Cookbook — 把概念變成可執行 recipe¶

繁體中文 | 简体中文 | English

Stage 5（Claude Code 生態）跟 mcp-skills-catalog.md 講「概念」跟「有哪些工具」。這份 cookbook 補中間缺的：「怎麼動手做出來」。每個 recipe 是一份 step-by-step + sample code + 常見 pitfall，~30-50 分鐘做完一個。

不是 reference 也不是 tutorial——是 recipe，挑你需要的那道煮就好。

📋 目錄¶

寫你的第一個 Skill（SKILL.md anatomy）
寫你的第一個 MCP server（Python SDK）
Word / Excel / PowerPoint workflow
NotebookLM workflow
Zotero workflow
本機 LLM + CLI Agent 快速 walkthrough

1. 寫你的第一個 Skill¶

Skill = 一個資料夾含 SKILL.md，Claude Code 啟動時自動 discover、按情境自動載入。最小 viable 版本 50 行就能跑。

📚 這份是「30 分鐘跑出第一個」實作版。想看「Skill 怎麼寫得好」深度討論 → Hello-Agents Extra08：如何寫出好的 Skill（中文最完整的 Skill 最佳實踐，討論 description 寫法、references / scripts 設計等）。兩份互補：先用本 recipe 跑出第一個，再讀那份 polish 寫法。

為什麼¶

寫 Skill 跟「在 prompt 裡加幾段 instruction」差別在於： - Skill 是 per-domain 的，不會污染所有 conversation - 可以打包跨 project / team 共用 - Claude 自己決定何時載入（看 description match 不 match）

步驟¶

Step 1：建立 skill 資料夾¶

兩個位置可以放（看你要 user 級還是 project 級）：

# user 級（所有 project 共用）
mkdir -p ~/.claude/skills/my-first-skill
cd ~/.claude/skills/my-first-skill

# 或 project 級（只在這個 repo 觸發）
mkdir -p .claude/skills/my-first-skill
cd .claude/skills/my-first-skill

Step 2：寫 `SKILL.md`¶

最小可 work 的範本：

---
name: my-first-skill
description: When the user asks for [SPECIFIC SITUATION], use this skill to [WHAT IT DOES]. Examples include [2-3 trigger phrases]. Do NOT use for [WHAT IT'S NOT FOR].
---

# My First Skill

You are now in the [domain] context.

## When the user asks X, do these steps:

1. First, [action A]
2. Then, [action B]
3. Verify with [check]

## Don't do:

- [anti-pattern 1]
- [anti-pattern 2]

## Reference

- (optional) link to a doc / paper / API spec

具體例子：「整理 Python 程式碼的 import 順序」

---
name: python-import-organizer
description: When the user pastes Python code or asks to clean up imports / format code / sort imports, organize the imports following PEP 8 + isort order: stdlib first, then third-party, then local. Do NOT use for non-Python code.
---

# Python Import Organizer

When the user wants Python imports cleaned up:

1. Group imports into 3 sections: stdlib / third-party / local
2. Within each group, sort alphabetically
3. Add a blank line between groups
4. Remove unused imports (only if user explicitly asks; otherwise just sort)

## Don't:
- Don't change function code, only the import block
- Don't auto-remove imports without asking

Step 3：測試¶

# 重啟 Claude Code（讓它重新 discover skills）
# 在 conversation 裡丟一個觸發句
# e.g.「幫我整理一下這段 Python 的 imports」
# 觀察 Claude 有沒有按照 SKILL.md 的步驟做

Step 4（進階）：加 evals¶

在 skill folder 內加 evals/evals.json：

{
  "evals": [
    {
      "input": "整理一下這段 Python 的 imports: import os\nimport requests\nfrom mypackage import foo",
      "expected_behavior": ["按 stdlib / third-party / local 分組", "alphabetical 排序"]
    }
  ]
}

之後可以用 promptfoo 之類工具 batch 跑。

常見 pitfall¶

症狀	原因	解法
Claude 從不觸發我的 skill	description 寫得太籠統，匹配不到 user query	description 加 2-3 個具體 trigger phrase（"when the user asks X / Y / Z"）
觸發了但行為不對	SKILL.md 步驟太抽象	改成 numbered list、每步明確動作
觸發了不該觸發	description 太寬，匹配到不相關 query	加 "Do NOT use for X" 收斂

進一步¶

看 Stage 5.3 的 Skill anatomy 詳解
看 anthropics/skills 官方 skill 範本（docx / xlsx / pptx 等）的寫法
多個 skill 打包成 plugin → Stage 5.4

2. 寫你的第一個 MCP server¶

MCP server = 一個獨立 process，跑起來提供 tool / resource / prompt 給 LLM host（Claude Desktop / Claude Code）。最小可 run 版 < 50 行 Python。

為什麼¶

Skill 是給 Claude 的「角色 + 規則」；MCP 是給 Claude 的「外部 function」
Skill 不能讀檔、不能呼叫 API；MCP 可以（任何 tool 你寫得出來）
Skill 只在 Claude Code 跑；MCP 任何 LLM host（包括 Cursor、自寫 agent）都能接

步驟¶

Step 1：安裝官方 SDK¶

pip install mcp

Step 2：寫 `server.py`¶

最小範本——一個會回 echo 的 tool：

# server.py
from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent

app = Server("hello-mcp")

@app.list_tools()
async def list_tools() -> list[Tool]:
    return [
        Tool(
            name="echo",
            description="Echo the input text back to the user.",
            inputSchema={
                "type": "object",
                "properties": {
                    "text": {
                        "type": "string",
                        "description": "Text to echo back",
                    }
                },
                "required": ["text"],
            },
        )
    ]

@app.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
    if name == "echo":
        return [TextContent(type="text", text=f"Echo: {arguments['text']}")]
    raise ValueError(f"Unknown tool: {name}")

async def main():
    async with stdio_server() as (read, write):
        await app.run(read, write, app.create_initialization_options())

if __name__ == "__main__":
    import asyncio
    asyncio.run(main())

Step 3：在 Claude Desktop / Code 設定¶

Claude Desktop：編輯 ~/Library/Application Support/Claude/claude_desktop_config.json（macOS）或 %APPDATA%\Claude\claude_desktop_config.json（Windows）：

{
  "mcpServers": {
    "hello-mcp": {
      "command": "python",
      "args": ["/絕對路徑/到/server.py"]
    }
  }
}

Claude Code：用 claude mcp add 指令：

claude mcp add hello-mcp python /絕對路徑/到/server.py

Step 4：重啟 Claude Desktop / Code、測試¶

你問：echo "hello world" 給我
Claude 回（會顯示 tool call icon）：Echo: hello world

常見 pitfall¶

症狀	原因	解法
Claude Desktop 沒看到 tool	server.py 啟動失敗	terminal 直接 `python server.py` 跑、看 stderr 哪裡爆
tool 列出但 call 失敗	inputSchema 格式錯（required 漏寫、type 寫錯）	看 `schema-design-cheatsheet.md`
Claude 不主動叫 tool	description 太籠統	description 改成「When the user asks X, use this tool」式的具體 trigger
stdio 跟 SSE 哪個用？	local desktop integration 用 stdio；remote / web 用 SSE	第一個 server 一律用 stdio

進一步¶

看 Stage 5.2 的 MCP 完整介紹
看 modelcontextprotocol/servers 官方範例（filesystem、github、sqlite、time 等）
寫 production server 看 Stage 5.2「練習：MCP in production」跟 anthropics/claude-code 的 ~/.claude/skills/

3. Office Docs Workflow¶

用 Claude 讀寫 Word / Excel / PowerPoint / PDF 不用裝額外 tool——anthropics/skills 官方 repo 已經內建好。

為什麼¶

最常見場景： - 把 Markdown / 大綱 → 自動生成 Word / PPT - 讀一堆 PDF / Excel → 整理摘要 / 提取數字 - 改別人傳來的 docx → 加 track changes、或重排格式 - 把表格 cross-reference 寫成報告

不需要自己 parse XML、不需要找 python-docx / openpyxl 教學——anthropics/skills 已經包好。

步驟¶

Step 1：安裝 skills¶

最簡單：clone Anthropic 官方 skills repo 到 user-level skill 目錄：

# user 級（所有 project 用）
git clone https://github.com/anthropics/skills.git ~/.claude/skills/anthropic-skills

或者用 claude plugin install（如果有打包成 plugin）。

Step 2：重啟 Claude Code¶

skills/docx/ → docx 讀寫
skills/xlsx/ → Excel 讀寫
skills/pptx/ → PowerPoint 讀寫
skills/pdf/ → PDF 讀

Claude 會根據 user query 自動載入合適的 skill。

Step 3：實用 prompt 範本¶

從大綱生 PPT：

讀我寫的 outline.md，照這個結構生一份 PPT：
- 封面 1 頁
- 每個 H2 一頁，bullet points 從 H3 內容濃縮
- 結語 1 頁

存成 ./output/presentation.pptx

讀 Excel 整理數字：

讀 ./data/sales-2023.xlsx 第一張 sheet，把每個 region 的 Q4 總額算出來，
寫進 ./output/q4-summary.md（用 markdown table 格式）。

改 docx：

讀 ./doc/draft.docx，把繁中詞彙轉成簡中（譬如「軟體」→「软件」），
存成 ./doc/draft.zh-Hans.docx，保留原本的 track changes。

讀 PDF 提取資訊：

讀 ./papers/research.pdf，把 abstract、main contributions、limitations
分別寫進三個 markdown section，存到 ./notes/research-summary.md。

常見 pitfall¶

症狀	原因	解法
skill 沒被觸發	repo 路徑放錯	確認 SKILL.md 在 `~/.claude/skills/anthropic-skills/skills/docx/SKILL.md` 這種層級
pptx 生出來樣式醜	沒給設計參考	prompt 加「參考 ./template.pptx 的樣式」
大 PDF 讀不完	context 爆	改用 `SylphxAI/pdf-reader-mcp`（5-10× 快）
Excel 公式被吃掉	docx skill 不處理 formulas	開檔前 prompt 明說「保留 formula 不要 hard-code」

進一步¶

catalog 2 mcp-skills-catalog.md 2 辦公文件：補強版 office skill / Excel / PPT 專用 MCP
中文圈 office workflow：leemysw/feishu-docx 飛書 / Lark docs ↔ Markdown

4. NotebookLM Workflow¶

NotebookLM 是 Google 的 RAG-on-your-docs 工具。Claude Code 沒有官方 NotebookLM 整合，但社群有 2 個成熟方案。

為什麼¶

NotebookLM 強的地方： - 上傳 50 份 PDF 自動建索引 - Q&A 帶 citation（每個答案都標出來自哪份文件第幾頁） - 生成 summary / mind map / podcast-style audio overview

弱點：要在 NotebookLM 網頁裡用，跟你的其他 workflow（Claude Code、Obsidian、Zotero）斷開。

兩個方案橋接： 1. PleasePrompto/notebooklm-skill（Skill，browser automation） 2. teng-lin/notebooklm-py（Python API + CLI）

兩個方案怎麼選¶

場景	選哪個	為什麼
偶爾從 Claude Code 查一下 NotebookLM	`PleasePrompto/notebooklm-skill`	Claude Code 內 prompt 一句話就跑、setup 簡單
批次操作（建 100 個 notebook、批次匯入文件）	`teng-lin/notebooklm-py`	Python API，可程式化跑
不想 Google 政策變動就壞	（等 Google 出官方 API）	兩個都是 unofficial、會有風險

方案 A：PleasePrompto/notebooklm-skill¶

Step 1：clone 到 skills 目錄¶

git clone https://github.com/PleasePrompto/notebooklm-skill ~/.claude/skills/notebooklm

照 repo README 設定 OAuth / 登入 cookie。

Step 3：實用 prompt¶

查我 NotebookLM 內「LLM Agents 2024」這個 notebook，
找出所有提到 "tool use" 的段落，整理成一份比較表，
帶上每個來源文件名跟頁數。

方案 B：teng-lin/notebooklm-py¶

pip install notebooklm-py

範例：

from notebooklm import NotebookLM
nlm = NotebookLM() # OAuth 流程

# 建一個 notebook
nb = nlm.create_notebook("My Research")

# 批次匯入 PDF
for pdf in glob.glob("papers/*.pdf"):
    nb.add_source(pdf)

# Q&A
answer = nb.query("What are the main contributions?")
print(answer.text)
print(answer.citations)

常見 pitfall¶

症狀	原因	解法
突然不能用	Google 改了內部 API	檢查 issue tracker、等社群更新
Q&A 答案模糊	上傳文件太多、retrieve 失準	拆成幾個 notebook（每個 < 50 source）
中文支援不好	預設 UI 設成英文	NotebookLM 設定改 zh-Hant

進一步¶

catalog 1 mcp-skills-catalog.md 1 筆記 / 知識庫
完整 research workspace：用 WenyuChiou/research-hub 整合 NotebookLM + Zotero + Obsidian

5. Zotero Workflow¶

Zotero 管文獻，加上 WenyuChiou/zotero-skills 後 Claude Code 能直接搜 / 加 / 分類 / 標 references。

為什麼¶

研究流程經典痛點： - 「我那篇 paper 在哪？」——Zotero 有，但要切換視窗 - 「給我所有講 transformer 的 paper 摘要」——要自己 select、export、丟給 LLM - 「這篇 paper 該打什麼 tag？」——人工

zotero-skills 把這些變成 Claude Code 內一句 prompt 就跑。

跟 zotero-gpt 差別¶

工具	角色	適合
`MuiseDestiny/zotero-gpt`	Zotero plugin（在 Zotero 內部 chat）	邊讀 paper 邊問 LLM、不切換視窗
`WenyuChiou/zotero-skills`	Claude Code skill（從外部操作 Zotero）	寫 paper / 整理文獻時，Claude Code 為主

互補不衝突，可以兩個都裝。

步驟¶

Step 1：開啟 Zotero local API¶

Zotero 桌面版預設不開 API。打開： - Edit → Preferences → Advanced → Config Editor - 找 extensions.zotero.httpServer.enabled，設 true - 找 extensions.zotero.httpServer.port，預設 23119

Step 2：clone zotero-skills¶

git clone https://github.com/WenyuChiou/zotero-skills ~/.claude/skills/zotero-skills

照 repo README 設定（包含 API key 給 Web API 寫操作用）。

Step 3：實用 prompt¶

搜文獻：

搜我 Zotero library 內所有 2023 年之後、跟 multi-agent 相關的 paper，
按 cited count 排序、輸出成 markdown table。

自動分類：

看我 collection "Inbox" 裡的 50 篇 paper，按主題自動建 sub-collection
（譬如 "RAG"、"Tool Use"、"Multi-Agent"），把 paper 移進去。

標 tag：

讀我 Zotero 內這篇 paper（attached PDF 看完），
從 abstract 提取 5 個 keyword 當 tag 加上去。

寫 paper 引用整理：

我的 paper draft 在 ./paper/v3.tex，
找出所有 \cite{} 對應的 BibTeX entry，跟 Zotero library 對比，
把缺的 export 出 .bib 給我。

常見 pitfall¶

症狀	原因	解法
skill 觸發但 query 失敗	Zotero 沒在跑 / API 沒開	開 Zotero 桌面版 + 確認 port 23119 listening
寫操作（add / move）失敗	local API 是 read-only，要用 Web API	設定 Web API key（zotero.org/settings/keys）
collection 結構亂	自動分類 prompt 沒給目錄結構	prompt 給 Claude 看現有 collection tree、再決定怎麼分

進一步¶

完整 research workspace：WenyuChiou/research-hub 整合 Zotero + Obsidian + NotebookLM
學術論文寫作：WenyuChiou/academic-writing-skills
14 個研究流程 skill 集：WenyuChiou/ai-research-skills

6. 本機 LLM + CLI Agent 快速 walkthrough¶

30 分鐘把 Stage 1 的本機模型接到 Stage 5 的 CLI agent：離線、隱私資料、不想用 API 額度時，可以先用這條路線做 end-to-end 驗證。

為什麼¶

Stage 1 教你用 Ollama / llama.cpp / vLLM 跑本機 LLM；Stage 5 教 Claude Code、MCP、Skills、Plugins 的 agent 生態。中間常見的誤會是：Claude Code 不是本機 LLM runner。Claude Code 需要 Anthropic OAuth / API key，不能直接把 model endpoint 改成 Ollama 或其他本機 endpoint。

如果目標是「本機 LLM + CLI agent」，選擇支援 BYO LLM 的 CLI 會更直接：OpenCode / goose / Aider / Hermes Agent 都能接 OpenAI-compatible endpoint 或 Ollama provider。這個 recipe 用一個短流程讓你先跑通 model、agent、任務三件事。

步驟¶

Step 1：Ollama + model（10 分鐘）¶

# 安裝 Ollama：https://ollama.com
ollama pull qwen2.5:3b
# RAM 16GB+ 可以改試：ollama pull qwen2.5:7b
ollama serve

確認 OpenAI-compatible API 有回應：

curl http://localhost:11434/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model":"qwen2.5:3b","messages":[{"role":"user","content":"用 3 句話解釋 ReAct agent。"}]}'

Step 2：選一個 CLI agent 接 Ollama（10 分鐘）¶

OpenCode：適合想切換多 provider、又要接本機模型的人。

npm install -g opencode-ai
opencode auth login # provider 選 Ollama，endpoint 設 http://localhost:11434/v1
opencode

goose：內建 Ollama provider，適合先做本機 agent 試跑。

# 安裝方式看 https://block.github.io/goose
goose configure # provider 選 Ollama，model 設 qwen2.5:3b
goose session start

Aider：git-native，適合在 repo 內做小型程式碼修改。

pip install aider-chat
aider --model ollama/qwen2.5:3b --no-show-model-warnings

Hermes Agent：適合跑在 VPS，讓 Telegram / Slack / Discord 變成 agent 入口。

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
hermes model set ollama:qwen2.5:3b
hermes

Step 3：跑一個真實小任務（10 分鐘）¶

不要只問「hello world」。挑一個會碰到檔案、摘要、表格或搜尋的小任務：

從 ~/Downloads 找 5 個 PDF，抽出每篇 paper 的 1 句 summary 與 method。
讀 data.csv 前 3 欄，輸出 Markdown table 並指出欄位問題。
搜 ~/notes/ 裡 7 天內提到 agent safety 的段落，整理成 checklist。

觀察三件事：

Speed：本機小模型常比 API 慢 2-5 倍。
Quality：3B / 7B 模型的 reasoning、長 context、複雜程式碼能力通常不如 Claude。
Cost：token 成本是 $0，但會吃本機 RAM / VRAM 與電力。

Step 4：跟 Claude Code 的差異（5 分鐘）¶

面向	Claude Code	OpenCode + Ollama
LLM	Anthropic hosted	本機模型
成本	訂閱或 per-token	`$0` token cost
速度	通常較穩	看硬體，常慢 2-5 倍
隱私	內容送 Anthropic	內容留在本機
Reasoning 上限	Claude 4.5+ 較強	取決於本機模型
適合 use case	複雜 codebase、長 context、可靠推理	隱私資料、離線 demo、低成本反覆試

重要限制：Claude Code 不能直接用本機 LLM¶

Claude Code 目前需要 Anthropic OAuth / API key，沒有官方設定可以把模型切成 Ollama 或本機 endpoint。網路上可能有 proxy 或 API shim 做實驗，但這不是官方支援路徑，穩定性與相容性要自己承擔。

要用本機 LLM，建議把「Claude Code」跟「支援 BYO LLM 的 CLI agent」分開看：Claude Code 用在需要 Claude 品質的工作；OpenCode / goose / Aider / Hermes 用在本機、離線、隱私或低成本實驗。

常見 pitfall¶

問題	原因	解法
`connection refused`	Ollama server 沒在背景跑	開另一個 terminal 跑 `ollama serve`
model output 斷句怪、邏輯弱	3B 模型能力有限	改用 `qwen2.5:7b` 或 `deepseek-r1:7b`
CLI agent 沒改到檔案	本機模型太弱，或 prompt 太模糊	縮小任務、指定檔案與成功條件
memory / OOM	模型吃掉 RAM / VRAM	先用 `qwen2.5:3b`，再升到 7B；必要時開 swap

進一步¶

Stage 1 Local LLM 練習：Ollama / llama.cpp / vLLM 的差異
cli-agents-guide.md：7 個 CLI agent 怎麼選
Hermes Agent README：多平台 gateway（Telegram / Discord / Slack）與 provider 設定

找不到你要的 recipe？¶

看 Stage 5 完整概念
看 mcp-skills-catalog.md 完整工具清單
看 schema-design-cheatsheet.md 寫 tool schema 的細節
看 cli-agents-guide.md 7 個主流 CLI agent 比較

要新 recipe → 開 issue 或直接 PR 一份。recipe 格式：為什麼 + 步驟 + 範本 prompt + 常見 pitfall + 進一步。

Cookbook — 把概念變成可執行 recipe¶

📋 目錄¶

1. 寫你的第一個 Skill¶

為什麼¶

步驟¶

Step 1：建立 skill 資料夾¶

Step 2：寫 SKILL.md¶

Step 3：測試¶

Step 4（進階）：加 evals¶

常見 pitfall¶

進一步¶

2. 寫你的第一個 MCP server¶

為什麼¶

步驟¶

Step 1：安裝官方 SDK¶

Step 2：寫 server.py¶

Step 3：在 Claude Desktop / Code 設定¶

Step 4：重啟 Claude Desktop / Code、測試¶

常見 pitfall¶

進一步¶

3. Office Docs Workflow¶

為什麼¶

步驟¶

Step 1：安裝 skills¶

Step 2：重啟 Claude Code¶

Step 3：實用 prompt 範本¶

常見 pitfall¶

進一步¶

4. NotebookLM Workflow¶

為什麼¶

兩個方案怎麼選¶

方案 A：PleasePrompto/notebooklm-skill¶

Step 1：clone 到 skills 目錄¶

Step 2：第一次跑會要 Google login（瀏覽器自動化）¶

Step 3：實用 prompt¶

方案 B：teng-lin/notebooklm-py¶

常見 pitfall¶

進一步¶

5. Zotero Workflow¶

為什麼¶

跟 zotero-gpt 差別¶

步驟¶

Step 1：開啟 Zotero local API¶

Step 2：clone zotero-skills¶

Step 3：實用 prompt¶

常見 pitfall¶

進一步¶

6. 本機 LLM + CLI Agent 快速 walkthrough¶

為什麼¶

步驟¶

Step 1：Ollama + model（10 分鐘）¶

Step 2：選一個 CLI agent 接 Ollama（10 分鐘）¶

Step 3：跑一個真實小任務（10 分鐘）¶

Step 4：跟 Claude Code 的差異（5 分鐘）¶

重要限制：Claude Code 不能直接用本機 LLM¶

常見 pitfall¶

進一步¶

找不到你要的 recipe？¶

Step 2：寫 `SKILL.md`¶

Step 2：寫 `server.py`¶