深度解析：Codex Pet Skill

当Skill概念在AI领域风靡一时，市场上涌现出大量看似炫酷实则空洞的“技能”：什么“蒸馏同事”、“复刻名人”、“一键生成PPT”等，这些大多不过是用几段角色扮演prompt加上华丽的工作流包装，本质上并未超越提示词玩具的范畴。很多人误以为会写SKILL.md、会让模型“像某某一样思考”就是掌握了Skill的真谛，实质上仍停留在门外。真正的有价值的Skill，应该将某个领域隐性的经验、边界、工具链、失败处理、验收标准和执行流程，压缩成Agent可以稳定调用的可执行协议。

资产协议与工程边界

Codex的hatch-pet skill恰恰展示了什么才是真正的Skill工程。这个看似只是“生成电子宠物”的可爱功能，其源码却将图像生成、资产协议、动画状态、子代理并行、QA、局部修复、最终打包全部串成了一条可验证的生产流水线。它不是简单的prompt包或image generation wrapper，而是一个面向Codex app的animated pet asset pipeline，最终产出的是Codex app能按固定背景位置读取的精灵图资源。

子代理协作与状态管理

hatch-pet的子代理设计堪称典范：父代理负责准备run、生成base、查看job status、派发任务，而子代理仅被授权读取row prompt、调用$imagegen、检查候选图、返回selected_source和qa_note。关键在于写权限的严格隔离——子代理不可修改manifest、不可执行record_imagegen_result.py、不可进行镜像和打包操作。这种设计避免了并行写冲突、来源混乱和provenance污染，是Agent系统中值得借鉴的架构模式。

资产溯源与QA策略

从“模型生成了图”到“可追溯资产”的转换至关重要。每张图像生成后必须通过record_imagegen_result.py记录source_path、source_provenance、source_sha256、output_sha256等元数据，形成可审计的完整链路。QA策略采用双层结构：validate_atlas.py等脚本检查尺寸、透明、帧数等结构正确性；而identity drift（角色一致性）则必须通过contact sheet进行人工/视觉检查。这与真实生产系统的schema validation异曲同工——结构正确不代表语义正确。

局限性与工程启示

hatch-pet也存在固有局限：依赖$imagegen的视觉稳定性、生成的是固定格式资产、语义层面的QA仍需人工介入、子代理模式会增加token消耗。但它揭示的核心启示在于：真正的Skill不是提示词模板，而是把一个领域的隐性经验、失败边界和产物协议编译成Agent可执行、可恢复、可验收的生产流程。模型应该是creative worker，而非trusted committer；关键状态不能藏在上下文里，必须外部化成manifest。

如有侵权，请联系删除。