autoskill

autoskill 技能概览

autoskill 的作用

autoskill 会通过 Screenpipe 分析你最近的屏幕活动，识别重复出现的研究工作流，并把这些模式转化为新的 skill 或 composition recipe。autoskill 这个 skill 面向的是 Skill Authoring，而不是通用记笔记：它的目标是帮助你从自己的行为里发现可复用的工作流，并把它们整理成可安装的 skills。

适合谁使用

如果你已经本地部署了 Screenpipe，并且想弄清楚自己到底经常在做什么、哪些行为已经多到值得做成一个 skill，那么就适合用 autoskill。它最适合 power users、研究人员，以及那些希望基于真实证据来构思 skill、而不是凭记忆头脑风暴的 skill 维护者。

它的不同之处

和通用 prompt 不同，autoskill 依赖 screenpipe 提供的本地实时 telemetry；如果这个 daemon 不可用，它就会拒绝运行。这也让 autoskill 的安装决策很清楚：如果你想基于真实使用情况做 workflow 挖掘，它很合适；如果你要的是一个独立的写作助手，那它并不合适。它的核心价值是模式识别加 skill 匹配，而且只会把脱敏后的摘要交给模型处理。

如何使用 autoskill 技能

安装与运行前提

使用以下命令安装 autoskill：
npx skills add K-Dense-AI/claude-scientific-skills --skill autoskill

在开始使用 autoskill 之前，先确认本地 screenpipe 正在 3030 端口运行，并且你选择的 LLM backend 已经配置好。这个 skill 需要能够通过认证访问 http://localhost:3030，同时还要能连到一个 LLM endpoint，例如 http://localhost:1234/v1、https://api.anthropic.com，或者 BYOK Foundry gateway。

先给出正确的输入

最好的 autoskill 引导提示，会明确说明你想分析的时间范围、工作流或结果。好的输入示例是：“分析我过去 7 天的屏幕活动，找出可以发展成新的 scientific-agent-skills 的重复研究工作流。” 只说“帮我推荐一些 skills”之类的弱输入，留给模型的空间太大，最后往往只会得到浅层匹配。

最佳分析工作流

先阅读 SKILL.md，再检查 README.md、AGENTS.md、metadata.json，以及存在的话 rules/、resources/、references/ 或 scripts/ 目录。这个仓库里，SKILL.md 是主要事实来源，所以实际的 autoskill 使用路径应该是：先确认前提条件，再发起一个简短的分析请求，然后在采纳之前先检查生成的 skill 或 composition recipe 是否真的适合你。

怎样提供更好的输出

把 autoskill 无法自行推断的决策背景补充清楚：你的目标领域、使用的工具、要检查的时间窗口，以及你想要的是一个新 skill 还是一条由现有 skills 组成的链。如果你只想分析某个单一项目的模式，就明确说出来；如果你想做更广泛的行为挖掘，也要直接说明。你的边界越精确，skill 匹配就越好，得到泛泛建议的概率也就越低。

autoskill 技能 FAQ

使用 autoskill 需要 Screenpipe 吗？

需要。autoskill 没有其他数据来源，完全依赖本地的 screenpipe daemon。如果 Screenpipe 不可访问，这个 skill 应该停止执行，而不是自行猜测。

autoskill 适合新手吗？

如果你能安装工具、并能描述一个工作流目标，那新手也可以使用。不过它的最大价值，还是在于你已经大致知道自己想提炼哪类可复用行为。若你还在摸索 prompt 基础，简单一些的 prompt 可能比安装 autoskill 更省事。

这和普通 prompt 有什么不同？

普通 prompt 是让 LLM 只根据文本来编造想法。autoskill 则是一个工作流发现工具：它会查看真实的屏幕活动，对重复动作进行聚类，并先把它们映射到已有的 skill 模式，再去起草新的内容。

什么情况下不该用 autoskill？

如果你想要完全离线、且不依赖 Screenpipe 的行为，就不要用 autoskill；如果你对把模型连接到本地活动摘要感到不舒服，也不适合用；如果你需要的是一次性答案，而不是反复分析工作流，那它也不是合适的选择。

如何改进 autoskill 技能

给它更窄、可衡量的目标

提升 autoskill 结果最快的方法，就是收紧搜索范围。一次只问一个类别，比如文献综述、source triage、citation cleanup 或 drafting。范围太宽的请求通常只会产出很模糊的模式，而这些模式很难进一步转成真正有用的 skill。

把第一次输出当作筛选结果

把第一次 autoskill 运行的结果当作候选项生成，而不是最终结论。检查它提议的 skill 是否真的反复出现、是否能节省时间、以及是否适合你的环境。如果不合适，就用更短的时间窗口、换一个项目，或者更严格地定义“重复”，再重新运行。

注意常见失败模式

最常见的失败模式是过度泛化：少数几个彼此无关的动作被硬拼成一个假的“工作流”。另一个问题是对目标输出定义太弱，导致生成出来的 skill 很难安装或复用。遇到这种情况，就补充一些成功示例，以及明确哪些内容应该排除。

改进提示词，而不只是改数据

对于用于 Skill Authoring 的 autoskill，最有价值的追问，是直接告诉它你希望最终的 skill 以什么形式打包：是独立 skill、composition recipe，还是一个串联现有 scientific-agent-skills 的 skill。这个简单指令对输出形态的影响，往往远大于只说“给我更好的建议”。