微软开源Skill Recorder：用一次演示教会AI新技能

2026年7月30日，微软在GitHub上开源了一款名为Skill Recorder的工具（microsoft/skill-recorder，MIT协议）。这个看似简单的工具背后，隐藏着人机交互范式的一次重要转变。用户只需对着屏幕完成一次操作演示，工具就能理解其意图，生成一份AI Agent可以直接执行的Skill文件。这不是传统的宏录制，也不是简单的像素回放——它真正理解的是「你想干什么」，并用Agent自己的方式重新实现。

与传统工具的本质区别

Skill Recorder的核心工作流程包含四个步骤：首先是录制阶段，用户通过快捷键⌘⇧R开始录制，正常操作电脑完成任务；其次是控制阶段，录制过程中有悬浮控制栏可随时静音、切换麦克风、结束或丢弃录制；第三是分析阶段，点击Analyze后，GitHub Copilot会重建用户的「意图+有序步骤列表」，用户可对步骤进行编辑、增删和重排；最后是生成阶段，确认后一键生成Skill文件（SKILL.md格式，Agent按需调用）或Automation文件（automation.json，按计划/触发器自动执行）。

隐私与安全设计

初看之下，Skill Recorder与市面上的录屏工具并无二致，但它与传统宏录制器有着本质区别。传统宏录制器回放的是精确的鼠标坐标和点击顺序，而Skill Recorder优先使用Agent的原生工具——如gh CLI、web_fetch、API调用、Microsoft 365工具——只有在任务确实是纯UI操作时，才会降级到浏览器自动化。例如，用户录制一次「在GitHub上创建Issue」的操作，Agent学会的不是「点击这个按钮、输入这个文字」，而是「用gh issue create命令创建Issue」。这意味着即使用户界面改版，Agent的Skill依然能正常工作。另一个关键特性是泛化能力：用户录制一次提交某个特定表单的操作，Agent学会的是提交所有类似结构的表单，它提取的是意图和模式，而非机械记忆某一次操作。

SKILL.md正在成为行业标准

在隐私保护方面，Skill Recorder的设计相对审慎：录制过程完全在本地执行，只有用户主动点击Analyze时，数据才会发送到GitHub Copilot云端进行处理。语音旁白功能使用Whisper模型进行本地转录，支持99种语言。然而，目前版本（v0.3.1）尚未提供自动脱敏功能，这意味着录屏可能会捕获密码、API token等敏感信息。微软也明确表示，这是一个实验性研究项目，适合在隔离环境中用合成数据进行体验，不适合录制真实业务流程。

人机交互范式的质变

Skill Recorder的输出格式SKILL.md正在获得越来越多主流Agent框架的采纳。Anthropic的Claude Code原生支持SKILL.md格式，并在Cowork中内置了「录制Skill」功能；OpenAI Codex和Goose同样兼容这一格式；OpenClaw也使用SKILL.md作为技能定义格式。当多个头部Agent框架都在采纳同一格式时，它就不再是某家公司的私有规范，而是在成为行业事实标准。微软在Skill生态上的布局不止于此：microsoft/skills项目提供175+预制Skill库，覆盖Azure SDK和Foundry开发；Resource2Skill研究项目能够从教程视频、文档、代码自动提取Skill；CUA Skill则支持Windows桌面GUI操作自动化，覆盖17+应用程序。四条线从手动录制到自动提取，从代码开发到桌面操作，形成了完整的生态覆盖。SKILL.md是这个生态系统的通用语言，而谁掌握了标准，谁就掌握了Agent技能的分发权。

如有侵权，请联系删除。