怎么把任意网站变成 Skill？

怎么把任意网站变成 Skill？

准备工作

• 目标网站：选择一个你每天都会使用的、有明确重复操作的网站（例如 GitHub、Notion、Jira）。
• 浏览器：Chrome 或 Edge（需包含开发者工具）。
• AI 助手：能够上传文件并生成代码的大语言模型（如 ChatGPT、Claude 等）。
• 基础认知：理解 Skill 的本质是一份 Markdown 操作手册 + 可选脚本，不是复杂程序。

---

🚶 第一步：解决网站的登录认证

目标：让 Skill 能“代表你”访问需要登录的网站。

方式 A：直接复用 Cookie（最简单）

1. 登录网站：在浏览器中正常登录目标网站。
2. 复制 Cookie：
   • 按 F12 打开开发者工具 → 切换到 Application（应用程序）标签页。
   • 在左侧找到 Cookies → 点击目标网站的域名。
   • 在右侧表格中，任意一条 Cookie 记录上右键 → 选择 “复制” → “复制全部”（或类似选项），将整个 Cookie 字符串复制到剪贴板。
3. 保存 Cookie：
   • 在你的 Skill 项目目录（例如 my-skills/github-create-issue/）中，创建一个配置文件（如 cookies.txt 或直接写在后续的脚本里）。
   • 将复制的 Cookie 字符串完整粘贴进去。
   • 注意：Cookie 会过期，过期后重复此步骤刷新即可。

方式 B：用 CDP 自动登录（进阶）

• 如果你想完全自动化登录，可以在 Skill 中编写一段脚本，通过 Chrome DevTools Protocol (CDP) 直接复用你电脑上已登录的 Chrome 浏览器用户数据（Profile）。这样每次执行 Skill 时会自动“继承”登录态。
• 新手建议先使用方式 A，跑通流程后再尝试。

---

📹 第二步：用 Chrome HAR 录制你的目标操作

目标：录制你想自动化的那个具体操作，生成 HAR 文件（HTTP Archive，即浏览器网络请求的完整存档）。

录制准备

1. 打开浏览器开发者工具（F12）。
2. 点击 Network（网络） 标签页。
3. 确保左上角的红色录制按钮处于 开启状态（红色）。
4. 勾选「Preserve log」（保留日志），防止页面跳转时清空记录。

执行录制

1. 回到网站页面，只做你想自动化的那一个操作，并且尽量保持“干净”：
   • ✅ 正确示例：在 GitHub 上创建一个 Issue → 点击“New Issue” → 填写标题和描述 → 点击“Submit”。
   • ❌ 错误示例：创建 Issue 的过程中，又去点了其他仓库、浏览了其他页面。
2. 操作完成后，立即回到开发者工具的 Network 标签页。
3. 在任意一个网络请求上 右键 → 选择 “Save all as HAR with content”（将所有内容另存为 HAR）。
4. 将生成的 .har 文件保存到本地，文件名建议能体现操作内容，如 github_create_issue.har。

录制技巧：

• 只录制核心操作，避免多余点击，这样生成的 HAR 文件更小、关键请求更突出。
• 对于复杂操作（如填写表单），尽量一次性完成，减少中间步骤。

---

🤖 第三步：让 AI 分析 HAR，生成可复用脚本

目标：把 HAR 文件交给 AI，让它自动分析出关键 API 并生成操作脚本（如 Python）。

操作步骤

1. 打开 AI 对话窗口（如 ChatGPT）。
2. 上传 HAR 文件，并输入提示词。一个高效的提示词模板如下：

   “请分析这个 HAR 文件，它记录了我在 [网站名，如 GitHub] 上执行 [操作名，如创建一个 Issue] 的完整网络请求。

   1. 识别出实现该操作最关键的 1-2 个 HTTP 请求（通常是 POST 或 PUT 请求）。
   2. 提取这些请求的完整 URL、请求头（Headers，特别是 Cookie 和认证信息）、请求体（Body）结构。
   3. 基于以上信息，为我生成一个 Python 脚本，该脚本应：
      • 能够独立运行，使用 requests 库。
      • 包含必要的函数，入参应设为可配置（如 Issue 标题、内容）。
      • 包含错误处理（如检查 HTTP 状态码）。
      • 请假设 Cookie 已经以字符串形式提供（从外部传入）。”

3. 检查与调整：
   • AI 生成的脚本通常能直接运行，但你需要检查以下几点：
     • Cookie 的传入方式（是否从文件读取）。
     • 请求体中是否有动态参数（如时间戳、随机数），若有，需要让 AI 调整逻辑。
     • 依赖库是否已安装（如 requests）。

---

📝 第四步：写 SKILL.md，把脚本组装成 Skill

目标：创建一份 Markdown 文件 SKILL.md，作为 AI Agent 读取的唯一入口，告诉它“何时用、怎么用、出错了怎么办”。

4.1 创建 Skill 目录结构

在你的工作目录下，为每个 Skill 创建一个独立文件夹，例如：

my-skills/
└── github-create-issue/
    ├── SKILL.md          (必需)
    ├── scripts/
    │   └── create_issue.py   (上一步生成的脚本)
    └── habits.json       (可选，用于记录用户习惯)

4.2 编写 SKILL.md 核心内容

A. YAML Frontmatter（触发条件）

在文件最开头用 --- 包裹 YAML 元数据，定义触发词：

---
title: GitHub Create Issue Skill
description: |
  在 GitHub 上创建一个新的 Issue。触发词：创建 issue, 新建问题, make issue, create github issue。
  Use when user asks to create an issue in a GitHub repository.
version: 0.1.0
author: you
---

B. 路径抽象（使用 ${SKILL_DIR}）

在后续所有脚本或文件路径中，使用 ${SKILL_DIR} 变量代替绝对路径，这样 Skill 可以安装在任何位置：

## 脚本路径
- 创建 Issue 脚本：`${SKILL_DIR}/scripts/create_issue.py`
- Cookie 文件：`${SKILL_DIR}/cookies.txt`

C. 定义清晰的工作流（Step by Step）

使用有序列表，每一步写清楚“输入 → 执行 → 输出”：

## 工作流

1.  **确认必要信息**
    *   输入：用户可能提供了仓库名、Issue 标题、描述。如果缺失，使用 `AskUserQuestion` 向用户收集（详见下文）。
    *   输出：确认后的参数 `repo`, `title`, `body`。

2.  **检查认证状态**
    *   执行：运行 `${SKILL_DIR}/scripts/check_auth.py`（一个简单的 GET 请求验证 Cookie 是否有效）。
    *   输出：如果返回 401/403，跳转到“错误处理 - 重新登录”。

3.  **创建 Issue**
    *   执行：运行 `${SKILL_DIR}/scripts/create_issue.py`，传入上一步得到的参数。
    *   输出：返回 Issue 的 URL 或成功提示。

4.  **返回结果**
    *   输出：向用户展示 Issue 链接，并记录本次操作到 `${SKILL_DIR}/habits.json`（记录用户选择的仓库等，用于下次默认推荐）。

D. 引入 AskUserQuestion（智能提问）

这是 Skill 交互的关键。在工作流中，需要用户确认参数时，使用 AskUserQuestion 关键词，并附带一个 JSON 结构来描述问题：

## 用户交互示例

当需要收集创建 Issue 的参数时，AI 应使用 AskUserQuestion 并呈现以下问题面板：

{
  "type": "form",
  "title": "创建 GitHub Issue",
  "fields": [
    {
      "name": "repository",
      "label": "选择仓库",
      "type": "select",
      "options": ["user/repo1", "user/repo2"],
      "default": "{{从 habits.json 读取的最近使用仓库}}"
    },
    {
      "name": "title",
      "label": "标题",
      "type": "text"
    },
    {
      "name": "body",
      "label": "描述",
      "type": "textarea"
    }
  ]
}

用户提交后，将字段值传递给后续脚本。

• 习惯文件：在每次成功创建 Issue 后，脚本应更新 habits.json，将本次选择的仓库记录为该工作区的默认值。下次 AskUserQuestion 时，default 字段就会自动填充习惯值。

E. 错误处理

列出可能发生的错误及处理方式，用表格形式最清晰：

## 错误处理

| 错误类型 | 检测方式 | 处理步骤 |
| --- | --- | --- |
| Cookie 过期 | 调用 API 返回 401 | 1. 提示用户“登录已过期，请重新复制 Cookie”。<br>2. 询问用户是否要打开登录页面。 |
| 网络超时 | 脚本抛出超时异常 | 渐进重试：首次等待 15 秒 → 失败后等待 30 秒 → 再失败等待 60 秒 → 最终提示用户手动检查网络。 |
| 依赖缺失 | 脚本运行前检测 `requests` | 如果缺失，提示用户 `pip install requests`。 |

F. 渐进重试与健康检查

在 SKILL.md 中写明重试逻辑和前置检查：

## 鲁棒性配置

- **渐进重试**：对于认证类或临时性错误，采用 [15s, 30s, 60s] 的间隔重试，三次失败后终止。
- **健康检查**：在执行创建操作前，先发送一个 GET 请求到某已知存在的资源（如仓库详情），确保 Cookie 有效且接口可达。

---

✅ 第五步：测试与迭代

1. 运行第一个版本：将 SKILL.md 和脚本交给支持 Agent Skills 标准的 AI 客户端（如支持此协议的 AI 助手），用触发词尝试执行。
2. 对照检查清单（原文 Checklist）：
   • SKILL.md 是否精简（< 300 行）？
   • Frontmatter 是否包含中英文触发词？
   • 所有路径是否用了 ${SKILL_DIR}？
   • 工作流步骤是否清晰，每一步有输入/输出？
   • 认证是否有过期重试逻辑？
   • 脚本是否有依赖检测？
3. 持续迭代：
   • v0.1：能创建 Issue 即可。
   • v0.2：增加查询 Issue 列表的功能。
   • v0.3：支持批量创建。
   • 让使用驱动进化，不必追求一开始就完美。

---

💡 真实案例参考：任务管理 Skill（15 分钟快速原型）

• 目标：为一个任务管理系统（如 Linear、Jira）创建“创建任务”的 Skill。
• 操作：
  1. 登录：用方式 A 复制 Cookie 到 cookies.txt。
  2. 录制：新建一个任务，录制 HAR。
  3. AI 生成：让 AI 分析 HAR，生成 create_task.py。
  4. SKILL.md：
     • Frontmatter：触发词 “创建任务, create task”。
     • 工作流：收集任务标题、描述 → 检查 Cookie → 运行脚本。
     • AskUserQuestion：询问任务标题、优先级、项目。
     • 错误处理：401 提示重新登录，超时重试。
  5. 完成：第一版只有 50 行 SKILL.md + 100 行 Python，能解决每天重复创建任务的痛点。

---

总结

按照以上步骤，你就能把任意网站变成 AI 可调用的 Skill。核心思想是：用 HAR 录制替代 API 文档研究，用 AI 生成替代手写代码，用 SKILL.md 替代硬编码逻辑。

 “Agent执行Skill”与“代码级RPA”的核心区别

这两种方法的目标都是实现自动化，但路径和本质截然不同。以下是详细的对比：