新闻详情

新闻详情

首页 / 资讯中心 / 详情

零基础 Trae 安装与使用 Skill:从 SKILL.md 到 npx 跑通第一个技能

发布时间:2026/11/16 10:41:30来源:尧图网络
零基础 Trae 安装与使用 Skill:从 SKILL.md 到 npx 跑通第一个技能
1. 零基础跑通 Trae Skill 的真实场景Trae 装好之后很多人会卡在同一个地方软件能打开、对话能聊天但一提到 Skill 就不知道从哪下手。Skill 说白了就是给大模型配一份标准作业程序你把它写成一个SKILL.md文件模型在需要的时候自动读取并按里面的步骤干活。它不需要你训练模型也不需要写复杂代码本质上是把「你每次都要重复粘贴的那段长提示词」固化成一个可复用的文件。这篇面向零基础开发者聚焦三件事Node.js 环境怎么准备、SKILL.md骨架怎么写、怎么用npx把技能跑起来并验证生效。适合刚装完 Trae、想给自己常用的重复任务翻译文档、合并文件、格式化代码做自动化的朋友。整个过程我会用「中文翻译技能」当例子因为它的输入输出最直观跑通一次你就能照着改。先说清楚 Skill 和普通提示词的区别。普通提示词是你每次在对话框里现打模型看完就忘Skill 是落盘的文件Trae 会扫描技能目录把name和description挂到索引里真正触发时才读取完整内容。这种渐进式加载的好处是平时不占上下文需要时才展开Token 消耗低行为也更稳定。理解了这一点后面的目录结构和命名规则就顺理成章了。2. TaoToken 前置把模型通道先接好Skill 负责「怎么干」模型负责「谁来干」。Trae 本身是编辑器侧的壳真正执行推理的模型通道需要你提前配好。我习惯用 TaoToken 来做这一层它的接口兼容主流协议配置成本低模型对话、编码计划、API Key 管理都有对应入口适合当作 Skill 运行时的稳定后端。如果你只是想让翻译技能跑起来用模型对话通道就够了如果你打算长期做编码类 Skill比如代码审查、提交信息生成建议直接上 Coding Plan额度更耐用。接入文档里有完整的参数说明照着填即可。提示先把模型通道调通再去写 Skill。否则技能触发后模型没响应你会分不清是 SKILL.md 写错了还是通道没配好排查成本翻倍。具体入口我放在这里按需取用模型对话https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewriteCoding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite控制台https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewriteAPI Keyshttps://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewriteAPI 基础地址是https://taotoken.net/api注意这个地址不带任何查询参数配置时直接填这一串就行。官网首页是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 第一次了解可以先看首页再进文档。3. 可复制配置Node.js 环境与 SKILL.md 骨架3.1 准备 Node.js 与 npxnpx是随 npm 一起装的所以只要 Node.js 装好npx就能用。Windows 用户去 Node.js 官网下 LTS 版本一路下一步即可。装完打开终端验证node --version npm --version npx --version三条命令都能打印出版本号比如v20.11.0、10.2.4就说明环境没问题。如果npx报「不是内部或外部命令」多半是安装时没勾选加入 PATH重装一次并勾选即可。Python 是可选的只有当你的 Skill 要调用 Python 脚本时才需要纯 Markdown 技能用不上。3.2 创建项目级 Skill 目录Trae 会扫描项目下的.trae/skills/目录。每个技能一个子文件夹文件夹名建议用英文短横线命名。下面这套命令在 Windows 的 PowerShell 或 CMD 里都能跑mkdir hello cd hello type nul README.md mkdir .trae\skills\zh-translator cd .trae\skills\zh-translatormacOS 或 Linux 用户把type nul 换成touch、把反斜杠换成斜杠即可。目录建好后在zh-translator文件夹里新建SKILL.md。3.3 SKILL.md 骨架SKILL.md分两部分顶部是 YAML frontmatter元数据下面是 Markdown 正文行动指南。元数据里的name和description决定技能何时被匹配正文决定模型怎么执行。下面这份可以直接复制--- name: zh-translator description: 将文本文档Markdown、TXT 等翻译成中文并生成带 .zh.md 后缀的新文件。保留原格式、代码块、链接等结构。仅支持翻译成中文。 --- # 中文翻译技能 ## 用途 将任意文本文档尤其是 Markdown 文件翻译成中文并生成对应的中文翻译文件。 例如readme.md → readme.zh.md。 ## 核心原则 1. 保留原格式不改变 Markdown 标记、代码块、HTML 标签、URL、图片链接。 2. 精准翻译只翻译自然语言段落、标题、列表项、表格文本、链接显示文字、图片 alt。 3. 不翻译内容代码块内所有内容、行内代码、URL 或文件路径、Frontmatter 键名。 4. 文件命名移除已有语言后缀.en/.zh 等再添加 .zh扩展名保持原样。 5. 避免覆盖目标文件已存在时询问用户是否覆盖、跳过或另存。 6. 分块处理文档超过上下文限制时自动分段翻译再组合。 ## 执行步骤 ### 第一步确认参数 获取源文件路径。若用户未提供主动询问。 ### 第二步读取源文件 使用 read_file 读取完整内容。文件不存在则报错终止。 ### 第三步规范化目标文件名 docs/api.md → docs/api.zh.md。 ### 第四步检查目标文件是否存在 存在则询问「目标文件已存在是否覆盖(是/否/另存为)」。 ### 第五步执行翻译 解析文档结构逐块翻译。代码块、行内代码、URL 保持原样。 术语保持一致例如 API 不翻译endpoint 译为「端点」。 ### 第六步写入新文件 使用 write_to_file 写入目标路径UTF-8 编码。 ### 第七步反馈结果 报告生成的文件路径与处理情况。写完后回到 Trae打开「设置 - 规则和技能」如果列表里没看到新技能点技能旁边的圆圈箭头刷新一下。刷新后应该能看到zh-translator说明目录结构和 frontmatter 都被正确识别了。3.4 用 npx 安装社区技能除了自己写也可以直接装别人做好的技能。社区技能一般发布在 GitHub 仓库用npx skills add安装npx skills add vercel-labs/agent-skills这条命令会把仓库里的技能拉到本地技能目录。安装完成后同样去「规则和技能」里刷新确认。如果你想从零初始化一个自己的技能脚手架可以用npx skills init my-file-merger它会生成一个带 frontmatter 的SKILL.md模板你只需要改name、description和步骤即可。实测下来init生成的骨架对新手很友好省得记 frontmatter 的字段格式。4. 验证请求让翻译技能真正跑一次技能加载成功后回到 Trae 的对话窗口直接说人话触发将文档翻译成中文然后拖入 README.md回车后观察模型行为。一个正常执行的技能会按SKILL.md里的步骤走先读取文件、再计算目标文件名、检查是否存在、然后翻译、最后写入。如果一切顺利项目目录下会多出一个README.zh.md打开确认内容已翻译、代码块和链接结构没被破坏。想更直观地验证npx链路可以在终端里单独跑一次技能里用到的命令确认工具本身可用npx prettier --version能打印版本号说明npx能正常拉取并执行远程包这条链路通了Skill 里写的 shell 命令才有执行基础。如果这一步卡住先解决网络和 npm 源的问题再回头看技能。验证技能是否「真的生效」我一般看三个信号一是模型回复里出现了按步骤走的痕迹比如先问路径、再报文件名二是目标文件确实生成且内容正确三是重复触发时行为一致不会这次翻译、下次改写。三个都满足说明这个 Skill 已经稳定可用。5. 本篇常见错排查5.1 技能列表里看不到 zh-translator最常见的原因是目录层级不对。Trae 认的是项目根目录下的.trae/skills/技能名/SKILL.md少一层或多一层都不行。另一个原因是 frontmatter 格式错误比如---前后有空格、name和description缺一个。检查方法把SKILL.md顶部三行单独贴到 YAML 校验工具里过一遍。5.2 npx 命令报错或卡住先确认node --version和npm --version都有输出。如果npx拉包超时多半是 npm 源的问题可以临时切换源再试npm config set registry https://registry.npmmirror.com切换后重新执行npx skills add。如果报权限错误EACCESWindows 用户用管理员终端重试macOS 用户检查全局目录权限。5.3 技能触发了但没生成文件这种情况通常是模型没拿到文件路径或者read_file失败。检查对话里有没有明确给出文件路径相对路径要相对于项目根目录。如果文件确实存在却读不到看是不是被其他程序占用或者路径里有中文和空格导致解析异常换成英文路径再试。5.4 翻译结果覆盖了原文件说明SKILL.md里「避免覆盖」那一步没写清楚或者模型跳过了检查。把第四步的询问逻辑写得更硬一点明确要求「写入前必须先检查目标文件是否存在存在则停止并询问」。技能步骤越具体模型越不容易自作主张。5.5 代码块被翻译了这是翻译类技能的高频坑。在SKILL.md的「不翻译内容」里把代码块、行内代码、URL 逐条列出来并给一个反例。比如写明「bash围栏内的内容一律保持原样包括注释」。约束写得越细输出越可控。6. 继续把 Skill 用起来跑通第一个技能之后下一步是把它变成习惯。我的做法是每发现自己重复粘贴同一段提示词超过三次就停下来把它写成SKILL.md。翻译、合并 txt、生成提交信息、格式化代码这些都能固化成技能。写的时候记住一个原则——把模型当成一个聪明但没背景的实习生步骤要细到不需要猜负面约束要列清楚遇到意外要规定它先问你。如果你打算长期做编码类技能建议把模型通道换成 Coding Plan额度更稳适合高频触发。接入过程中遇到通道配置、API Key 或文档细节的问题直接去 API Keys 和接入文档里对照排查比在对话里反复试要快得多。技能写多了你会发现真正难的不是写 Markdown而是把一件模糊的任务拆成模型能一步步执行的清晰指令这个能力练出来比任何单个技能都值钱。
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 2026/11/16 19:23:38

【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 ... 2026/11/16 6:47:19

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 2026/11/16 17:28:18

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
📞 ✉