本资源是一份编写和编辑优秀 skills 的参考，核心目标是从随机系统中拧出 determinism：强调 predictability，即 agent 每次采取相同 process，而非产出相同 output，所有杠杆都服务于它。术语在 GLOSSARY.md 中定义。
触发方式分两类。Model-invoked skill 保留 description，agent 可自主触发，其他 skills 也能触达，用户仍可手动输入名称；代价是 context load，因为 description 每轮都在 context window 中。机制是省略 disable-model-invocation，并写面向模型的 description，带丰富触发措辞。User-invoked skill 把 description 从 agent 触达范围移除，只有用户输入名称时才能调用，其他 skill 也不能调用；零 context load，但花 cognitive load。机制是设置 disable-model-invocation: true，description 变成人类看到的一行摘要。只有 agent 必须自行找到该 skill，或另一个 skill 必须调用它时，才选择 model-invocation；user-invoked skills 多到记不住时，可用 router skill 治疗。
Description 写作上，model-invoked description 要说明 skill 是什么并列出应触发它的 branches；把 leading word 放前面，每个 branch 一个 trigger，避免同义重命名造成 duplication，删掉正文已有的 identity。
信息层级由 steps 与 reference 构成，可自由混合。分层包括：in-skill step（SKILL.md 中有序动作，每个 step 以 completion criterion 结束）；in-skill reference（按需查阅的定义、规则或事实，可为合法 flat peer-set）；external reference（从 SKILL.md 推到独立文件，经 context pointer 触达，只在 pointer 触发时加载）。Progressive disclosure 是沿 ladder 下移，让顶层保持清晰；co-location 决定同一 heading 下什么在旁。
拆分可按 invocation（有独立 leading word 或需被其他 skill 触达时）或按 sequence（后续 steps 会诱发 premature completion 时）进行。修剪要求每个 meaning 有 single source of truth，逐行检查 relevance，逐句做 no-op test，失败时删除整句。
Leading word 是模型预训练中已有的紧凑概念，反复出现可锚定行为与触发。常见失效模式包括 premature completion、duplication、sediment、sprawl、no-op、negation。官方未提供额外收费、平台或使用步骤信息。