和测试

3.1 代码质量

检查事项：

• 没有重复代码（DRY 原则）
• 一致的错误处理
• 完整的类型覆盖
• 清晰明了的工具描述

3.2 构建和测试

TypeScript：

• 运行 npm run build 以验证编译
• 使用 MCP Inspector 进行测试：npx @modelcontextprotocol/inspector

Python：

• 验证语法：python -m py_compile your_server.py
• 使用 MCP Inspector 进行测试

有关详细的测试方法和质量检查清单，请参阅特定语言的指南。

---

阶段 4：创建评估

在实现 MCP 服务器之后，创建全面的评估以测试其有效性。

加载 ✅ 评估指南 获取完整的评估指南。

4.1 理解评估目的

使用评估来测试 LLM 是否能够有效地使用你的 MCP 服务器来回答现实、复杂的问题。

4.2 创建 10 个评估问题

要创建有效的评估，请遵循评估指南中概述的流程：

1. 工具检查: 列出可用的工具并了解其功能
2. 内容探索: 使用只读操作探索可用数据
3. 问题生成: 创建 10 个复杂、现实的问题
4. 答案验证: 自己解决每个问题以验证答案

4.3 评估要求

确保每个问题：

• 独立: 不依赖其他问题
• 只读: 仅需要非破坏性操作
• 复杂: 需要多次工具调用和深入探索
• 现实: 基于用户关心的实际用例
• 可验证: 可以通过字符串比较验证的单个清晰答案
• 稳定: 答案不会随时间变化

4.4 输出格式

创建具有以下结构的 XML 文件：

<evaluation>
  <qa_pair>
    <question>查找有关具有动物代号的人工智能模型发布的讨论。一个模型需要特定的安全指定，其格式为 ASL-X。对于以斑点野猫命名的模型，确定的数字 X 是多少？</question>
    <answer>3</answer>
  </qa_pair>
<!-- 更多 qa_pairs... -->
</evaluation>

---

参考文件

📚 文档库

在开发过程中根据需要加载这些资源：

核心 MCP 文档（首先加载）

• MCP 协议: 从站点地图 https://modelcontextprotocol.io/sitemap.xml 开始，然后使用 .md 后缀获取特定页面
• 📋 MCP 最佳实践 - 通用 MCP 指南，包括：
  • 服务器和工具命名约定
  • 响应格式指南（JSON vs Markdown）
  • 分页最佳实践
  • 传输选择（可流式 HTTP vs stdio）
  • 安全性和错误处理标准

SDK 文档（在阶段 1/2 期间加载）

• Python SDK: 从 https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md 获取
• TypeScript SDK: 从 https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md 获取

特定语言的实现指南（在阶段 2 期间加载）

• 🐍 Python 实现指南
• ⚡ TypeScript 实现指南

评估指南（在阶段 4 期间加载）

• ✅ 评估指南

---

第 2 部分：Claude Code 动态上下文注入 (!command``) 技能范例

• 来源: Claude Code Skills Documentation

---
name: pr-summary
description: 总结拉取请求中的更改。当用户要求审查、总结或审计当前 PR 或分支差异时使用。
context: fork
agent: Explore
allowed-tools: Bash(gh *)
---

## 拉取请求上下文
- PR 差异: !`gh pr diff`
- PR 评论: !`gh pr view --comments`
- 更改的文件: !`gh pr diff --name-only`

## 你的任务
总结此拉取请求，包含具体的文件级风险、破坏性更改和验证步骤...

---

第 3 部分：OpenAI Codex / ChatGPT agents/openai.yaml 侧车模式

• 来源: OpenAI Build Skills Documentation

interface:
  display_name: "自我进化元提示与角色架构师"
  short_description: "跨工具编译、评估和调整提示、技能和代理角色"
  icon_small: "./assets/icon-small.svg"
  icon_large: "./assets/icon-large.png"
  brand_color: "#2563EB"
  default_prompt: "使用评估评分卡设计或优化提示、技能或代理角色定义。"

policy:
  allow_implicit_invocation: true

dependencies:
  tools:
    - type: "mcp"
      value: "git"
      description: "用于仓库检查的 Git MCP 服务器"

---

第 4 部分：代理技能 PEP 723 自包含脚本框架范例

• 来源: Agent Skills — Using Scripts (agentskills.io)

# /// script
# dependencies = [
#   "pydantic>=2.0",
# ]
# requires-python = ">=3.10"
# ///
"""旨在通过 `uv run` 为代理技能调用设计的自包含非交互式 CLI 脚本。"""

import argparse
import json
import sys


def main() -> int:
    parser = argparse.ArgumentParser(
        description="无需交互提示即可验证技能或角色头部元数据和令牌预算。"
    )
    parser.add_argument("--input", required=True, help="目标 Markdown 文件的路径")
    parser.add_argument("--max-chars", type=int, default=12000, help="字符预算上限")
    parser.add_argument("--dry-run", action="store_true", help="预览检查而不写入")
    args = parser.parse_args()

    try:
        with open(args.input, "r", encoding="utf-8") as f:
            text = f.read()
    except FileNotFoundError:
        sys.stderr.write(
            f"错误：未找到文件 '{args.input}'。请通过 --input <path> 传递有效路径。\n"
        )
        return 1

    char_count = len(text)
    passed = char_count <= args.max_chars
    result = {
        "file": args.input,
        "char_count": char_count,
        "max_chars": args.max_chars,
        "passed": passed,
        "remediation": None if passed else f"减少 {char_count - args.max_chars} 个字符或将详细信息移至 references/。",
    }
    sys.stdout.write(json.dumps(result, ensure_ascii=False, indent=2) + "\n")
    return 0 if passed else 2


if __name__ == "__main__":
    sys.exit(main())