【2026 最新】Resource2Skill 是什麼？把 YouTube、GitHub、文章蒸餾成 Agent Skill Wiki（安裝＋驗收）

Resource2Skill 想解決的，不是「讓 AI 看完一支影片」而已，而是把 YouTube 教學、GitHub repo、文章與範例檔裡的操作知識，整理成 Agent 下次能搜尋、引用、組合與執行的 Skill Wiki。如果你曾經把同一份教學反覆貼給 Agent，卻發現它每次都要重新理解、步驟也不穩定，這套由 Microsoft Research 公開的研究原型，提供了一個很值得學的方法。

但先拆掉最容易誤會的一句話：截至 2026 年 7 月 24 日的官方 main 與 CLI，未提供把任意網址一鍵輸出成標準 SKILL.md 的功能。官方原生產物是自訂的多模態 Skill Wiki；單支 YouTube 指令只會先產出 Markdown 分析。本文會把官方功能與 AlphaLab 額外設計的 SKILL.md 打包步驟分開，讓你知道哪裡能自動化、哪裡仍必須人工驗證。

Resource、Evidence、Skill 到底差在哪裡？

最簡單的分法是：Resource 是教材，Skill 是經過整理、可以在工作時取用的操作單元。一支教學影片可能同時示範安裝、設定、除錯與完成作品；一個 repo 也可能混有 README、API、範例與測試。它們都不是一個 Skill 對一個 Resource，而是同一份素材可能拆成多個技能。

本文用 Evidence（可追溯證據） 當中間概念，指從素材擷取出的關鍵影格、程式碼區段、說明段落與成品範例。這個詞是為了幫初學者理解，不是論文另定義的正式層級。論文的正式管線是 construction、organization、selection、execution：先建造、再整理，工作時選取，最後才執行。

因此，一個可用 Skill 至少應回答四件事：要做哪些步驟、會用到哪些工具、依據來自哪裡、怎麼證明結果正確。這也和我們在 AI Agent Harness 一文強調的觀念相同：模型只是大腦，真正決定 Agent 穩不穩定的，還有工具、狀態、驗證與安全邊界。

Resource2Skill 怎麼運作？四個階段拆解

1. Construction：把多種素材蒸餾成候選 Skill

系統可以處理四類資源：教學影片、原始碼 repo、文章／文件、參考成品。它會抽出影片關鍵影格、AST-aware 的程式碼區段、文章段落與成品畫面，再交給視覺語言模型整理成結構化資料。這裡比較接近「蒸餾與正規化」，不是把整支影片原封不動塞進長期記憶。

2. Organization：通過閘門，再放進 Skill Wiki

論文設計了完整性、來源可追溯、去重、模態檔案一致性與結構可執行性等閘門。每個條目可包含文字說明、視覺參考、可調整的程式碼與 metadata；沒有可靠程式碼的項目也能保留成 reference-only。重點是：provenance 只代表能回到來源，不代表來源本身正確、最新或授權無虞。

3. Selection：先搜尋候選，再讓模型挑最多五個

工作開始時，系統先用名稱、標籤、適用情境與分類路徑做 BM25 檢索，再讓模型閱讀候選並選出最多五個完整 Skill，也可以一個都不選。這比每次讓 Agent 在幾十萬字素材裡盲找，更接近「先找工具，再讀說明」。但論文沒有做等 token 預算的原始素材重讀對照，所以不能直接宣稱一定更省錢。

4. Execution：透過 MCP 工具讀取、套用與組合

Agent 可透過 MCP 搜尋 Skill、讀文字、看視覺、取程式碼與套用 recipe。若條目有可執行程式碼，系統可直接呼叫；只有參考證據時，Agent 仍需自己寫出操作。這個設計和 從零打造 AI Agent Harness 的分層思路很接近：技能庫負責提供可重用知識，domain adapter 與工具層負責真正改動檔案或軟體。

Resource2Skill 的輸出不是 SKILL.md

截至 2026 年 7 月 24 日，官方 repo 的原生條目大致長這樣：

skills_wiki/<domain>/<skill_id>/
├── meta.json
├── text/
│   └── overview.md
├── visual/        # 可選
├── code/          # 可選
└── source/        # schema 預留／可選

meta.json 會記錄 skill ID、名稱、分類、license、來源、有哪些模態，以及 exec_ok。不過 exec_ok 可能是 true、false 或 null；影片條目也可能只有文字與影格，沒有獨立的 code/skill.py。因此，「進入 Wiki」與「已驗證能完成任務」是兩件不同的事。

官方公開 runtime 目前提供 Web、PowerPoint、Excel、Blender、Reaper 五個 domain；論文評估另含 CAD 與 UE5，共七個領域。不要把論文實驗範圍，誤寫成公開 quickstart 已完整支援七個 domain。想看實際資料結構，可直接瀏覽 Microsoft 的 Resource2Skill Dataset。

安裝 Resource2Skill：先從 Web domain 開始

這是研究軟體，不是按一下就能用的消費級 App。最小起點是 Python 3.11、獨立虛擬環境與官方 repo。不要直接在裝有工作憑證、私有 repo 或個人文件的主力環境測試生成程式碼。

git clone https://github.com/microsoft/Resource2Skill.git
cd Resource2Skill

python3.11 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install -r requirements.txt

# Web domain 額外需要瀏覽器
python -m playwright install chromium

python cli.py domains
python cli.py validate-domain --domain web

若要跑官方 Agent 範例，README 使用 Azure OpenAI endpoint／API key 或 AAD；若要分析 YouTube，還要設定 GEMINI_API_KEY。GitHub connector 另需 GITHUB_TOKEN。影片下載與抽幀的程式路徑還會呼叫 yt-dlp、ffmpeg，而 PowerPoint、Reaper、Blender 各有 LibreOffice、FluidSynth／soundfont、bpy 等額外依賴。最新細節應以 官方 README 與原始碼 為準。

實作一：精確分析一支 YouTube 教學

目前最容易控制的入口，是對一支公開 YouTube 影片執行 analyze。先在 `.env` 放入 Gemini key，再執行：

python cli.py analyze \
  --domain web \
  --video "https://www.youtube.com/watch?v=VIDEO_ID" \
  --model gemini-2.5-flash \
  -o resource2skill-output.md

你會得到一份 Markdown 分析，通常包含操作步驟、視覺觀察與可重現的程式碼草稿。它還不是 Skill Wiki 條目，也不是 SKILL.md。接下來至少要人工檢查：步驟有沒有漏掉前置條件、程式碼是否對應畫面、連結與時間戳能否回到來源、是否混入影片中的提示注入文字，以及你是否有權重用該內容。

若要一次分析多支已知影片，可用 batch --urls；若要讓 collector 搜尋並建立 Wiki 候選，則可從極小 quota 開始：

python cli.py collect \
  --domain web \
  --cycle-quota 1 \
  --source-mix youtube=1,github=0,article=0,static_artifact=0 \
  --queries 1 \
  --videos 1 \
  --json

注意：collector 會從 query pool 搜尋影片，不保證就是你指定的那支；而且不要把沒有 --cycle-quota 的長時間收集模式當成初學範例。先限制範圍，確認輸出和成本，再逐步放大。

實作二：GitHub repo 與文章怎麼接？

論文把 source repo 與文章列為資源類型，公開程式也有對應 connector；但截至 2026 年 7 月 24 日，官方頂層 CLI 的參數列表未提供通用的 --github-url 或 --article-url。GitHub 路徑偏向用 query 搜尋 repo、讀 description／README 與選定檔案，並做 license allowlist；文章路徑則讀取 domain 設定中的 article_urls。換句話說，它們是可程式化的收集器，不是任意網址轉換器。

• GitHub：先用專用、最小權限 token；固定允許的組織／repo，人工確認根目錄 license 與第三方資產授權。
• 文章：把核准 URL 寫進自訂 domain 設定；擷取後比較原文，避免導覽、廣告或惡意指令被當成步驟。
• 靜態檔案：只放你擁有或獲准使用的簡報、試算表、HTML、Blender 或音訊檔，並在隔離目錄處理。

如果你的真正需求是打造跨工具的個人 Agent，而不是維護研究型 Wiki，可以先讀 個人 AI Agent 的架構觀念，再決定 Resource2Skill 應放在「技能蒸餾」層，還是只作為一次性的研究工具。

把 Skill Wiki 封裝成 SKILL.md：AlphaLab 相容做法

如果你的 Agent 支援開放的 Agent Skills 規格，可以把通過人工審查的 Wiki 條目再包成下列資料夾。這是 AlphaLab 建議的人工映射，不是 Resource2Skill 官方 exporter：

css-bento-dashboard/
├── SKILL.md
├── scripts/
│   └── build.py
├── references/
│   └── provenance.md
└── assets/
    └── expected-result.png

1. 把 text/overview.md 攫取為 SKILL.md 主體，但重寫觸發時機、前置條件、輸入、輸出與停止條件。
2. 只把已讀過、已在隔離環境執行的 code/ 放進 scripts/，刪除不必要的網路、檔案與 shell 權限。
3. 把視覺參考放進 assets/；把原始 URL、版本、擷取日期、license 與修改紀錄放進 references/provenance.md。
4. 在 SKILL.md 加入 Agent Skills frontmatter，並用一句具體描述告訴 Agent 何時該載入。

---
name: css-bento-dashboard
description: Build or revise a responsive bento-style dashboard when the task requires CSS Grid, explicit breakpoints, and a visual acceptance check.
---

# CSS Bento Dashboard

## Preconditions
- Work only inside the user-approved project directory.
- Do not fetch third-party assets without permission.

## Procedure
1. Inspect the existing HTML and CSS.
2. Define the grid areas and breakpoints.
3. Run scripts/build.py in an isolated environment.
4. Compare the result with assets/expected-result.png.

## Acceptance checks
- No horizontal overflow at 390 px, 768 px, and 1440 px.
- Keyboard focus remains visible.
- Stop and report if required assets or permissions are missing.

這個模板刻意不把影片逐字稿塞進 Skill。好的 SKILL.md 應該短到能在需要時載入，又完整到不必猜測安全邊界。若你使用的 Agent 有不同欄位或工具白名單，還要依該實作調整並重新測試，不能假設格式相容就代表行為相容。

Resource2Skill 品質檢查：六道發布閘門

把生成 Skill 當成第三方程式碼。Microsoft 的 Agent Skills 文件也建議先審查指令與 script、檢查惡意指令或資料外洩、限制檔案與網路權限，再保留確認與稽核紀錄。實務上可以用這六道閘門：

1. 來源與授權：每個步驟、影格、程式碼都能回到來源；repo 授權不會自動覆蓋影片、圖片或第三方依賴。
2. 提示注入：把文章、README、字幕都視為不可信資料；刪除要求洩漏秘密、改變規則或執行陌生命令的文字。
3. 工具最小化：列出真正需要的 MCP、shell、檔案與網路權限；預設不提供 production credentials。
4. 程式碼審查：檢查 imports、subprocess、exec、網路請求、寫入路徑與刪除行為；在 disposable container 或 VM 測試。
5. 結構與 smoke test：確認 entrypoint、參數、輸出檔、錯誤處理都存在。Smoke pass 只代表能跑，不代表結果正確。
6. 保留任務：用沒有出現在原始素材與範例裡的新題目，測試 Agent 是否能遷移操作知識。

特別要注意，官方 QA 的 subprocess 加 timeout 並不是 OS 級安全沙箱；部分路徑會執行生成的 Python。最安全的做法仍是隔離環境、短效最小權限金鑰、限制可寫目錄與網路，人工讀完程式碼後才啟用。

保留任務測試：怎麼判斷 Agent 真的學會？

不要拿原影片做過的同一個 demo 驗收。假設素材教的是「做一個深色 bento dashboard」，保留任務可以改成「為社區藝文組織做暖色、手作編輯風 landing page」，但仍要求相同的 CSS Grid、響應式斷點與視覺檢查。這樣才能測出 Skill 是否抓到可遷移的方法，而不是背答案。

1. 固定同一個模型、reasoning、最大迭代數與工具後端。
2. A 組允許 Skill Wiki；B 組使用官方 --no-skills。
3. 兩組使用同一份保留任務，但寫到不同輸出目錄。
4. 記錄完成時間、工具呼叫、錯誤、人工修正次數與 token／費用。
5. 用事先寫好的 rubric 盲評最終成品，不採信 Agent 自稱「完成」。
6. 至少換三個題目；單一成功案例只能證明該案例可重現。

這套配對思路，也能套用在 Hermes Agent 或其他支援工具／技能的框架。真正有價值的不是某個框架跑出漂亮 demo，而是你能持續重跑同一套驗收規則。

Resource2Skill 論文結果：11.9 個百分點怎麼讀？

論文在七個軟體產出領域、四個 GPT 系列模型後端上，報告有 Skill 的平均分為 56.8，無 Skill 為 45.0，差 11.9 個百分點；28 個「模型 × 領域」彙總組合都提高。和作者配置的無 Wiki ClaudeCode-H／Codex-H harness 比較時，Resource2Skill 在 28 組裡有 26 組較高。

這些數字不能改寫成「成功率 56.8%」，也不能說「普遍打敗 Claude Code 或 Codex」。評估用的是作者自建任務與相同 GPT 後端、固定工具後端，再由視覺模型按品質、正確性、完整性、忠實度與創意等 rubric 評分；不是跨供應商、跨所有工作情境的產品排名。

最安全的結論是：在作者自建的七個軟體產出基準、固定工具後端與 GPT 系列模型中，能取用整理後 Skill Wiki 的 Agent，產物評分平均高出無 Skill 版本 11.9 個百分點；它沒有直接證明把任何網路素材轉成 Skill 都更便宜、更安全或一定正確。

誰適合用 Resource2Skill？誰先不要？

• 適合：有大量合法內部教材、願意維護技能庫、能提供隔離測試環境，並且工作結果可用程式或 rubric 驗收的團隊。
• 適合：正在研究 Agent memory、技能檢索、MCP 與 domain adapter，希望閱讀一套完整公開實作的開發者。
• 先不要：只想把一個任意網址丟進去，立刻得到各家 Agent 通用、可靠的 SKILL.md。
• 先不要：來源含客戶機密、production key、未知授權內容，或沒有能力審查生成程式碼的情境。

截至 2026 年 7 月 24 日，官方 repo 約 255 stars，Hugging Face 論文頁 137 upvotes；在 2026 年 7 月 20 日依 publishedAt 排序的 daily feed 位居第 2。這些數字只能當成研究興趣的當日快照，不等於直接求教人數，也不等於成熟度、可靠性或商業支援。repo 的 SUPPORT 文件明確把它定位為研究軟體，且查核當下的 GitHub Releases 與 tags 列表皆為空。

Resource2Skill 常見問題 FAQ

1. Resource2Skill 是什麼？

它是 Microsoft Research 公開的研究系統，把影片、repo、文章與參考成品蒸餾成多模態 Skill Wiki，讓 Agent 能在執行任務時搜尋、選取與套用相關技能。

2. 它能直接把 YouTube 轉成 SKILL.md 嗎？

截至本文查核日，不能直接這樣做。單支影片的 analyze 輸出 Markdown 分析；完整 collector 才會建立 Wiki 候選，而且官方格式不是標準 SKILL.md。本文的打包步驟是額外相容做法。

3. 可以貼任意 GitHub 或文章網址嗎？

截至本文查核日，官方 CLI 參數列表未提供通用的一行網址入口。GitHub connector 採搜尋導向，文章 connector 讀 domain 設定中的 URL；需要自行配置、限制來源並審查授權。

4. 需要哪些模型金鑰？

官方 Agent runtime 範例使用 Azure OpenAI；YouTube 與多個蒸餾路徑使用 Gemini；GitHub 收集另需 GitHub token。實際需求會依你啟用的路徑改變。

5. Resource2Skill 是免費的嗎？

程式碼採 MIT License，但模型 API、影片處理、運算與儲存都可能產生成本。內建 budget 不是美元上限，仍要在供應商端設警示與限額。

6. 通過 exec_ok 就代表可靠嗎？

不代表。它主要反映結構、imports、entrypoint 與可選 smoke command 是否能執行；沒有 smoke 時甚至可能是 null。真實結果仍要用保留任務驗收。

7. 生成程式碼會在安全沙箱裡跑嗎？

不能這樣假設。timeout subprocess 不等於 OS 級沙箱，部分程式路徑可執行 Python。請使用 disposable container／VM、最小權限金鑰、限制網路與寫入目錄。

8. 和 RAG 有什麼不同？

一般 RAG 多半找回文字證據供模型回答；Resource2Skill 進一步把文字、視覺、程式碼與執行 metadata 組成可選取的操作單元。但它仍包含檢索，也不能免除來源與輸出驗證。

這篇教學帶走的五個新手觀念

1. 「看過素材」和「擁有可重用技能」之間，差了結構化、工具綁定、來源與驗收。
2. 一份 Resource 可以拆成多個 Skill；不要把整支影片硬塞成一個超長指令。
3. 來源可追溯不等於內容正確，結構可執行也不等於任務成功。
4. Resource2Skill 原生格式是 Skill Wiki；SKILL.md 是你自行加入的相容封裝。
5. 最可信的品質證據不是 demo，而是固定條件下、用保留任務做配對測試。

延伸閱讀與下一步

• AI Agent Harness 是什麼？：先理解模型以外的工具、狀態與驗證層。
• 從零打造 AI Agent Harness：把技能庫接進可觀測、可測試的執行流程。
• Hermes Agent 完整解析：比較另一種開源 Agent 與技能工作流。
• Claude Code vs Codex：選擇實際執行程式與修改專案的工作介面。
• Claude 怎麼省 token：理解上下文與重複餵資料的成本。
• AlphaLab 課程：建立完整的 AI 工具與實作基礎。

結論：不要收集更多資料，要建立可驗證的能力

Resource2Skill 最有價值的地方，不是一個「影片轉 Skill」按鈕，而是一個方法論：把散落在影片、repo、文章與成品中的程序知識，整理成 Agent 能找到、能追溯、能執行，也能被測試的能力單元。

你可以從一支短影片開始，但不要停在漂亮的 Markdown。先審查來源與程式碼，再把通過的內容封裝成自己的 Skill，最後用保留任務和無 Skill 基準比較。當這條鏈都能重跑時，Agent 才不是「好像看懂了」，而是擁有一項你能驗收、能維護的能力。

主要資料來源

• Resource2Skill 論文 v4
• Microsoft Resource2Skill 官方 repo
• Resource2Skill 官方專案頁
• Hugging Face 論文頁
• Microsoft Learn：Agent Skills
• Google Gemini：Video understanding

資料查核日期：2026 年 7 月 24 日。本文內容僅供技術研究與教學，不構成資安、法律或授權意見，亦無業配內容。模型、API、repo 與價格會變動；AI 具有輸出錯誤資訊的可能，重要決策請由人類複核。實際部署前請重新閱讀官方文件，並由具備權限的人員審查來源、程式碼與執行環境。