Organización de actas de reunión
Pasos de ejecución
Verificar si la entrada contiene contenido de reunión identificable. Distinguir opiniones de discusión, conclusiones finales y temas pendientes. Extraer elementos de acción, responsables y fechas límite. Marcar información no verificable como "pendiente de confirmación". Salida según la plantilla especificada y cruzar con el registro original.
Donde `name` y `description` son campos obligatorios en la especificación. `name` da un nombre al Skill actual, y `description` proporciona una descripción de tarea para el Skill actual. Entonces, ¿cómo entra y completa un Skill una tarea?
Después de instalar un Skill, el sistema no entrega todos los archivos al gran modelo de una vez. El proceso de ejecución común implica tres pasos:
1. El sistema primero proporciona los nombres y descripciones de los Skills instalados. El gran modelo determina qué capacidades pueden ser relevantes basándose en la tarea del usuario.
2. Después de que se selecciona un Skill, el sistema carga su `SKILL.md`, y el gran modelo verifica la entrada y ejecuta los pasos principales en consecuencia.
3. Solo al ejecutar pasos específicos lee materiales de referencia, aplica plantillas o ejecuta scripts según las instrucciones.
Por ejemplo, cuando un usuario solicita organizar una transcripción de reunión en un acta, el gran modelo o la herramienta Agent asociará la capacidad de actas de reunión entre múltiples Skills y luego leerá sus reglas completas. Si la tarea también requiere generar una tabla de elementos de acción Excel, también puede seleccionar el Skill de procesamiento de tablas.
La comparación entre Prompts y Skills desde las perspectivas de función, soporte, método de carga y gestión de versiones:
<table><tbody><tr><td><p>Dimensión</p></td><td><p>Prompt</p></td><td><p>Skill</p></td></tr><tr><td><p>Función principal</p></td><td><p>Describir la tarea actual</p></td><td><p>Definir cómo se completa típicamente un tipo de tarea</p></td></tr><tr><td><p>Ciclo de uso</p></td><td><p>Se usa mayormente solo para la solicitud actual</p></td><td><p>Puede llamarse múltiples veces y mantenerse continuamente</p></td></tr><tr><td><p>Soporte</p></td><td><p>Texto, archivos y contexto en la conversación</p></td><td><p>Directorio que contiene <code>SKILL.md</code> y recursos opcionales</p></td></tr><tr><td><p>Contenido</p></td><td><p>Objetivos, materiales, restricciones y requisitos de salida</p></td><td><p>Condiciones de activación, pasos, herramientas, plantillas, excepciones y criterios de aceptación</p></td></tr><tr><td><p>Método de carga</p></td><td><p>Generalmente entra directamente en el contexto actual</p></td><td><p>Puede cargarse capa por capa según las necesidades de la tarea</p></td></tr><tr><td><p>Gestión de versiones</p></td><td><p>Fácilmente disperso en el historial de conversación</p></td><p>Puede incluirse en Git con registros de cambios</p></td></tr></tbody></table>
Por supuesto, Prompts y Skills no son mutuamente excluyentes. Los Prompts dicen al gran modelo o Agent qué material procesar esta vez y qué requisitos temporales existen, mientras que los Skills proporcionan los métodos establecidos para este tipo de tarea.
<a id="c28-s2"></a>
## <strong>Diferencia entre Skills y Prompts</strong>
Un Prompt es la entrada que das al gran modelo o Agent en la tarea actual, típicamente incluyendo objetivos, materiales, restricciones y requisitos de salida. Responde a qué hacer esta vez. Por ejemplo:
```bash
Por favor organiza esta transcripción de reunión en un acta, listando conclusiones y elementos de acción.
Iniciar sesión unirse a la discusión
Este Prompt explica el objetivo de esta vez, pero no especifica completamente qué constituye una conclusión final, qué hacer cuando falta un responsable, si se deben completar información no presente en el texto original, o qué estructura usar para la salida.
Un flujo de trabajo es un conjunto de arreglos operacionales para organizar múltiples nodos de tareas, típicamente especificando orden secuencial, ramas condicionales, paso de datos y manejo de fallos. Responde a cómo múltiples etapas se conectan.
Por ejemplo, un flujo de trabajo de informe semanal podría ser:
Leer datos crudos → Limpiar campos → Generar gráficos → Escribir análisis → Exportar informe semanal
Un Skill se enfoca en cómo se debe completar una unidad de capacidad. Cada una de las etapas anteriores puede ser proporcionada por un Skill, o completada por scripts, operaciones manuales u otras herramientas.
MCP es el Protocolo de Contexto de Modelo, usado para proporcionar herramientas externas, recursos y plantillas de prompts a Agents de manera unificada. Responde a cómo los Agents se conectan y llaman capacidades externas. Through MCP, los Agents pueden conectarse a bases de datos, bases de conocimiento, sistemas de gestión de proyectos, servicios de mapas u otros sistemas empresariales.
Un Skill completo necesita tanto contenido que describe el método de tarea como archivos que portan este contenido. Para la tarea misma, las condiciones de activación, entrada, pasos de ejecución, herramientas y recursos, salida y manejo de excepciones deben escribirse claramente.
Las condiciones de activación permiten al Skill ayudar al gran modelo a encontrar la capacidad necesaria actual entre muchos Skills, principalmente reflejadas en el name y description al inicio de SKILL.md.
La verificación de entrada se refiere a lo que el Agent o gran modelo necesita saber cuando comienza a ejecutar un Skill.
Solo después de que la verificación de entrada pasa, el Agent comienza formalmente a procesar la tarea.
Los pasos de ejecución explican qué hacer, mientras que las herramientas y recursos explican qué específicamente se usa para lograrlo.
Después de completar el procesamiento, el Agent necesita saber cómo entregar.
El manejo de excepciones atraviesa entrada, ejecución, invocación de herramientas y verificación de salida.
El núcleo del diseño de un Skill no es primero crear directorios o escribir un Prompt largo, sino organizar la experiencia de trabajo humana en métodos que el Agent pueda ejecutar y verificar.
A continuación, implementamos esta capacidad en un Notebook ModelScope, usando reuniones de oficina de reembolso de gastos de viaje y recepción de clientes como ejemplos.
Este experimento usa Qwen3-4B para el razonamiento. Primero, ejecute el siguiente código para verificar las versiones actuales de Python y paquetes de dependencias.
Las secciones anteriores explicaron la composición de un Skill. Aquí escribimos directamente las reglas de actas de reunión en archivos.
Después de preparar los archivos, use el SkillLoader de ms-agent para cargar el directorio local.
Este experimento usa el Qwen/Qwen3-4B de la comunidad ModelScope, desplegado como interfaz compatible con OpenAI a través de ms-swift.
A continuación, usamos un registro de reunión administrativa para la llamada.
Después de la llamada, verifique si la entrada y la especificación de salida fueron leídas.
Después de completar una llamada, verifique la fiabilidad del Skill con diferentes materiales.
Los casos necesitan registrar tanto la entrada como el comportamiento esperado.
Use check_output() para verificar los resultados devueltos por el modelo.
run_suite() ejecuta los casos secuencialmente.
Mantenga la versión 1.0.0, cree la versión candidata 1.0.1 en un nuevo directorio.
Cada versión necesita guardar archivos completos y registros de prueba.
Todos los datos experimentales y código de este capítulo se encuentran en:
https://modelscope.cn/gallery/liucong/0e182f07-3330-40cc-ba59-173b7cc609b7