【实践案例】我用Skills实现了个自媒体知识管理神器！¶

Ch01.554 【实践案例】我用Skills实现了个自媒体知识管理神器！¶

📊 Level ⭐⭐ | 11.4KB | entities/实践案例我用skills实现了个自媒体知识管理神器.md

【实践案例】我用Skills实现了个自媒体知识管理神器！¶

来源: 叶小钗

发布日期: 2026-05-02

原文链接: https://mp.weixin.qq.com/s/YDnhytrpl26ozXgGvauc1Q

痛点：自媒体知识管理的低效困境¶

作为一名内容创作者，经常需要从各种渠道搜集和整理信息，但这个过程始终充斥着低效与痛苦。典型场景：刷到一条内容扎实的视频时，脑中会闪过"这段内容如果能转成文字就好了"的念头。然而现实操作往往是：先收藏、再截图，最后把链接丢进"稍后处理"的收藏夹。等到真正需要整理时，当时的灵感与上下文早已消失。

解决方案：Krawl 系统¶

作者将繁琐的流程封装成了一个 Claude Skill，并进一步扩展为完整的 Krawl 系统——一个基于 Claude Skills 机制的知识库管理系统。

认识 Claude Skills¶

Anthropic 官方定义的 Agent Skills：模块化的能力，用于扩展 Claude 的功能。每个 Skill 封装了指令、元数据和可选资源（脚本、模板），当场景匹配时 Claude 会自动调用。

Skills 三要素与渐进式披露¶

Agent Skills 的三大组成要素构成了上下文的三个层级，遵循渐进式披露（Progressive Disclosure）原则——分阶段、按需加载信息，而不是在任务开始时就将所有内容全部塞入上下文窗口中。

元数据（始终加载）：名称、描述、标签。Claude 启动时扫描所有已安装 Skills 的元数据，纳入系统提示（System Prompt），用于意图匹配和触发判断。占用上下文极小。
指令（触发时加载）：当用户请求与 Skill 描述匹配时，Claude 通过 bash 从文件系统读取对应 SKILL.md 文件，加载完整内容。
代码与资源（按需加载）：复杂的 Skill 可包含多个文件，形成完整知识库。Skill 将这些资源与指令一起打包，实现完整任务闭环。

Skills 安装方式¶

方式一：官方技能市场（推荐）

/plugin marketplace add anthropics/skills
/plugin list
/plugin install document-skills@anthropic-agent-skills

方式二：手动创建自定义技能 在 ~/.claude/skills/ 中创建文件夹，编写 SKILL.md，放入脚本工具。目录结构：

~/.claude/skills/douyin-summary/
└── SKILL.md

SKILL.md 示例：

---
name: douyin-summary
description: 抖音视频总结助手
---
# 工作流程
1. 识别用户输入中的 douyin.com 链接
2. 调用 scripts/fetch_douyin.py 获取视频文案
3. 提取核心观点并结构化输出

Krawl 系统架构¶

核心设计思想¶

Krawl 采用了一种 "Dynamic Router"（动态路由）与"Lazy Loading"（按需加载） 相结合的架构，核心原则包括：

懒加载：系统启动时只扫描技能的元数据（Markdown Frontmatter），不加载具体的 Python 代码
元控制：系统提供一个核心的 Meta-Tool load_skill，LLM 根据任务需求自主决定加载哪个技能
资源隔离：技能的代码和工具定义在需要时动态注册到当前会话中

核心实现¶

1. 技能元数据结构（SkillInfo）：轻量级结构持有技能信息，核心目的是占位，不直接加载代码对象。‌

@dataclass
class SkillInfo:
    name: str
    description: str  # 从 skill.md 的 frontmatter 读取
    is_loaded: bool = False
    content: str = ""
    tools: List[Dict[str, Any]] = field(default_factory=list)
    handlers: Dict[str, ToolHandler] = field(default_factory=dict)
    module_path: str = ""

2. SkillManager 轻量扫描：系统启动时只遍历目录并读取 Markdown 的头部描述，不加载任何 Python 代码，保证启动速度和低内存占用。‌

3. 动态加载机制（Dynamic Activation）：当且仅当 LLM 决定使用某个技能时，才通过 activate_skill 方法动态加载对应的代码文件和工具，并将新工具注册到活跃列表。‌

4. Meta-Tool 实现：系统暴露 load_skill 作为唯一自带的"初始技能"，LLM 用它发现和加载其他技能。加载成功后返回 Manual（skill.md 的内容）和新工具的列表。

完整交互流程¶

以"用户想要保存一个抖音视频"为例：

系统初始化：SkillManager 扫描 skills 目录，读取元数据，系统知道有 link_ingest 技能但未加载代码
意图识别：LLM 分析用户意图"用户想保存视频，这匹配 link_ingest 的描述"，决定调用 load_skill(skill_name="link_ingest")
动态加载：系统读取 link_ingest/skill.md 完整内容，动态 import execute.py，将工具 save_link_knowledge 注册到会话
执行任务：LLM 调用 save_link_knowledge(url="...")，系统下载视频、提取字幕、存入数据库
最终响应：LLM 组织自然语言回复："视频已保存！标题是《...》，已归档到视频分类中。"

Skill 实现标准协议¶

每个 Skill 脚本（execute.py）必须遵循标准协议，包含三个部分：

TOOLS：工具定义，告诉 LLM 这个技能能做什么（名称、描述、参数）
HANDLERS：处理器映射，工具名称到处理函数的映射
实现函数：实际的业务逻辑

深度分析¶

Skills 模式解决了什么问题？¶

Skills 模式的核心价值在于知识的沉淀与复用——反复使用的流程被固化为可复用的模块，避免每次重复造轮子。其模块化架构使每个技能独立，易于测试、维护和扩展。通过组合不同技能，可以构建复杂的工作流。最被低估的价值在于提升工具调用的准确性——当 LLM 知道"我拥有这个技能的描述和能力"时，它会更精确地匹配用户意图与具体工具。

渐进式披露的设计哲学¶

Progressive Disclosure（渐进式披露）是 Claude Skills 设计中最精妙的部分。它解决了 Agent 系统的一个核心矛盾：LLM 的上下文窗口是有限的，但可用的工具和知识是无限的。通过分三层——元数据（始终加载、极小开销）→ 指令（触发时加载）→ 资源（按需加载）——实现了从"知悉存在"到"了解用法"再到"执行任务"的平滑过渡。这与人类认知中"知道有什么工具可用 → 需要时查阅说明书 → 实际使用"的模式高度一致。

Dynamic Router + Lazy Loading 的工程价值¶

Krawl 的动态路由设计对构建生产级 Agent 系统有重要参考价值。它解决了随着技能数量增长带来的两个核心问题：启动延迟（不预加载所有代码）和上下文污染（只在需要时注册工具）。Meta-Tool load_skill 的设计模式——让 LLM 自己决定何时加载什么技能——可以推广到任意大规模工具集的 Agent 架构中。

从单点 Workflow 到系统化 Agent¶

作者特别指出"严格来说这个场景其实 Workflow 已经是最优解了"，但选择 Agent 路线是因为 Workflow 只解决单点问题，而 Workflow 背后有更大的探索空间——构建完整的、AI 自动完成的从内容抓取、整理到知识管理的全过程。这种从"Workflow 解决单点"到"Agent 系统化覆盖全流程"的思维升级，是 Agent 工程中的一个典型范式演进路径。

实践启示¶

从解决具体问题的小 Skill 开始：不要一开始就构建复杂的系统。先做一个能解决具体问题的小 skill，验证思路。Skill 的粒度要适中——不宜过大（一个 skill 只做一件事），也不宜过小（避免 skill 爆炸难以管理）。建议按业务领域划分，每个 skill 对应一个完整的用户故事。
元控制 + 懒加载是 Agent 工具集架构的最佳实践：当 Agent 可用的工具或 skill 超过 5-10 个时，应当引入 Meta-Tool 机制让 LLM 自主选择加载。这避免了将所有工具定义塞入系统提示的开销，同时保持了 Agent 的能力完整性。
Skills 机制可移植性极强：skill 与系统解耦的设计使得可移植性成为天然优势。如果其他项目需要类似能力，只需复制对应的技能文件夹，即可实现能力的即插即用。对于内部工具平台建设，这是一个值得复用的参考架构。
设计明确的错误处理和版本管理：为每个 skill 设计明确的错误处理机制，记录使用日志便于调试和优化。考虑 skill 版本管理以支持回滚。这在生产环境中部署 Agent 技能系统时尤为重要。
渐进式披露是 Agent 上下文管理的关键原则：无论是构建 Skill 系统还是设计 Agent 提示词，都应遵循"先元数据、再指令、最后资源"的分层暴露策略。这能在有限的上下文窗口内最大化 Agent 的能力覆盖范围。

关联¶

相关概念: Harness Engineering

【实践案例】我用Skills实现了个自媒体知识管理神器！¶

Ch01.554 【实践案例】我用Skills实现了个自媒体知识管理神器！¶

【实践案例】我用Skills实现了个自媒体知识管理神器！¶

痛点：自媒体知识管理的低效困境¶

解决方案：Krawl 系统¶

认识 Claude Skills¶

Skills 三要素与渐进式披露¶

Skills 安装方式¶

Krawl 系统架构¶

核心设计思想¶

核心实现¶

完整交互流程¶

Skill 实现标准协议¶

深度分析¶

Skills 模式解决了什么问题？¶

渐进式披露的设计哲学¶

Dynamic Router + Lazy Loading 的工程价值¶

从单点 Workflow 到系统化 Agent¶

实践启示¶

相关实体¶

关联¶