这个 Skill 能做什么，适合哪些场景？
这是一个面向完整项目或多阶段流水线的 Agent Skill，覆盖任务与模型匹配、单智能体与多智能体选择、成本估算和结构化输出设计。它建议先用人工原型验证任务，再采用 acquire、prepare、process、parse、render 五阶段流水线。方法论强调用文件系统保存中间状态，以支持幂等执行、缓存、调试和选择性重跑。它适合构建批处理系统、多智能体研究系统和交互式智能体应用，但不负责单个工具接口、上下文压缩策略或具体智能体拓扑设计。
它要求先分析输入、输出、任务类型、可接受错误率和单位价值，再用一个代表性样本进行人工模型测试。随后帮助选择单流水线或多智能体架构，规划 acquire、prepare、process、parse、render 阶段，并将原始数据、提示词、模型响应和解析结果保存为文件。它还提供总成本估算公式、20%至30%的重试缓冲建议、结构化输出提示词要素，以及应对格式变化的解析策略。
- 负责批量文本分析的工程师，需要先验证模型是否适合任务，并估算大规模 API 成本。
- 构建多阶段研究流水线的团队，需要把采集、提示准备、模型处理、解析和渲染拆开管理。
- 开发报告生成系统的工程师，需要让模型输出可供下游程序解析的固定结构。
- 在单智能体和多智能体之间做项目级架构决策的技术负责人。
- 使用智能体辅助开发的团队，需要按组件迭代实现并减少上下文退化。
如何安装这个 Skill？
- scripts/pipeline_template.py 的 CLI 实现明显截断，不能视为可运行模板。
- call_llm 使用 mock 响应；接入真实服务时需补充密钥管理、权限隔离、超时、重试、限流和数据出境审查。
- clean 阶段直接删除阶段产物；生产使用前应增加确认、备份或可恢复回滚机制。
- 案例中的成本、成功率和性能数字应通过原始来源与目标环境重新验证。
- 本地文件系统
从仓库中保留完整的 skills/project-development 目录，并复制到目标主机的技能目录。例如：mkdir -p .codex/skills && cp -R skills/project-development .codex/skills/。也可以复制到 .claude/skills/、.cursor/skills/ 或 .agents/skills/。不要把 SKILL.md 展平成单个文件，因为目录结构支持相对 references/ 路径。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/project-development" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 我有一批独立文档需要模型分类、解析并生成报告，请先判断是否适合使用 LLM，设计流水线并估算成本。
在处理完整项目或多阶段流水线时激活。例如可以提出：“我有一批独立文档需要模型分类、解析并生成报告，请先判断是否适合使用 LLM，设计流水线并估算成本。”涉及单个工具的描述、Schema 或错误信息时，应改用 tool-design；涉及上下文压缩或智能体拓扑时，应使用对应技能。
这个 Skill 有哪些优点和局限？
- 提供从任务适配性到部署规划的完整项目级流程。
- 明确区分确定性阶段与昂贵、非确定性的模型处理阶段。
- 文件系统状态模式便于缓存、调试、并行化和选择性重跑。
- 涵盖结构化输出、解析容错、成本缓冲和模型版本迭代。
- README记录的路由基准中，project-development 改写后的 top-1 命中率为 1.000。
- 这是方法论型 SKILL.md，不包含可直接运行的实现或专属脚本。
- 文档没有为每种模型、平台或业务任务提供实测成本与质量数据。
- 建议依赖人工原型、质量指标和持续评估，但具体评估实现需要其他技能或自行构建。
- 多智能体拓扑、单工具设计和自动控制循环被明确划分到其他技能。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| 项目级智能体开发方法论 本页 | 50 · 谨慎使用 | ★ 18k | 16 天前 | MIT |
| Gemini 交互式对话 API 指南 ✓ Google · 官方 | 48 · 谨慎使用 | ★ 21k | 14 天前 | Apache-2.0 |
| Azure Event Hubs Rust 技能 ✓ Microsoft · 官方 | 49 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
| Agents Best Practices 智能体架构技能 | 61 · 推荐 | ★ 2.4k | 15 天前 | MIT |
| 潜在简报 | 55 · 谨慎使用 | ★ 18k | 16 天前 | MIT |
与 multi-agent-patterns 相比，本技能只负责项目层面的单智能体或多智能体选择，不负责 supervisor、swarm 或 hierarchical 等具体拓扑。与 tool-design 相比，它设计跨阶段流水线契约，而不是单个工具的描述、Schema 或错误消息。
FollowSkills 如何评估这个 Skill？
内容强调成本控制、人工验证、回滚能力和来源证据，但未定义最小权限、用户确认、敏感数据处理、API 密钥保护或数据流边界；clean 阶段可删除中间文件且无恢复机制，因此扣分。未发现恶意软件、凭证窃取或隐蔽外泄红线。
方法论内部基本一致，引用的模板涵盖缓存、解析、错误记录和部分测试模式；但脚本末尾明显截断于“elif args.stage”，实际 API 调用仍是占位 mock，且依赖、异常恢复和关键路径无法静态复现，因此受静态上限并大幅扣分。
激活条件、非适用范围及与相邻技能的路由边界写得清楚，覆盖批处理、流水线、成本估算和结构化输出；但未提供中文使用指导、环境前置条件或明确的输入输出契约，跨平台和中国大陆网络适配证据有限，因此扣分。
文档分层较好，包含核心概念、实践模板、gotchas、references、脚本、许可证元数据、创建/更新时间和版本号；但维护责任、更新路径、变更日志及真实安装依赖不完整，脚本和文档之间也存在可用性缺口，因此扣分。
项目级决策框架、五阶段流水线、文件状态模式和解析示例具有直接参考价值；但示例脚本使用样例数据和 mock LLM，且文件不完整，不能证明可直接运行或完成生产任务，按静态上限保守扣分。
提供了 Karpathy、Vercel、Manus 和 Anthropic 等案例名称及外部来源标识，并区分部分模式与案例；但没有可执行的完整实现、真实 CI 或覆盖关键路径的提交测试，案例结果也无法在本次静态审查中独立复现，因此扣分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →