让Skill“有图可依”：openJiuwen首发多模态Skill范式Skill-Omni

Skill让Agent不必每次都从零开始摸索，而是可以复用已有的任务经验，但一个明显的短板始终存在：

今天写给Agent的Skill几乎全是纯文本，修图该修到什么程度、界面上该点哪个按钮，这些“看了才明白”的知识，一直塞不进一份Markdown文档。

针对这一问题，openJiuwen社区正式发布Skill-Omni——业界最早工程化落地的多模态Skill范式。

它让Agent的经验从“读得懂”升级为“看得见”，把网页和视频中的视觉知识，沉淀为Agent可复用的多模态Skill。

给Agent的说明书，第一次有了插图和参考图。

具体来说，用户只需提供一个网页链接或一个B站视频链接，JiuwenSwarm中开箱即用的skill-omni-creation就会自动提取其中的关键截图、界面状态和操作脉络，生成Agent可直接读取复用的多模态Skill。

这也是继SwarmSkill、SwarmFlow之后，openJiuwen在Skill工程化方向上的又一次快速迭代。

为什么Skill需要多模态化，Skill-Omni又是如何做到的？下面具体来看。

为什么Skill需要多模态化

今天的主流Skill范式停留在纯文本。

这在代码生成、文档处理等任务中足够有用；可一旦Agent开始处理视觉任务、GUI任务，局限立刻显现——有些任务，本来就不是“说清楚”的，而是“看明白”的。

图片编辑任务，文字Skill可能会写：

调整色调，使主体突出、背景柔和。

人类也许能领会，但对Agent来说过于模糊：主体在哪里？柔和到什么程度？有没有参考效果？

这些问题仅靠文字很难给出稳定答案。真正的知识藏在调整前后的视觉差异里：有了前后对比图，Agent才能看到“调整到什么程度才算合理”。

GUI自动化，文字Skill可能会写：

进入设置页，打开高级选项，选择导出设置。

但“设置”可能是齿轮图标，也可能藏在头像菜单下；“高级选项”可能需要滚动页面才能看到；“导出配置”可能是按钮，也可能是下拉菜单里的某个条目，界面里还有多个相似按钮。

如果有关键界面截图和页面状态，Agent才能不再只依赖文字猜测。

还有更被低估的视频教程：大量技能不写在文档里，而藏在软件录屏和操作演示中。

人类看得懂，但总结成一段文字，界面状态和操作细节就全丢了。

一句话：视觉任务中的关键知识往往不是一句话，而是一组可观察的状态。

界面长什么样、操作前后有何变化、结果是否符合视觉预期。全部压缩成文字，既费笔墨，又丢失空间关系和视觉细节。

这个判断并非openJiuwen一家之言，MMSkills¹、VisualSkill²等近期学术工作已系统论证了这一方向。

方向已被验证，但把多模态Skill做成生产级Agent平台中开箱即用的工程能力，openJiuwen是业界最早的实践者——不停留在范式讨论，而是快速做成可用的产品能力。

从更形式化的角度看，多模态Skill的价值并不只是“信息更多”，而是为Agent提供了一个更大的决策信息空间。

设  表示文本Skill中包含的信息， 表示额外引入的多模态信息，例如图片、关键帧、界面截图、音频说明等； 表示任务期望达到的目标结果， 表示Agent行为与目标结果之间的损失。

如果Agent只能基于文本Skill做决策，其最优风险可以表示为：

而当Agent可以同时读取文本信息和多模态信息时，其最优风险可以表示为：

由于多模态决策空间  至少包含所有只使用文本的策略——也就是说，Agent即使拿到了多模态信息，也可以选择忽略它，只退化为使用文本信息——因此有：

这意味着，在理想决策器假设下，引入有效的多模态信息不会降低Agent的最优决策能力，反而为其提供了更高的信息上限。

skill-omni-creation：把网页、视频和视觉经验转化为多模态SKILL

在这一背景下，openJiuwen在JiuwenSwarm中默认提供了skill-omni-creation——

一个用于生成多模态Skill的meta skill。

它不直接完成业务动作，而是关注“这里面有哪些截图、关键帧和操作模式，能帮Agent下次完成类似任务”，并把它们从网页、视频等外部资料中整理出来。

它把原本面向人类阅读和观看的网页、视频，转化为Agent可以使用的多模态经验资产。

目前支持两类生成入口：

• 一是网页转多模态Skill，把图文教程、技术博客中的截图和步骤沉淀为Skill；
• 二是视频链接转多模态Skill，从视频教程中提取关键帧和操作脉络。

能力一：把网页转成图文并茂的多模态Skill

高质量教程和技术博客本身就是图文结合的，但对传统文本Skill来说，网页里的图片经常被直接忽略，难以进入Agent的执行逻辑。

skill-omni-creation处理网页分三步：

• 自动解析：只需提供一个网页链接，系统自动解析内容并下载图片资源；
• 智能去噪：过滤广告图、装饰图、无关banner，只留正文截图、操作步骤图、前后对比图等有价值信息；
• 重组过滤：将文字步骤、关键图片和操作逻辑重新组织成信息密度更高的多模态Skill。

网页不再只是被收藏或总结，而是被转换成Agent可以使用的经验资产。

场景演示：图文经验贴转多模态Skill

某网页讲解如何修复照片欠曝光。这类任务的关键信息藏在图像前后的视觉变化中：暗部细节是否被拉回，高光是否被过度提亮。

skill-omni-creation把这些视觉判断标准连同前后对比图一起沉淀进Skill——让Agent不仅知道“如何修复”，也理解“修复到什么程度才算合适”。

能力二：把视频链接转成多模态Skill

视频的信息密度更高，但复用难度更大：视频天然带有时间轴，重要信息只出现在某几个关键帧里。

转录成文字会丢失视觉状态；逐帧塞给Agent又会带来巨大的上下文成本。

skill-omni-creation的做法是：提供视频链接后，系统从连续画面中筛选关键帧，识别关键操作节点，整理出“什么时候发生了什么变化”。

一个复杂的视频教程不再是“看过就忘”的内容，而变成Agent可调用、可复用的多模态经验。

场景演示：B站视频转多模态Skill

一个Bilibili视频完整讲述了JiuwenSwarm的安装过程。只需提供视频链接，skill-omni-creation就会围绕筛选出的关键帧整理安装步骤、命令说明和界面状态。

这对安装类任务尤其重要：安装是否成功，不只取决于命令写没写对，还取决于终端输出和启动界面是否符合预期。

生成之后：Agent如何读取多模态Skill

生成只是第一步，关键是Agent执行时能否正确使用——如何查阅多模态证据，又不因一次性加载大量图片而撑爆上下文（这也是学术研究反复指出的难点）。

JiuwenSwarm的工程答案是一套按需读取机制：

• 环境检测：运行时先检测用户提供的API是否支持多模态输入，避免在模型不支持视觉输入时盲目加载图片；
• 动态注入与按需调用：调用Skill时，系统自动检查Skill中是否包含图片链接，若有则注入提示，引导Agent在需要时调用read_file读取图片。

图片不会被一次性全部塞进上下文，而是按需进入执行过程——既保留视觉信息，又避免上下文负担。

图片不再只是Skill文档里的插图，而是Agent可以主动访问的视觉证据。

场景演示：Agent读取多模态Skill完成修图任务

还记得“能力一”中生成的那个欠曝光修复Skill吗？现在轮到它上场了。

面对欠曝光修复任务，Agent不再只靠“提升亮度”这样的文字描述判断任务是否完成，而是参考Skill中沉淀的前后对比图：暗部是否重现，高光是否没被拉过头，色彩是否自然。

多模态Skill提供的不是装饰，而是Agent判断结果质量的视觉标准。

哪些任务最适合Skill-Omni

一句话概括：那些“文字不够用”的任务。

• 图像编辑与设计：Photoshop、ComfyUI、图像修复——核心是知道结果应该长什么样；
• GUI自动化：后台配置、桌面软件操作、复杂表单——高度依赖界面布局和页面状态；
• 视频教程沉淀：把软件教程、产品演示中的关键帧提取出来，变成Agent可读取的Skill；
• 企业知识库升级：企业SOP里的截图、录屏、流程图，过去给人看，现在可以变成企业Agent可调用的知识资产。

在这些场景里，Skill-Omni的价值不是“让知识更好看”，而是让Agent拿到更完整的执行依据。

从文字说明书到多模态经验库

过去，Skill更像一份写给Agent的文字说明书：遇到某类任务时，遵循哪些步骤、调用哪些工具、注意哪些约束。

但在多模态Agent时代，这还不够。

当Agent开始看屏幕、理解图片、操作软件、复现视频教程时，它需要的不只是文字规则，还有视觉参照、空间信息、关键帧和状态变化。

Skill-Omni打通的正是这条完整链路：

提取视觉经验（网页/视频）→ 沉淀为多模态Skill → Agent在真实任务中按需读取、判断与执行

这意味着Skill不再只是一份纯文字资产，而开始成为多模态Agent的可复用经验层。

从SwarmSkill到SwarmFlow，再到今天的Skill-Omni，openJiuwen正在把Skill从“一份文档”做成一套完整的经验工程体系——

当Agent开始通过屏幕理解世界、通过图像复用经验，Skill也需要从Markdown走向Multimodal。

而这条路不会止步于屏幕：下一步，Skill-Omni将探索面向Physical AI场景的Physical Skill——

用物体抓取热力图沉淀物理交互经验，让Agent不仅复用“看得见”的经验，也复用“拿得稳、做得成”的经验。

Skill-Omni已在JiuwenSwarm中开箱可用。欢迎访问openJiuwen开源社区体验并参与共建。

相关资源

openJiuwen官网：https://www.openjiuwen.com/JiuwenSwarm

快速开始：https://openjiuwen.com/jiuwenswarm#quick-start

参考文献

[1] MMSkills：https://arxiv.org/pdf/2605.13527

[2] VisualSkill：https://arxiv.org/pdf/2606.18448

文章来自于微信公众号 “量子位”，作者 “量子位”