如何写出一个职业级Skill？解构Paperasse 6个AI Agent技能的纯Markdown设计哲学
【免费下载链接】paperasse🇫🇷 Skills pour agents IA spécialisés dans la bureaucratie française : Comptable, Notaire, ...项目地址: https://gitcode.com/gh_mirrors/pa/paperasse
想让 AI Agent 从"会聊天的助手"进化为"能上岗的专业人士"，关键不是写更多 Prompt，而是写一个职业级 Skill。Paperasse 是一个开源项目，它用纯 Markdown 定义了 6 个专精法国行政事务的 AI Agent 技能：会计师（comptable）、公证人（notaire）、税务顾问（fiscaliste）、审计师、税务稽查员和公寓管理员。没有一行框架代码，没有复杂插件机制——但它的 evals 测试显示，加载 Skill 后 Agent 综合得分从 75% 提升到 88%。本文带你解构这套纯 Markdown 的设计哲学，照着做，你也能写出职业级 Skill。
一、先看成果：6 个 Skill 如何覆盖 6 个职业
Paperasse 仓库里每个目录就是一个职业：
| Skill 目录 | 职业角色 | 核心能力 |
|---|---|---|
| comptable/ | 会计师 | 800+ 会计科目、增值税、年报、2026 电子发票 |
| fiscaliste/ | 个人税务顾问 | 个税税率表、家庭商数、IFI、PEA、加密货币 |
| notaire/ | 公证人 | 房产交易费用、遗产、赠与、家庭协议 |
| commissaire-aux-comptes/ | 审计师 | 7 阶段审计、资产负债交叉验证 |
| controleur-fiscal/ | 税务稽查员 | 模拟 8 个维度的税务稽查 |
| syndic/ | 公寓管理员 | 业主大会、账目、拖欠追缴 |
它们的评分对比（来自项目 README 的 evals 结果）：
| Skill | 带 Skill | 不带 Skill | 提升 |
|---|---|---|---|
| 审计师 | 100% | 75% | +25% |
| 税务顾问 | 84% | 64% | +20% |
| 公寓管理员 | 83% | 68% | +16% |
| 会计师 | 89% | 77% | +12% |
这 +13% 的聚合提升，就是"纯 Markdown 的价值"。
二、解剖一个 Skill：目录结构比你想的简单
以会计师技能为例，一个职业级 Skill 的骨架是：
comptable/ ├── SKILL.md # 给 Agent 的"岗位说明书"（核心） ├── references/ # 法律法规、税率表等参考资料（按需查阅） ├── data/ # 结构化数据（PCG 科目表 JSON 等） ├── scripts/ # 确定性计算脚本 ├── templates/ # 文档模板（发票、年报） └── evals/ # 自动化测试用例SKILL.md 是灵魂文件，它由两部分组成：YAML frontmatter（元数据）+ Markdown 正文（行为指令）。整个文件约 300 行，但信息密度极高——这就是"渐进式披露"设计：Agent 启动时只读这一个文件，需要细节时再跳转去查 references/ 下的分主题文档。
三、职业级 Skill 的 5 个设计原则
1. Skill = 职业，而不是工具
项目贡献指南 CONTRIBUTING.md 里有一条"判职业"法则，堪称点睛之笔：
判断标准："在现实职场中，会有人以这个头衔求职吗？" 是 → 建一个 Skill；否 → 只做一个共享模块。
所以 Paperasse 有comptable（会计师）、notaire（公证人），却没有"发票生成器"这种碎片。每个 Skill 必须self-contained：用户召唤comptable，期待它覆盖会计师的全部工作，而不是要求他自己拼装三个技能。
2. Frontmatter：让 Agent 自己判断"该不该上岗"
看 notaire/SKILL.md 的开头：
description：不只是描述功能，还列了一串Triggers 触发词（"notaire、遗产、赠与、PACS、SCI……"），让 Agent 在用户模糊提问时也能正确路由到该技能；last_updated：数据新鲜度戳。所有 Skill 都内置同一条守则——超过 6 个月没更新就自我警告："⚠️ SKILL 可能已过期，回答前请在线核对税率表"；includes：声明共享数据文件，保证技能被单独分发时不丢资源。
这个"自我保质期"设计，是大多数 Skill 作者忽略的——法律条文是会变的，Markdown 不会自动过期，所以必须在元数据里写入"过期自检"逻辑。
3. 行为指令写成"工作流"，而非"能力描述"
翻遍 SKILL.md 正文，你会发现它几乎不写"我很擅长会计"这类空话，全是可执行动作：
- 前置检查：每次对话先确认
company.json是否存在，不存在则启动引导式初始化——"没有验证过的上下文，绝不给建议"； - 固定回答结构：所有分析必须按「事实 → 假设 → 分析 → 风险 → 行动 → 边界」六段式输出；
- 路由表：一张 Markdown 表格把"用户问什么"映射到"该读哪个 reference 文件"，Agent 照着表跳转即可；
- 计算纪律："凡涉及金额计算，一律调用 scripts/calc.js，禁止心算"——用确定性脚本堵住大模型最容易翻车的算术题。
4. 数据与指令分离：Markdown 指路，JSON 存数
税率表、会计科目这类会变动的数据，不在 Markdown 里硬编码，而是放进 data/pcg_2026.json 这类结构化文件，SKILL.md 只写"去哪个文件、按哪个字段查"。好处有三：
- 单一事实源：data/sources.json 记录每条数据的来源和日期，
update_data.py一键校验更新； - 省 Token：800 个会计科目不会被整个塞进上下文，Agent 按需检索；
- 可测试：数据是机器格式，evals 脚本可以直接断言。
fiscaliste/SKILL.md 更进一步，把 2025 年度税率表"内联快照"进 Markdown，并注明"仅 2025 年度有效，其他年份一律导向官方网站"——用最小的篇幅换取最高频问题的零检索成本。
5. Evals：用数字给 Skill 定级
职业级和业余级的分水岭，是 evals/ 目录。每个测试用例是一个 JSON 对象：真实用户提问 + 期望行为 + 逐条断言。例如"配置 company.json"用例要求 Agent 从"SASU 公司形态"自动推断出应适用公司所得税制——这种细粒度断言，正是拉开分数差距的地方。
配合 evals/config.yaml 中为每个 Skill 设定的"无技能基线提示词"，CI 会自动对比"裸模型"与"带 Skill"两组得分，防止你写一堆没有实际增益的 Markdown。
四、动手模板：10 分钟写出你的第一个职业级 Skill
按 CONTRIBUTING.md 的结构，照抄这个清单即可：
- 建目录：用"职业名"命名（小写+连字符，如
avocat、drh）； - 写 SKILL.md：frontmatter 里给足 description 和 Triggers 触发词，正文写「前置检查 → 工作流 → 路由表 → 边界警告」；
- 建 references/：把法律条文、税率表按主题拆成多个 md，SKILL.md 里用表格链接过去；
- 数据外置：易变数字进 JSON，标注来源和
last_updated； - 算钱走脚本：涉及计算的逻辑写成确定性脚本，SKILL.md 中明令"禁止心算"；
- 写 evals/：至少 5 个真实场景 + 可断言的预期输出，跑通"带/不带 Skill"对比测试；
- 写免责声明：职业级 Skill 必须明确"什么情况下该请真人"——Paperasse 的每个 Skill 结尾都有这一节，这也是它"职业级"而非"玩具级"的标志。
五、总结：纯 Markdown，为什么反而更强？
回看 Paperasse 的设计，可以提炼成一句话：把 Agent 当成新入职员工，用岗位说明书（SKILL.md）+ 操作手册（references/）+ 工具柜（data/ + scripts/）+ 考核题（evals/）来武装它。
纯 Markdown 的优势恰恰在这里：零依赖、任何能读文件的 Agent 都能加载、diff 一目了然、法律条文更新只需改一行字。职业级 Skill 的门槛不在技术，而在你有多理解那个职业——这正是 Paperasse 给所有 Skill 作者上的第一课。
【免费下载链接】paperasse🇫🇷 Skills pour agents IA spécialisés dans la bureaucratie française : Comptable, Notaire, ...项目地址: https://gitcode.com/gh_mirrors/pa/paperasse
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
