微軟開源 Resource2Skill：把教程影片蒸餾成 Agent 能跑的技能庫

微軟開源的 Resource2Skill 是一個能把人類教程影片、開原始碼和技術文章，自動提取成智慧體可執行技能的工具框架。

以往你想讓 AI 學會某套專業工作流，得自己看完影片、提煉步驟，再人工手寫成提示詞或指令碼。Resource2Skill 把這一步全自動化了。跑通之後，智慧體可以呼叫這些蒸餾出的技能，直接產出真正的網頁、PowerPoint 幻燈片、Excel 表格、Blender 三維場景以及 REAPER 風格的音訊工程。

它和普通的 Prompt 技能有什麼區別

這半年智慧體領域的 Skill 概念很火，但大多數做法就像 Claude Code 裡的文本規範，本質上是一段寫給模型看的操作指南。

Resource2Skill 走的是另一條路線。它提取出來的不是純文本提示，而是一套分層的多模態技能資產，分為兩個核心目錄。

一層是 skills_wiki 目錄，裡面存放結構化文本、程式碼片段、視覺示例、後設資料和出處，供智慧體在做規劃時檢索和瀏覽。

另一層是 skills_library 目錄，這裡存放的是掛載在 MCP 伺服器上的真實執行資產，智慧體呼叫後會直接在後臺驅動外部軟體幹活。

整個提取邏輯把不同素材的優勢拆開利用：影片提供時序操作步驟，程式碼提供可復現的執行模板，技術文章則補充底層概念。根據論文資料，配備這套技能庫的智慧體任務表現比無技能基準提升了 11.9 個百分點，在 28 個跨模型與跨領域的對比測試中拿下了 26 個。

怎麼在本地跑起來

Resource2Skill 遵循 MIT 協議開源，專案不僅放出了程式碼和執行時，蒸餾好的現成技能庫也同步上傳到了 Hugging Face。

執行環境需要 Python 3.11。克隆官方倉庫後建立虛擬環境並安裝 requirements.txt 即可，核心通訊依賴 MCP 協議。

專案目前支援五個實操領域，各自需要配合特定的系統依賴。跑網頁任務需要安裝 Playwright 和 Chromium；生成可編輯的 PPT 需要安裝 LibreOffice；生成三維場景需要通過 pip 安裝無頭版本的 Blender 模組 bpy；生成音訊則需要安裝 fluidsynth 庫並指定聲音字型檔案。

配置好模型介面金鑰後，你可以直接用一條命令分析影片提取技能。比如執行 python cli.py analyze 加上 YouTube 影片連結，程式就會自動解析並沉澱出對應技能。專案還附帶批次處理工具和守護程序，能按配額從 GitHub 或影片平臺自動拉取素材蒸餾。

如果你想直接驗證效果，可以用 cli.py 搭配預設領域和提示詞直接派發任務，生成的結果會自動儲存在本地目錄中。

為什麼重要

如果你在給智慧體搭建複雜工作流，或者正在維護基於 MCP 的自動化工具鏈，Resource2Skill 非常值得拉下來試一試。它最大的亮點在於解決了技能資產的生產瓶頸：以前教 AI 掌握專業軟體全靠工程師逐字手寫，現在用高質量的教學影片就能低成本批次喂出新技能。

我們認為，這也是智慧體從單純呼叫 API 走向真實桌面環境操作的關鍵一步。不過目前這套系統的門檻依然不低，各個軟體的底層環境配置相當繁瑣，影片解析對多模態模型的理解精度依賴也極高。但對於需要讓智慧體批次接管專業軟體任務的開發者來說，這套把人類現成教程直接反編譯成機器能力的思路，指明瞭一個非常實用的方向。