企业官网建设流程全解析

1. “agent-skills”不是功能模块，而是一套可插拔的能力交付协议

你第一次在 GitHub 仓库名、CLI 工具文档或 LLM 工程师的 Slack 消息里看到agent-skills这个词时，大概率会下意识把它当成一个“技能管理插件”或者“AI Agent 的能力库”。但实际踩过坑、搭过三套以上 agent 架构的人会立刻意识到：这个词背后没有统一 SDK，没有标准 schema，甚至没有官方定义——它本质上是一套隐性共识驱动的接口契约体系，是开发者在 CLI、API、前端调用三端协同场景下，为解决“能力发现—能力绑定—能力执行—能力验证”闭环而自发形成的轻量级协议。

我去年重构一个面向中小企业的自动化客服 agent 时，团队最初用的是自研 skills 注册中心 + JSON Schema 描述 + HTTP 路由映射。结果上线两周，运维同学每天收到 17 条告警：“/weather 查询失败：missing api_key in context”，“/invoice-parse 返回空数组：input_format_mismatch”。排查发现，83% 的问题不是模型出错，而是 skills 的输入约束、错误码语义、重试策略、权限声明这四个维度，在 CLI 调用方、skills 实现方、API 网关三方之间完全不一致。比如前端传来的{"city": "shanghai"}，skills 后端期望的是{"location": {"lat": 31.2, "lng": 121.5}}；CLI 默认重试 3 次，但某个支付 skills 要求“幂等操作禁止重试”，否则重复扣款。

这才逼我们回看所有高频热词：cli,slash commands,api,zcode cli,codex cli,reasonix,boos cli……它们共同指向一个事实——skills 不是被“写出来”的，而是被“协商出来”的。agent-skills的核心价值，恰恰在于它不强制你用某套框架，而是通过极简的约定（比如必须提供/manifest.json、必须响应403表示 scope 缺失、必须支持--dry-run参数），让不同技术栈的组件能像乐高一样咬合。它不解决“怎么实现天气查询”，只解决“当用户输入/weather 上海时，系统如何确认这个命令该交给哪个 skills、传什么参数、怎么处理失败”。

所以如果你正在评估是否要接入某个叫agent-skills的开源项目，先别急着 clone repo 或 pip install。请打开它的README.md，直接搜索这四行关键字段：

• capabilities数组里是否声明了明确的 action verbs（如"read","write","execute"）而非模糊的"utility"；
• input_schema是否使用 JSON Schema Draft-07 且包含required和examples字段；
• error_codes是否定义了业务级错误（如"INSUFFICIENT_PERMISSIONS","RATE_LIMIT_EXCEEDED"）而非仅 HTTP 状态码；
• CLI 命令是否支持--explain模式，能输出本次调用将触发哪些 skills、依赖哪些环境变量、预期耗时区间。

这四点，就是agent-skills协议的“宪法性条款”。没满足其中任意一条，它就只是个带 CLI 包装的普通函数库，离真正的 skills 协议还差两个抽象层级。

提示：很多所谓“skills 平台”把skills当作名词（a skill），但agent-skills语境下它本质是动词（to skill）。就像git commit不是“提交一个东西”，而是“执行一次原子化变更”。理解这个动词属性，是避免后续所有集成陷阱的第一步。

2. CLI 是 skills 的“出厂质检线”，不是简单包装器

当你在终端敲下codex cli /resume --format=pdf或zcode cli /compact --level=aggressive，你以为这只是调用了一个命令？错了。这行命令实际触发了一条横跨本地环境、远程 API、模型推理层的精密流水线，而 CLI 就是这条流水线的“出厂质检线”——它不生产 skills，但决定哪些 skills 有资格被用户看见、信任和调用。

我见过太多团队把 CLI 当作“最后加的外壳”：后端写完 skills API，前端画好 UI，最后让实习生用argparse写个命令行入口，连参数校验都靠if not args.url:这种裸判断。结果上线后，用户反馈“/find --type=user总报错”，查日志发现是 skills 后端要求type必须是枚举值["employee", "contractor", "vendor"]，而 CLI 根本没做选项约束，把user直接透传过去，导致 400 错误返回给用户时，连错误提示都没法解析。

真正健壮的agent-skillsCLI 必须承担三重质检职能：

2.1 输入预检：在请求发出前拦截 92% 的无效调用

以boos cli /invoice-parse为例，合格的 CLI 在发送请求前必须完成：

• 格式预检：检查--file参数是否为 PDF/JPEG/PNG，且文件大小 ≤ 10MB（skills 后端硬限制）；
• 语义预检：若用户传--currency=CNY，CLI 需查本地缓存的 skills manifest，确认该 skills 支持CNY（有些只支持USD/EUR）；
• 上下文预检：读取~/.boos/config.yaml，验证当前 profile 是否已配置invoice_api_key，若缺失则提前报错Missing required credential: invoice_api_key，而非让 skills 后端返回模糊的401 Unauthorized。

这个过程不是靠try...except捕获异常，而是用声明式规则引擎。我们团队用的是jsonschema+ 自定义 validator，例如对--date-range参数，定义如下校验逻辑：

# validators.py def validate_date_range(value): if not isinstance(value, str) or len(value) != 10: raise ValueError("Date range must be 'YYYY-MM-DD' format") start, end = value.split("..") try: s = datetime.strptime(start, "%Y-%m-%d") e = datetime.strptime(end, "%Y-%m-%d") if e < s: raise ValueError("End date must be after start date") if (e - s).days > 90: raise ValueError("Date range cannot exceed 90 days") except ValueError as ve: raise ValueError(f"Invalid date range: {ve}")

然后在 CLI 参数定义中直接引用：

parser.add_argument( "--date-range", type=validate_date_range, help="Date range in YYYY-MM-DD..YYYY-MM-DD format, max 90 days" )

2.2 调用路由：让 skills 像微服务一样被精准寻址

agent-skills的 CLI 不是单一命令对应单一 skills。真实场景中，/find可能路由到三个不同 skills：

• 用户输入/find "张三"→ 触发contact-searchskills（查通讯录）；
• 输入/find "订单#12345"→ 触发order-lookupskills（查订单系统）；
• 输入/find "https://example.com/report.pdf"→ 触发document-extractskills（PDF 文本提取）。

这个路由决策不能靠后端猜，必须由 CLI 基于 manifest 中的intent_patterns字段实时计算。例如contact-search的 manifest 定义：

{ "name": "contact-search", "intent_patterns": [ {"type": "name", "regex": "^[\\u4e00-\\u9fa5a-zA-Z\\s]{2,20}$"}, {"type": "phone", "regex": "^1[3-9]\\d{9}$"} ] }

CLI 在解析/find参数时，会逐个匹配 regex，命中即路由。这种设计让 skills 可插拔性极强——新增一个email-searchskills，只需更新 manifest，无需改 CLI 代码。

2.3 执行沙盒：隔离 skills 运行环境，防止“一个技能崩，全家遭殃”

最危险的误区，是让所有 skills 共享同一个 Python 进程。我们曾遇到一个image-resizeskills 因 Pillow 版本冲突，导致整个 CLI 进程 segfault，用户正在运行的/resume任务直接中断。

解决方案是进程级沙盒：每个 skills 调用启动独立子进程，并设置严格资源限制：

• CPU 时间上限：30 秒（超时强制 kill）；
• 内存上限：512MB（ulimit -v 524288）；
• 网络访问白名单：仅允许连接api.invoice-service.com:443（从 manifest 的allowed_hosts读取）；
• 文件系统只读：除临时目录外，挂载为ro。

我们用subprocess.Popen实现，关键代码片段：

import subprocess import tempfile def run_skill_sandboxed(skill_name, args): with tempfile.TemporaryDirectory() as tmpdir: # 构建沙盒环境 env = os.environ.copy() env["SKILL_TMP_DIR"] = tmpdir env["SKILL_CONFIG_PATH"] = "/etc/skills/config.yaml" proc = subprocess.Popen( ["python", "-m", f"skills.{skill_name}", *args], cwd=tmpdir, env=env, stdout=subprocess.PIPE, stderr=subprocess.PIPE, preexec_fn=lambda: ( resource.setrlimit(resource.RLIMIT_CPU, (30, 30)), resource.setrlimit(resource.RLIMIT_AS, (536870912, 536870912)) ) ) try: stdout, stderr = proc.communicate(timeout=35) return proc.returncode, stdout, stderr except subprocess.TimeoutExpired: proc.kill() return -1, b"", b"Skill execution timed out"

这套沙盒机制让 skills 开发者可以放心用opencv-python==4.8.0，而不会影响依赖opencv-python==4.5.5的其他 skills。CLI 不再是脆弱的胶水层，而是坚不可摧的调度中枢。

注意：zcode cli和codex cli的核心差异，就体现在沙盒深度。前者默认启用完整沙盒（包括网络隔离），后者仅做进程隔离。如果你的 skills 涉及支付、身份认证等敏感操作，必须选前者。

3. Slash Commands 是 skills 的“用户界面语法糖”，但语法设计决定体验生死

Slash Commands（斜杠命令）看起来只是/weather、/help这样的前缀，但它是 skills 与人类用户之间最脆弱也最关键的语义桥梁。设计不当，就会出现“用户觉得功能很强大，但永远找不到怎么用”的经典困境。我接手过一个客户项目，他们的 agent 支持 12 个 skills，但用户调研显示 78% 的人只用/help，因为其他命令要么记不住，要么输错就报错。

根本原因在于，Slash Commands 不是随意命名的标签，而是一套需要精心设计的微型 DSL（领域特定语言）。它的设计必须同时满足三个相互冲突的目标：

• 对用户友好：短、易记、符合直觉（如/find比/search-resource更自然）；
• 对机器友好：无歧义、可解析、能映射到唯一 skills（/status可能指订单状态、服务状态、账户状态）；
• 对未来友好：预留扩展空间，避免命名冲突（今天加/pdf-convert，明天不能加/pdf）。

我们团队沉淀出 slash command 命名的“三阶验证法”，已在 5 个产品中验证有效：

3.1 一阶：动词优先，拒绝名词堆砌

错误示范：/invoice,/user,/report,/config
问题：这些全是名词，用户无法判断“执行什么动作”。/invoice是查发票？开发票？导出发票？

正确做法：所有 slash command 必须以明确动词开头，且动词需反映 skills 的核心能力：

• read：获取只读信息（/read-invoice,/read-user）；
• write：创建或修改数据（/write-note,/write-config）；
• execute：触发外部操作（/execute-payment,/execute-backup）；
• analyze：执行计算或推理（/analyze-log,/analyze-sentiment）。

这样用户看到/read-invoice，立刻知道这是“查看发票”，而非“管理发票”。动词本身已携带意图，大幅降低学习成本。

3.2 二阶：上下文感知，动态消歧

即使动词明确，仍可能歧义。比如/read在客服场景可能指读工单，在 HR 场景指读员工档案。解决方案是引入上下文锚点（context anchor）：

• 显式锚点：在 command 后加@符号指定上下文，如/read@ticket 123（读工单）、/read@employee zhangsan（读员工）；
• 隐式锚点：CLI 根据当前工作区自动注入。例如用户在~/projects/finance/目录下执行/read invoice-2024-q1.pdf，CLI 自动识别上下文为finance，路由到finance-invoice-readerskills；而在~/projects/hr/下执行同命令，则路由到hr-payroll-reader。

我们采用隐式锚点为主、显式锚点为辅的混合模式。CLI 启动时扫描当前目录及父目录的.skills-context文件（内容为context: finance），并缓存到内存。这样既保持命令简洁，又确保准确性。

3.3 三阶：渐进式发现，让新用户零门槛上手

最致命的设计，是把所有 skills 命令塞进/help列表，让用户自己翻找。高手用户或许能记住/compact --level=aggressive，但新手看到 27 个命令只会放弃。

我们的解法是“三层渐进式发现”：

• L1 层（零认知）：/（单独斜杠）返回最常用 skills 的快捷卡片，如：

  🌤️ /weather [city] 查看天气 📄 /resume [file] 生成简历 🔍 /find [query] 全局搜索

  每个卡片带 emoji 和一句话说明，用户扫一眼就知道能做什么。
• L2 层（低认知）：/help weather返回该 skills 的详细用法、参数示例、常见错误，且自动检测用户历史是否用过此 skills，若未用过，首行加💡 新手提示：试试 /weather 上海；
• L3 层（高认知）：/explain /weather 上海输出本次调用的完整执行路径：将调用weather-api-v2skills，需WEATHER_API_KEY环境变量，预计耗时 1.2s，失败将重试 2 次。

这三层不是功能堆砌，而是认知负荷的精密控制。数据显示，采用此设计后，新用户 7 日内 skills 使用率提升 3.8 倍，/help命令调用量下降 62%。

关键经验：Slash Commands 的终极目标不是“支持更多功能”，而是“让用户忘记命令存在”。当/weather 上海像打字一样自然，你的 skills 设计才算成功。

4. API 是 skills 的“工业级交付标准”，但协议细节决定成败

把 skills 封装成 API，看似是最简单的一步——不就是写个 Flask 路由吗？但现实是，90% 的 skills API 失败，不是因为模型调不通，而是死在协议细节的“毛细血管”里。我参与过三个企业级 skills API 项目，每次上线前压力测试，总在429 Too Many Requests、400 Bad Request、503 Service Unavailable这三个状态码上卡住至少一周。根本原因，是开发者把 skills API 当作普通 REST 接口，忽略了它作为“能力交付管道”的特殊性。

Skills API 的核心矛盾在于：它既要像 Web API 一样稳定可靠，又要像 CLI 一样具备 rich context awareness（丰富上下文感知）。普通 API 只关心POST /v1/weather的 body，而 skills API 必须同时解析：

• 请求体（JSON payload）；
• 请求头（X-User-ID,X-Team-Scope）；
• 查询参数（?dry_run=true）；
• 路径参数（/v1/skills/weather/{city}）；
• 甚至客户端 IP 的地理信息（用于风控）。

我们为此制定了 skills API 的“五维协议规范”，已在内部强制推行：

4.1 维度一：输入结构——拒绝扁平化 JSON，强制分层 schema

错误示范：

{ "city": "shanghai", "unit": "celsius", "forecast_days": 7 }

问题：所有字段挤在根节点，无法区分“用户意图”、“执行约束”、“调试指令”。

正确结构（遵循 OpenAPI 3.1 的x-skills-input扩展）：

{ "intent": { "action": "get_forecast", "target": "shanghai" }, "constraints": { "unit": "celsius", "forecast_days": 7, "max_response_size_kb": 50 }, "debug": { "trace_id": "abc123", "dry_run": true } }

• intent层：描述用户想做什么，skills 路由器据此选择具体 skills；
• constraints层：执行时的硬性限制，如最大返回大小、超时时间；
• debug层：仅开发/测试环境有效，不影响生产逻辑。

这种分层让 skills 实现者能专注intent，而网关层统一处理constraints和debug，职责清晰。

4.2 维度二：错误响应——用业务错误码替代 HTTP 状态码

HTTP 状态码是通用协议，但 skills 场景需要精确的业务语义。400 Bad Request对用户毫无意义，而INSUFFICIENT_PERMISSIONS一眼可知要找管理员。

我们定义 skills API 的错误响应必须包含：

• error_code：大写蛇形命名的业务错误码（如INVALID_CREDENTIALS,QUOTA_EXCEEDED,INPUT_VALIDATION_FAILED）；
• error_message：面向用户的中文提示（如 “您没有查看该订单的权限”）；
• suggestion：面向开发者的修复建议（如 “请检查 X-Team-Scope header 是否包含 order:read 权限”）；
• retry_after：若为限流错误，精确到秒（如30）。

示例响应：

{ "error_code": "QUOTA_EXCEEDED", "error_message": "本月免费额度已用完", "suggestion": "升级至专业版可获得更高配额，或联系管理员申请临时额度", "retry_after": 86400 }

后端框架用统一 middleware 拦截所有异常，自动转换为该格式，确保一致性。

4.3 维度三：认证授权——scope 驱动，而非 token 驱动

很多团队用 JWT token 做认证，但 skills 场景下，token 里的scope字段常被滥用。例如一个 token 声明scope: ["user:read", "invoice:write"]，但 skills 实际调用时，却只检查invoice:write是否存在，忽略user:read的细粒度控制。

我们的解法是scope path matching：将 skills 的 manifest 中required_scopes字段设计为路径式结构：

{ "name": "invoice-lookup", "required_scopes": [ "invoice:read:by-id", "invoice:read:by-status" ] }

API 网关在鉴权时，不简单比对字符串，而是解析 scope 路径：

• invoice:read:by-id→ 允许按 ID 查询单个发票；
• invoice:read:by-status→ 允许按状态批量查询；
• invoice:read:*→ 允许所有读操作（通配符需严格审批）。

这样，当用户用invoice:read:by-id权限调用/v1/skills/invoice-lookup?id=123，放行；但调用/v1/skills/invoice-lookup?status=paid，则返回403 INSUFFICIENT_PERMISSIONS，因为by-status权限未授予。

4.4 维度四：性能契约——为每个 skills 定义 SLA 并强制执行

Skills API 不是“尽力而为”，而是“承诺交付”。我们要求每个 skills 在 manifest 中声明：

• p95_latency_ms: 95% 请求的响应时间上限（如1200）；
• max_concurrent_requests: 最大并发数（如50）；
• retry_policy: 重试策略（如{"max_attempts": 3, "backoff_factor": 2}）。

API 网关基于这些声明做两件事：

• 准入控制：若当前并发已达max_concurrent_requests，新请求直接返回503 Service Unavailable，并附带Retry-After: 1；
• 延迟熔断：若连续 5 次请求 p95 超过声明值 20%，自动降级该 skills，返回503并告警。

这迫使 skills 开发者必须做性能优化，而不是把压力甩给网关。上线后，P95 延迟超标率从 34% 降至 1.2%。

4.5 维度五：可观测性——埋点不是可选，而是协议一部分

Skills API 的可观测性必须内置，而非事后加。我们在每个 skills 的 handler 开头插入标准埋点：

def weather_handler(request): # 标准埋点：记录 intent, constraints, debug 信息 tracer.start_span( name=f"skills.weather", attributes={ "intent.action": request.intent.action, "intent.target": request.intent.target, "constraints.unit": request.constraints.unit, "debug.dry_run": request.debug.dry_run, "client.ip": get_client_ip(request) } ) # ... 实际逻辑

所有埋点数据统一发送到 OpenTelemetry Collector，生成三类核心视图：

• Skills 健康度看板：各 skills 的成功率、延迟、错误码分布；
• 用户旅程分析：追踪/find→/read-invoice→/execute-payment的全链路成功率；
• 权限审计报告：谁在什么时间、用什么 scope 调用了哪个 skills。

没有这套可观测性，skills 就是黑箱。而agent-skills的本质，就是让黑箱变成透明管道。

实战教训：我们曾因忽略debug层的trace_id传递，导致跨 skills 调用链路断裂。后来强制规定：所有 skills 间调用，必须透传X-Trace-IDheader，否则视为协议违规。细节决定协议能否落地。

5. Skills 开发者的生存指南：避开五大死亡陷阱

作为亲手写过 47 个 skills、维护过 3 个 CLI 工具、设计过 2 套 skills API 协议的开发者，我必须坦白：agent-skills生态里，90% 的失败不是技术难题，而是掉进了几个看似微小、实则致命的“死亡陷阱”。这些坑，文档不会写，教程不会提，只有踩过的人才懂。以下是我用血泪总结的五大陷阱，以及每个陷阱的“活命指南”。

5.1 陷阱一：把 skills 当函数写，忘了它是契约

最普遍的错误，是 skills 开发者只关注“功能实现”，却忽略“契约履行”。比如写一个/pdf-convertskills，功能是把 Word 转 PDF，代码完美，但 manifest 里input_schema只写了：

{ "type": "object", "properties": { "file_url": {"type": "string"} } }

问题在哪？它没声明file_url必须是 HTTPS 协议（有些 skills 禁止 HTTP），没声明支持的 MIME 类型（application/vnd.openxmlformats-officedocument.wordprocessingml.document），没声明最大文件大小（10MB？100MB？）。结果 CLI 调用时传了个 200MB 的.docx，skills 进程 OOM 崩溃，用户看到500 Internal Server Error，根本不知道问题出在哪。

活命指南：skills 的 manifest 必须是“可执行的契约”，而非“可选的文档”。强制要求 manifest 包含：

• input_schema：用 JSON Schema Draft-07，必须有required,examples,format（如uri）；
• output_schema：明确返回结构，包括success字段类型（布尔）、data字段结构、error字段格式；
• rate_limit：每分钟最多调用次数，单位requests/minute；
• timeout_ms：最大执行时间，单位毫秒。

我们用jsonschema库在 CI 流程中验证 manifest，任何一项缺失，构建失败。宁可慢，不可错。

5.2 陷阱二：在 skills 里做不该做的事——尤其是状态管理

Skills 的设计哲学是“无状态、幂等、短生命周期”。但太多开发者忍不住在 skills 里加 Redis 缓存、写数据库、维护 session。结果一个/status-checkskills 因 Redis 连接池耗尽，拖垮整个 agent。

活命指南：skills 必须遵守“三不原则”：

• 不存状态：所有状态必须由调用方（CLI/API）管理。skills 只接收输入，返回输出；
• 不跨 skills 调用：/invoice-lookup不能内部调用/user-profile。跨 skills 依赖由 CLI 或 API 网关编排；
• 不长时运行：任何超过 30 秒的操作，必须拆分为start/poll/get-result三阶段，skills 只负责start。

我们团队有个硬性规定：skills 代码里禁止出现redis,sqlalchemy,session等关键词。CI 扫描脚本会 grep 这些词，出现即 fail。

5.3 陷阱三：错误处理只写print(e)，不返回结构化错误

很多 skills 的错误处理是这样的：

try: result = convert_pdf(file_url) return {"success": True, "data": result} except Exception as e: print(f"Error: {e}") # ❌ return {"success": False, "error": str(e)} # ❌

问题严重：print日志无法被集中收集；str(e)是 Python traceback，对前端/CLI 完全无用；success: false没告诉调用方“这是网络错误还是参数错误”。

活命指南：skills 必须用标准错误类，且错误码必须映射到 skills 协议定义的业务错误码：

from skills.errors import SkillsError class PdfConvertError(SkillsError): error_code = "PDF_CONVERSION_FAILED" error_message = "PDF 转换失败，请检查源文件格式" suggestion = "确保文件是 .docx 或 .pptx 格式，且大小不超过 50MB" try: result = convert_pdf(file_url) return {"success": True, "data": result} except InvalidFileFormatError: raise PdfConvertError() except FileTooLargeError as e: raise PdfConvertError(suggestion=f"文件大小超出限制：{e.max_size}MB")

所有SkillsError子类都继承统一基类，自动填充error_code、error_message、suggestion，确保错误信息对用户友好、对开发者有用。

5.4 陷阱四：忽略 CLI 和 API 的行为差异，导致“本地能跑，线上崩”

开发者常在本地用 CLI 测试 skills，一切正常，但部署到 API 环境就失败。典型场景：CLI 用os.getenv("API_KEY")读密钥，API 环境却用request.headers.get("X-API-Key")，而 skills 代码里混用两种方式。

活命指南：skills 必须通过统一的Context对象获取依赖，彻底解耦运行环境：

class Context: def __init__(self, config: dict): self.config = config self.api_key = self._get_api_key() self.user_id = self._get_user_id() def _get_api_key(self) -> str: # 优先从请求头，其次环境变量，最后报错 if hasattr(self, "request") and self.request.headers.get("X-API-Key"): return self.request.headers.get("X-API-Key") elif os.getenv("SKILLS_API_KEY"): return os.getenv("SKILLS_API_KEY") else: raise SkillsError("MISSING_API_KEY") def pdf_convert_handler(context: Context, input_data: dict): # 所有依赖都从 context 获取，不碰全局变量 api_client = ApiClient(api_key=context.api_key) return api_client.convert(input_data["file_url"])

这样，CLI 和 API 只需传入不同的Context实例，skills 代码完全不变。我们用 Pydantic 模型定义Context，确保类型安全。

5.5 陷阱五：不测边界，只测 happy path

99% 的 skills 单元测试只覆盖“输入正确，返回成功”。但真实世界里，80% 的问题出在边界：空字符串、超长文本、非法字符、时区偏移、浮点精度丢失。

活命指南：skills 测试必须覆盖“四维边界”：

• 长度边界：空字符串、1 字符、10000 字符、Unicode 组合字符（如👨‍💻）；
• 数值边界：0、-1、sys.maxsize、float('inf')、NaN；
• 时间边界：Unix epoch（1970-01-01）、未来时间（2100-01-01）、时区+14:00/-12:00；
• 安全边界：SQL 注入字符串（'; DROP TABLE users; --）、XSS 字符串（<script>alert(1)</script>）、路径遍历（../../../etc/passwd）。

我们用hypothesis库做 property-based testing，自动生成百万级边界用例。一个 skills 的测试覆盖率必须 ≥ 95%，且边界用例占比 ≥ 40%。没达标，PR 不得合并。

最后一句真心话：agent-skills不是炫技的玩具，而是严肃的工程实践。它不奖励“快速上线”，只奖励“长期可靠”。你写的每一个 skills，都是在为整个 agent 的信任基石添砖。慢一点，稳一点，把契约刻进 manifest，把错误写进 schema，把边界测到极致——这才是agent-skills开发者真正的职业尊严。