SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场multi-ai-skill-builder

multi-ai-skill-builder

智能体与模型

查看项目

更新于 10-15 10:54

技能介绍

用途

multi-ai-skill-builder 是一个元技能，用于系统化地使用多 AI 方法构建 Claude Code 技能。它通过研究、规划和实现阶段协调多个 AI 模型（Claude、Gemini、Codex），产出全面、可投入生产的技能。

其目的为：使用多 AI 研究与综合，构建高质量的 Claude Code 技能。模式为工作流式（5 步顺序流程）。

主要能力

该技能基于三 AI 研究验证的关键原则展开：

  • 多源研究：Claude 负责文档，Gemini 负责网页，Codex 负责 GitHub
  • 构建前先综合：将多方发现合并为连贯计划
  • 渐进式披露：SKILL.md + references/ + scripts/
  • 模式合规：遵循既定技能模式
  • 验证循环：对生成的技能进行多 AI 评审
  • 迭代精炼：构建 → 评审 → 改进循环

质量目标包括：研究覆盖 3 个以上来源（Claude + Gemini + Codex）、技能完整性（所有必需章节齐备）、每个技能 5 个以上实用代码示例、验证得分不低于 85/100。

使用方式

工作流分为五个阶段。

步骤 1：研究阶段（多 AI），时长约 30–60 分钟，目的是从多个来源收集全面知识。包括三部分：1.1 Claude 文档研究，使用 Claude subagent 研究官方文档、代码库中已有的相似技能、API 模式与 SDK 用法、常见工作流与用例，输出结构化发现，涵盖关键概念、推荐模式、代码示例、坑点与反模式；1.2 Gemini 网页研究，使用 Gemini CLI 获取当前最佳实践，格式为 gemini -p "Research [TOPIC] best practices 2024-2025: ..."；1.3 Codex GitHub 研究，格式为 codex "Research GitHub patterns for [TOPIC]: ..."；1.4 创建研究目录，命令为 mkdir -p .analysis/[topic]-research，并将结果分别保存为 claude-docs-research.md、gemini-web-research.md、codex-github-research.md。

步骤 2：综合阶段，时长约 15–30 分钟，目的是将研究合并为可执行计划。综合多方发现，统一整理关键模式、最佳实践、应避免的反模式、推荐技能结构、应包含的操作/工作流和代码示例，并保存为 .analysis/[topic]-research/SYNTHESIS_AND_PLAN.md。

步骤 3：构建阶段，时长约 60–90 分钟，目的是创建技能文件。先建立目录结构：mkdir -p .claude/skills/[skill-name]/references 和 mkdir -p .claude/skills/[skill-name]/scripts（如需要）。然后按模板构建 SKILL.md，其 YAML frontmatter 包含 name、description、allowed-tools 字段，正文包含 Overview、When to Use、Prerequisites、Operations 或 Workflow Steps、Multi-AI Coordination、Related Skills、References 等章节。随后构建参考文件并添加代码示例，每个技能需要快速开始示例、常见用例示例、高级/边界情况示例、错误处理示例和集成示例。

步骤 4：验证阶段，时长约 15–30 分钟，目的是核对技能质量。先做结构验证，用 head -20 .claude/skills/[skill-name]/SKILL.md 检查 YAML frontmatter 并核对各章节；再进行多 AI 评审（检查 frontmatter 完整性、触发关键词、使用/不使用场景、前置条件、代码示例数量、错误处理、渐进式披露、关联技能，并评分 0–100 并给出改进建议）；最后用 Gemini 交叉核对，格式为 gemini -p "Verify this skill against best practices: ..."。

步骤 5：精炼阶段，时长约 15–30 分钟，目的是应用验证反馈。修复结构问题、补充缺失示例、澄清不清晰章节、增强描述；做最终质量检查，确保得分不低于 85/100、所有验证项通过、交叉核对反馈已处理、可用于生产；并创建交付总结，保存为 .analysis/[topic]-research/DELIVERY_SUMMARY.md。

适用场景

应在以下情况使用：从零创建新的 Claude Code 技能、构建技能族（某一领域的相关技能）、用新研究增强现有技能、研究技术领域最佳实践、将研究转化为可执行技能、建立技能开发工作流。

前置条件

必需：技能主题/领域已明确定义；有研究时间（30–60 分钟）和构建时间（60–120 分钟）；可访问 Claude（始终可用）。

建议：Gemini CLI 用于网页研究；Codex CLI 用于 GitHub 模式；有可参考的现有示例技能。

需要了解：Claude Code 技能结构、YAML frontmatter 格式、渐进式披露架构。

限制

资料明确指出以下情况不应使用：简单的技能更新（直接编辑即可）、琐碎的技能（少于 100 行、单一操作）、超出自身领域专长的技能（应先研究）。

多 AI 协调

各阶段分工为：文档研究由 Claude 负责；网页研究由 Gemini 主导、Claude 支持；代码研究由 Codex 主导、Claude 支持；综合由 Claude 主导、Gemini 支持；构建由 Claude 负责；验证由 Claude 主导、Gemini 支持。研究命令包括使用 Task 工具且 subagent_type=Explore 的 Claude subagent、gemini -p "Research [topic]: [specific questions]" 以及 codex "Research GitHub patterns for [topic]"。

模板与质量清单

提供三个模板：templates/SKILL_TEMPLATE.md、templates/REFERENCE_TEMPLATE.md、templates/SYNTHESIS_TEMPLATE.md。质量清单分为五类：结构（20 分）、内容（25 分）、示例（25 分）、可用性（15 分）、验证（15 分），累计需达到 85 分及以上。

示例

资料给出构建 ECS/Fargate 技能族的示例：研究阶段使用 Claude subagent 查 AWS 文档、Gemini 查 2024–2025 最佳实践、Codex 查 GitHub 模式；综合阶段合并发现、确定要构建的 5 个技能并映射到既有 EKS 技能模式；构建阶段创建 boto3-ecs、terraform-ecs、ecs-fargate、ecs-deployment、ecs-troubleshooting；结果为 15 个文件、2209 行以上，所有技能均经验证并实现渐进式披露。

相关技能

包括 multi-ai-research、multi-ai-planning、multi-ai-implementation、multi-ai-verification、skill-builder-generic、review-multi。

参考资料

templates/SKILL_TEMPLATE.md、templates/REFERENCE_TEMPLATE.md、templates/SYNTHESIS_TEMPLATE.md。