微软开源 Resource2Skill：把教程视频蒸馏成 Agent 能跑的技能库

微软开源的 Resource2Skill 是一个能把人类教程视频、开源代码和技术文章，自动提取成智能体可执行技能的工具框架。

以往你想让 AI 学会某套专业工作流，得自己看完视频、提炼步骤，再人工手写成提示词或脚本。Resource2Skill 把这一步全自动化了。跑通之后，智能体可以调用这些蒸馏出的技能，直接产出真正的网页、PowerPoint 幻灯片、Excel 表格、Blender 三维场景以及 REAPER 风格的音频工程。

它和普通的 Prompt 技能有什么区别

这半年智能体领域的 Skill 概念很火，但大多数做法就像 Claude Code 里的文本规范，本质上是一段写给模型看的操作指南。

Resource2Skill 走的是另一条路线。它提取出来的不是纯文本提示，而是一套分层的多模态技能资产，分为两个核心目录。

一层是 skills_wiki 目录，里面存放结构化文本、代码片段、视觉示例、元数据和出处，供智能体在做规划时检索和浏览。

另一层是 skills_library 目录，这里存放的是挂载在 MCP 服务器上的真实运行资产，智能体调用后会直接在后台驱动外部软件干活。

整个提取逻辑把不同素材的优势拆开利用：视频提供时序操作步骤，代码提供可复现的执行模板，技术文章则补充底层概念。根据论文数据，配备这套技能库的智能体任务表现比无技能基准提升了 11.9 个百分点，在 28 个跨模型与跨领域的对比测试中拿下了 26 个。

怎么在本地跑起来

Resource2Skill 遵循 MIT 协议开源，项目不仅放出了代码和运行时，蒸馏好的现成技能库也同步上传到了 Hugging Face。

运行环境需要 Python 3.11。克隆官方仓库后创建虚拟环境并安装 requirements.txt 即可，核心通信依赖 MCP 协议。

项目目前支持五个实操领域，各自需要配合特定的系统依赖。跑网页任务需要安装 Playwright 和 Chromium；生成可编辑的 PPT 需要安装 LibreOffice；生成三维场景需要通过 pip 安装无头版本的 Blender 模块 bpy；生成音频则需要安装 fluidsynth 库并指定声音字体文件。

配置好模型接口密钥后，你可以直接用一条命令分析视频提取技能。比如执行 python cli.py analyze 加上 YouTube 视频链接，程序就会自动解析并沉淀出对应技能。项目还附带批量处理工具和守护进程，能按配额从 GitHub 或视频平台自动拉取素材蒸馏。

如果你想直接验证效果，可以用 cli.py 搭配预设领域和提示词直接派发任务，生成的结果会自动保存在本地目录中。

为什么重要

如果你在给智能体搭建复杂工作流，或者正在维护基于 MCP 的自动化工具链，Resource2Skill 非常值得拉下来试一试。它最大的亮点在于解决了技能资产的生产瓶颈：以前教 AI 掌握专业软件全靠工程师逐字手写，现在用高质量的教学视频就能低成本批量喂出新技能。

我们认为，这也是智能体从单纯调用 API 走向真实桌面环境操作的关键一步。不过目前这套系统的门槛依然不低，各个软件的底层环境配置相当繁琐，视频解析对多模态模型的理解精度依赖也极高。但对于需要让智能体批量接管专业软件任务的开发者来说，这套把人类现成教程直接反编译成机器能力的思路，指明了一个非常实用的方向。