15.5 Skills脚本执行机制

第 15 章 · Skills的工作原理 · 第5部分：技能 Skills

说明：本章中的代码示例是为了帮助理解技术原理而提供的。实际创建 Skills 时，您只需要编写简单的脚本，系统会自动处理安全执行。

脚本在 Skills 中的角色#

脚本执行的必要性#

虽然 AI 模型具备强大的自然语言理解和生成能力，但在某些场景下，传统代码执行具有不可替代的优势：

确定性保证

数学计算的精确性
数据处理的可靠性
复杂算法的正确性

性能优势

大规模数据处理的高效性
重复操作的性能优化
系统集成的低延迟

功能扩展

访问本地文件系统
调用外部 API 和服务
执行系统级操作

脚本 vs 纯 AI 生成#

特性	脚本执行	AI 生成
确定性	高	中
性能	高	中
可维护性	高	低
灵活性	中	高
复杂度处理	高	中

脚本集成架构#

脚本发现机制#

自动脚本扫描

系统会自动检查 Skills 目录中的脚本文件：

查找脚本目录：在 Skills 文件夹中寻找 scripts 子目录
识别脚本文件：检查文件是否是可执行的脚本（.py、.sh等）
收集信息：记录每个脚本的基本属性
建立索引：创建脚本名称到信息的映射

这样系统就知道这个 Skills 有哪些可用的脚本工具。

脚本元数据提取

对于每个发现的脚本，系统会收集详细信息：

文件路径：脚本在磁盘上的位置
编程语言：Python、Shell、JavaScript等
文件大小：脚本占用的存储空间
修改时间：最后更新的时间
执行权限：是否有执行权限
依赖关系：脚本需要的外部库或工具

脚本调用接口#

统一调用接口

python
复制
classScriptExecutor:def__init__(self):        self.sandbox = ScriptSandbox()        self.cache = ScriptCache()
asyncdefexecute_script(self, script_ref, arguments, context):"""
        统一的脚本执行接口
        """# 解析脚本引用        script_path = self.resolve_script_path(script_ref, context.skill_path)
# 检查缓存        cache_key = self.generate_cache_key(script_path, arguments)if cache_key in self.cache:return self.cache[cache_key]
# 执行脚本        result =await self.sandbox.execute_script(script_path, arguments)
# 处理结果        processed_result = self.process_execution_result(result)
# 缓存结果if self.should_cache(result):            self.cache[cache_key]= processed_result

return processed_result

参数传递机制

系统需要为脚本准备正确的输入参数，就像给函数传递参数：

获取变量：从 Skills 执行上下文中提取可用的变量值
处理模板：识别参数中的变量引用（如 $variable_name）
替换变量：将变量引用替换为实际值
保留常量：直接使用非变量的参数值
构建参数列表：按照正确顺序组织所有参数

这样脚本就能获得它需要的所有输入信息。

脚本安全沙箱#

沙箱设计原则#

最小权限原则

只授予必要的文件系统权限
限制网络访问范围
控制子进程创建

资源限制

CPU 时间限制
内存使用限制
磁盘 I/O 限制

沙箱实现#

容器化执行

为了安全执行脚本，系统使用容器技术创建隔离环境：

选择容器镜像：使用安全的 Python 基础镜像
限制资源：设置内存和CPU使用限制
隔离网络：默认禁用网络访问（可配置）
只读挂载：脚本文件以只读方式挂载到容器
监控执行：捕获输出并验证执行结果

这样脚本在安全的沙箱环境中运行，不会影响主机系统。

系统级隔离

python
复制
classSystemSandbox:def__init__(self):        self.chroot_dir ='/tmp/skill_sandbox'        self.max_runtime =30# seconds
asyncdefexecute_isolated(self, script_path, args):"""
        使用系统级隔离执行脚本
        """# 创建临时环境with tempfile.TemporaryDirectory()as temp_dir:# 复制脚本到隔离环境            isolated_script = os.path.join(temp_dir,'script.py')            shutil.copy2(script_path, isolated_script)
# 设置执行环境            env = os.environ.copy()            env['PATH']='/usr/local/bin:/usr/bin'
# 执行脚本            process =await asyncio.create_subprocess_exec('python', isolated_script,*args,                cwd=temp_dir,                env=env,                stdout=asyncio.subprocess.PIPE,                stderr=asyncio.subprocess.PIPE,                timeout=self.max_runtime
)
try:                stdout, stderr =await process.communicate()return{'returncode': process.returncode,'stdout': stdout.decode(),'stderr': stderr.decode()}except asyncio.TimeoutError:                process.kill()raise ScriptTimeoutError("Script execution timed out")

脚本结果处理#

输出格式标准化#

结构化输出解析

python
复制
defparse_structured_output(script_output):"""
    解析脚本的结构化输出
    """try:# 尝试 JSON 解析return json.loads(script_output)except json.JSONDecodeError:pass
try:# 尝试 YAML 解析return yaml.safe_load(script_output)except yaml.YAMLError:pass
# 回退到文本处理return parse_text_output(script_output)

多格式支持

JSON：结构化数据交换
YAML：配置和数据序列化
CSV：表格数据处理
纯文本：简单消息传递

结果验证和转换#

输出验证

python
复制
defvalidate_script_output(output, expected_schema):"""
    验证脚本输出是否符合预期格式
    """    validator = SchemaValidator(expected_schema)
try:        validator.validate(output)returnTrue,Noneexcept ValidationError as e:returnFalse,str(e)

结果转换

python
复制
deftransform_output_for_context(output, target_format):"""
    将脚本输出转换为适合 AI 上下文的格式
    """    transformers ={'summary': summarize_output,'table': format_as_table,'code': format_as_code_block,'json': json.dumps
}
    transformer = transformers.get(target_format,lambda x:str(x))return transformer(output)

脚本缓存和优化#

执行结果缓存#

缓存策略

python
复制
classScriptCache:def__init__(self, max_size=100):        self.cache ={}        self.max_size = max_size
        self.access_order =[]
defget(self, key):"""获取缓存的执行结果"""if key in self.cache:# 更新访问顺序            self.access_order.remove(key)            self.access_order.append(key)return self.cache[key]returnNone
defput(self, key, value):"""缓存执行结果"""if key in self.cache:# 更新现有条目            self.access_order.remove(key)eliflen(self.cache)>= self.max_size:# 移除最少使用的条目            oldest_key = self.access_order.pop(0)del self.cache[oldest_key]
        self.cache[key]= value
        self.access_order.append(key)

缓存键生成

python
复制
defgenerate_cache_key(script_path, args, context):"""
    生成脚本执行的缓存键
    """# 包含脚本内容哈希、参数和相关上下文    script_hash = hashlib.md5(open(script_path,'rb').read()).hexdigest()    args_hash = hashlib.md5(str(args).encode()).hexdigest()    context_hash = hashlib.md5(str(context).encode()).hexdigest()
returnf"{script_hash}:{args_hash}:{context_hash}"

性能优化#

并行执行

python
复制
asyncdefexecute_scripts_parallel(script_calls):"""
    并行执行多个脚本调用
    """    tasks =[]for call in script_calls:        task = asyncio.create_task(execute_single_script(call))        tasks.append(task)
# 等待所有任务完成    results =await asyncio.gather(*tasks, return_exceptions=True)
# 处理结果和异常    processed_results =[]for result in results:ifisinstance(result, Exception):            processed_results.append({'error':str(result)})else:            processed_results.append(result)
return processed_results

预编译优化

字节码缓存
AST 预解析
依赖预加载

错误处理和调试#

脚本执行错误分类#

1. 语法错误

Python 语法错误
导入错误
缩进错误

2. 运行时错误

类型错误
索引错误
文件操作错误

3. 逻辑错误

算法错误
数据处理错误
边界条件错误

调试支持#

详细错误信息

python
复制
defformat_script_error(error, script_path, args):"""
    格式化脚本执行错误信息
    """return{'error_type':type(error).__name__,'error_message':str(error),'script_path': script_path,'arguments': args,'stack_trace': traceback.format_exc(),'suggestions': generate_error_suggestions(error)}

调试模式

python
复制
classScriptDebugger:def__init__(self):        self.breakpoints =set()        self.watch_variables =set()
asyncdefdebug_execute(self, script_path, args):"""
        调试模式执行脚本
        """# 设置调试环境        debug_env = self.setup_debug_environment()
# 执行脚本        result =await self.execute_with_debugging(script_path, args, debug_env)
# 收集调试信息        debug_info = self.collect_debug_info()
return result, debug_info

总结#

脚本执行机制是 Skills 功能扩展的关键，它通过安全沙箱、标准化接口和智能缓存等技术，实现了 AI 智能与传统代码执行的完美结合。这种混合架构既保持了 AI 的灵活性，又确保了执行的可靠性和性能。

技术说明：本章中的代码示例展示了系统内部的工作机制，旨在帮助您理解原理。实际创建和使用 Skills 时，您不需要编写或修改这些代码，系统会自动处理所有技术细节。