研究人员与学生经常要做「统计方法选择」这类事：根据数据与问题推荐统计方法。每次都从头写提示词，结果时好时坏；把它做成智能体 Skill，就能让智能体每次按同一套步骤执行，输出结构也更稳定。

本文以「统计方法选择」为例，逐段讲解 SKILL.md 的写法。SKILL.md 是 Claude Agent Skills 采用的格式：YAML 头 + Markdown 正文，其结构思路也适用于其他平台的规则文件与指令。

完整示例

---
name: stats-helper
description: 根据数据与问题推荐统计方法。当用户提到统计方法选择、或给出数据类型与问题并希望得到方法建议时使用。
---

# 统计方法选择

## 输入
- 数据类型与问题
- 若缺少关键信息，先列出需要补充的问题

## 步骤
1. 判断变量类型
2. 推荐检验
3. 说明前提
4. 给出代码示例

## 输出
- 方法建议
- 末尾附「需人工确认」清单（没有则写“无”）

## 约束
- 引用必须回到原文核对，绝不编造文献。
- 信息不足时先提问，不要自行编造数据或事实。
- 脚本只在当前项目目录内运行，运行失败时报告错误原文，不要猜测结果。

## 脚本
- 需要解析或批量处理时运行 `python scripts/stats_helper.py <路径>`，读取其输出后再总结

第一段：name

name 用小写字母和连字符，例如 stats-helper，与文件夹名保持一致，方便检索和引用。不要用空格、中文或版本号。

第二段：description（最关键）

智能体平时只看得到 description，靠它判断要不要加载技能。好的 description 同时回答两件事：做什么（根据数据与问题推荐统计方法），什么时候用（用户提到统计方法选择或给出数据类型与问题时）。

反例：“一个很有用的统计方法选择工具”——没有触发条件，智能体很难对上号。

第三段：输入与步骤

输入写清楚需要什么材料，并要求缺信息时先提问。步骤用编号列表，每步一个动作：

  1. 判断变量类型
  2. 推荐检验
  3. 说明前提
  4. 给出代码示例

步骤是给智能体的执行顺序，不是给人看的说明书，越具体越好。

第四段：输出

写明交付物（方法建议）以及固定结构。建议统一附上“需人工确认”清单，让复核的人知道看哪里。

第五段：约束

约束写的是不能做什么、遇到什么情况要停下：

  • 引用必须回到原文核对，绝不编造文献。
  • 信息不足时先提问，不要自行编造数据或事实。
  • 脚本只在当前项目目录内运行，运行失败时报告错误原文，不要猜测结果。

渐进式加载：把长资料拆出去

团队规范、长模板、术语表不要塞进 SKILL.md 正文，放到同目录的 reference.md 等文件中，在正文里写“需要时阅读 reference.md”。这样平时加载很轻，需要时再读取细节。需要确定性处理的部分（解析、统计、校验）写成脚本放在 scripts/ 下，正文中说明调用方式。

目录结构

.claude/skills/stats-helper/
├── SKILL.md
├── scripts/stats_helper.py
└── reference.md      # 可选：团队规范、模板等长资料，按需加载

写完之后

用三种不同说法描述任务，看技能是否都能被触发；再用一个无关请求确认不会误触发。之后参考测试用例与效果评估持续改进。

领域注意事项

「统计方法选择」属于研究与学术领域，使用者多是研究人员与学生，工作环境通常是文献库、数据与写作工具。这个领域最重要的一条底线是：引用必须回到原文核对，绝不编造文献。

建议把这条底线原样写进技能的约束部分，而不是指望智能体自己意识到。同时，在团队内部明确：智能体给出的方法建议只是初稿或建议，最终由谁签字确认、出了问题由谁负责。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。