新闻详情

新闻详情

首页 / 资讯中心 / 详情

Skill Recorder 未来路线图:已埋线的功能与开源贡献完整指南

发布时间:2026/11/15 18:29:42来源:尧图网络
Skill Recorder 未来路线图:已埋线的功能与开源贡献完整指南
Skill Recorder 未来路线图已埋线的功能与开源贡献完整指南【免费下载链接】skill-recorderDesktop app that records your on-screen work session and uses the GitHub Copilot CLI to reconstruct it as an intent ordered steps, then builds a reusable Skill or Automation for Microsoft Scout, Microsoft Copilot Cowork, or Copilot Studio.项目地址: https://gitcode.com/gh_mirrors/sk/skill-recorderSkill Recorder 是一款桌面应用它录下你屏幕上的真实工作过程再借助 GitHub Copilot CLI 把操作重建为「意图 有序步骤」最终生成可复用的 Skill 或 Automation。如果你关注Skill Recorder 未来会做什么以及如何从零开始参与 Skill Recorder 开源贡献这篇指南把两条线索一次讲清楚哪些功能已经「埋好线」、随时可以复活以及贡献者从评测到发布应该走怎样的路径。如何阅读 Skill Recorder 功能路线图先看休眠功能文档项目维护者把路线图写进了代码本身核心入口是这份文档未来功能清单docs/future-features.md它专门记录已经在代码里接好线、但刻意没有露出到 UI 的功能。官方原话是每个条目都是休眠的而不是死掉的dormant, not dead——后端通路完整保留将来想启用时无需重新铺设管道。案例解析手动标记Add marker的埋线过程以最典型的手动标记功能为例它展示了路线图条目长什么样维度状态说明功能定位录制中途记录一条我现在在做什么的用户备注当前状态后端保留、UI 按钮已移除移除原因语音旁白narration已持续、免手、带时间戳地捕获同样的意图信号且不会让弹窗出现在录制的画面里保留的管道渲染桥接、IPC 通道、录制器处理、事件类型、关联与打包等 6 层其中保留的管道分布在以下模块想理解 Skill Recorder 架构的人可以顺着读渲染桥接electron/preload.cjswindow.skillRecorder.markerIPC 通道与结果类型common/ipc.ts、electron/ipc.ts录制器处理器electron/recorder/controller.ts 的marker()事件类型与负载common/events.ts 的EventType.Marker、MarkerPayload关联与打包common/correlation.ts、common/bundle.ts 的step.markers文档还给出了复活建议不要带回阻塞式的window.prompt优先做低摩擦触发方式例如全局热键标记当前时刻、可选快捷备注让标记成为「这一瞬间很重要」的精确信号与连续的旁白文字互补而非重复。 对贡献者来说这类文档是最好的切入点功能边界、被移除的原因、推荐的实现方式都写清楚了你不需要猜维护者的意图。贡献指南第一步用评测套件守住你的改动Skill Recorder 有一个贡献者必须了解的体系——评测evals它覆盖三个关键环节总览见 evals/README.md1. 描述器评测npm run eval验证多轮 Copilot 描述器能否把固定、合成的录制信号稳定地转成「整体意图 有序步骤」。运行真实流水线processSession()生成bundle.jsondescription.md再对结果按评分标准打分意图关键词、步骤数量、涉及应用、有序动作子序列等。2. 构建器评测npm run eval:builder 与 npm run eval:skillAutomation 构建器evals/builder/守住最终阶段——把已批准的意图泛化为 Scout 制品。它诞生于一个真实回归构建 GitHub 相关任务时曾偏好浏览器自动化而非ghCLI。Skill 构建器evals/skillbuilder/检查生成的SKILL.md计划结构包括固定值声明、计算步骤与动作步骤的拆分。3. 敏感信息评测npm run eval:sensitive完全确定性、无 LLM、无网络真实运行 secretlint 与结构化 PII 正则检测器验证出站文本被正确脱敏、屏幕帧上的敏感值被正确模糊。这直接对应 electron/sensitive/ 的本地脱敏管线。如何新增一个评测场景这是最友好的贡献入口之一文档给出了完整步骤在 evals/scenarios/ 新建id.ts导出一个Scenario用 evals/scenario.ts 的辅助函数recorder、visit、appActivate、clipboard、terminal拼装事件流在rubric中描述好的结果并把场景注册到 evals/scenarios/index.ts保持truth事实描述准确——它是--judge语义评分的基准评分逻辑见 evals/scoring.ts确定性、无 LLM是主要的通过/失败信号。贡献指南第二步本地开发与常用文档开发者环境要求Node.js 24检出某个发布版本后执行npm ci npm run compliance:licenses npm run devnpm run dev会启动 Vite 并热重载地拉起 Electron 应用全局热键CtrlShiftRWindows/⌘⇧RmacOS可随处切换录制。动手前建议通读这几份文档它们覆盖了从安装到发布的完整链路文档内容入口安装指南一行安装、先审后装、更新与卸载INSTALL.md发布手册维护者发版流程RELEASING.mdWindows 捕获各事件源在 Windows 的机制与冒烟测试docs/windows-capture.md贡献规范许可证承诺与第三方材料要求CONTRIBUTING.md行为准则社区协作约定CODE_OF_CONDUCT.md贡献指南第三步提交你的第一个 Pull Request结合 CONTRIBUTING.md 与仓库说明贡献流程可以概括为克隆仓库git clone https://gitcode.com/gh_mirrors/sk/skill-recorder检出你要修改的发布版本遵守许可证承诺你的贡献默认以仓库的 MIT 许可证授权复制的第三方代码、字体、媒体、模型或二进制必须保留原始许可证并说明来源与再分发条款本地验证跑通相关评测npm run eval等确保你的改动不破坏既有行为提交 PR 并接受 CLA提交后 CLA 机器人会自动判断是否需要签署贡献者协议按提示操作即可整个流程只需做一次新手友好的切入点推荐新增一个评测场景、补全 docs/future-features.md 中某个休眠功能的复活方案、或按文档建议的低摩擦方式实现「标记」功能——这些工作边界清晰、有文档背书非常适合第一份贡献。总结路线图写在代码里贡献路径铺在文档里Skill Recorder 的未来不是一份悬空的规划而是保留在代码中的完整管道加上一套确定性的评测护栏。想跟进它演进的读者盯住 docs/future-features.md 就是盯住路线图本身想参与的开发者从评测场景和休眠功能的复活建议入手是这个项目为你准备好的最短路径。【免费下载链接】skill-recorderDesktop app that records your on-screen work session and uses the GitHub Copilot CLI to reconstruct it as an intent ordered steps, then builds a reusable Skill or Automation for Microsoft Scout, Microsoft Copilot Cowork, or Copilot Studio.项目地址: https://gitcode.com/gh_mirrors/sk/skill-recorder创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉