llama-agent-skills/openspec/changes/add-skill-support/tasks.md

1. 项目基础设施

• 1.1 在 pyproject.toml 中添加依赖：llama-index-core、llama-index-llms-openai、python-frontmatter
• 1.2 创建模块文件结构：src/llama_agent_skills/skill.py、registry.py、agent.py、config.py
• 1.3 在 config.py 中实现配置管理：LLM API key（环境变量）、默认 SKILL 目录路径、基础 system prompt

2. Skill 数据模型与解析器（skill.py）

• 2.1 实现 Skill 数据类（frozen dataclass），包含字段：name、description、body、metadata、source_path
• 2.2 实现 SkillLoadError 自定义异常类
• 2.3 实现 load_skill(path: Path) -> Skill 函数：使用 python-frontmatter 解析 SKILL.md，校验必填字段（name、description），提取 metadata 并构造 Skill 实例
• 2.4 处理解析错误场景：缺少 frontmatter、缺少必填字段、文件不存在，均抛出 SkillLoadError

3. SKILL 注册表（registry.py）

• 3.1 实现 SkillRegistry 类，包含 register(skill)、unregister(name)、get(name)、list_skills() 方法
• 3.2 实现 scan_directory(path: Path) -> list[Skill] 函数：遍历目录下所有 */SKILL.md 文件，调用 load_skill 解析，跳过无效文件并记录日志
• 3.3 实现 SkillRegistry.load_from_directory(path) 便捷方法：调用 scan_directory 并批量注册

4. Agent 核心（agent.py）

• 4.1 实现 build_system_prompt(base_prompt: str, skills: list[Skill]) -> str 函数：按设计文档中的格式将 SKILL 内容拼接到 system prompt
• 4.2 实现 create_agent(skills, tools, llm_config) -> AgentWorkflow 函数：使用 AgentWorkflow.from_tools_or_functions() 创建 Agent，传入组装后的 system prompt 和工具列表
• 4.3 实现 run_agent(agent, message) -> str 异步函数：接受用户输入，运行 Agent 并返回响应文本

5. 入口整合（__init__.py）

• 5.1 改造 main() 函数：从配置读取 SKILL 目录，创建 SkillRegistry 并加载 SKILL，构建 Agent，进入交互式对话循环
• 5.2 支持命令行参数或环境变量指定 SKILL 目录路径和 LLM 模型名称

6. 验证与测试

• 6.1 使用项目中现有的 .opencode/skills/ 目录下的 SKILL.md 文件作为测试数据，验证 skill loader 能正确解析所有 4 个 SKILL
• 6.2 验证 SkillRegistry 的注册、注销、列表功能
• 6.3 验证 Agent 创建后的 system prompt 包含所有已加载 SKILL 的内容
• 6.4 端到端测试：加载 SKILL → 创建 Agent → 发送消息 → 获取响应