Skill 编写最佳实践：如何写好一个 Skill（从创建到迭代）

---

            ┌───────────────┐
            │     When      │  在什么条件下触发？
            └──────┬────────┘
                   │
                   ▼
┌───────────────┐  │  ┌───────────────┐
│      How      │◄─┼─►│      What     │
│    按哪些步骤   │     │    产出什么结果  │
└───────────────┘     └───────────────┘

一个 Skill 是一份清晰、严谨、可执行的指令文档，用于明确告诉模型——在什么条件下（When），按照哪些步骤（How），产出什么结果（What）。

本文为 Skill 设计与开发的一站式最佳实践指南，可助力你：系统厘清 Skill 的定义，规避常见认知误区；掌握高命中率、高稳定性 Skill 的设计标准与核心原则；掌握让 Skill 可维护、可扩展的技巧；掌握 “评测驱动、失败优先” 的 Skill 构建与迭代流程；依托 AI 高效完成 Skill 的创建与迭代；凭借反模式检查清单，精准规避 Skill 开发中的典型问题。

---

什么是 Skill？

定义

一个 Skill 是一份清晰、严谨、可执行的指令文档，用于明确告诉模型——在什么条件下（When），按照哪些步骤（How），产出什么结果（What）。

常见认知误区

在编写 Skill 之前，建议先了解以下几个常见误区。这些问题往往会直接导致 Skill 难以被正确触发，或在执行过程中表现不稳定。

误区一：Skill 等同于一段 Prompt

Skill 并不是一次性的对话提示。它是一个可长期复用、输入输出明确的能力模块，强调的是稳定、确定且易于工程化维护。而 Prompt 更偏向临时性、探索性和即兴交互，两者在设计目标和工程要求上完全不同。

误区二：Skill 是写给人看的文档

Skill 的目标不是解释原理，而是下达指令。SKILL.md 文件的内容应使用模型可解析的结构化语言，明确约束其行为边界，并精确描述何时使用（When）、如何执行（How）、输出结果（What）。

误区三：Skill 越复杂越强大

复杂度并不与 Skill 的能力强度挂钩。模型的推理与决策成本是显著的。职责单一、边界清晰的 Skill，更容易在正确的时机被选中并稳定执行。过于复杂的 Skill 反而会降低命中率。

提示模型的上下文窗口是有限且宝贵的公共资源。每一个被加载的 Skill 都在竞争有限的上下文资源。因此，Skill 文档应以最小必要信息为目标，避免冗余解释与不必要的背景铺垫。

---

Skill 的设计标准与原则

以下标准是构建高命中率、高稳定性 Skill 的基础。可将其作为设计与评审 Skill 时的检查清单。

精准的元数据内容

Skill 的元数据（name 和 description）是模型发现和识别 Skill 的入口，其设计直接影响触发准确率。

触发命中链路（从元数据到执行）

┌────────────────────┐   ┌──────────────────┐   ┌──────────────────┐
│ name + description  │ → │ 模型检索/语义匹配   │ → │ 触发并进入执行流程   │
└────────────────────┘   └──────────────────┘   └──────────────────┘
           │                         │
           ▼                         ▼
     关键词要具体               漏触发/误触发代价

元数据字段：name

规范

• 简洁、唯一的标识符
• 使用小写字母、数字和连字符（-）
• 推荐使用动名词（Gerund form）
• 长度不超过 64 个字符

示例

• ✅ 好的例子：running-tests、deploy-microservice、database-migration
• ❌ 坏的例子：test-helper（语义模糊）、data-skill-v2（冗余且含版本信息）、deployService（命名不规范）

元数据字段：description

规范

• 使用第三人称，从模型视角描述
• 包含核心功能与触发时机的关键词
• 长度不超过 1024 个字符

示例

• ✅ 好的例子：“Review code for quality, correctness, and maintainability. Use when evaluating pull requests, refactoring existing code, or when the user asks for feedback on implementation details, edge cases, or potential bugs”。
• ❌ 坏的例子：“I can help you review code”（第一人称）、“Helps with code review”（缺乏触发时机）

指导方式的自由度分级

根据任务复杂度与容错要求，合理控制对模型的约束强度。

自由度分级（约束强度 vs. 输出形态）

约束更强  ┌──────────────┐  输出更确定
   ▲      │ 低：给脚本      │  直接执行、最不易跑偏
   │      ├──────────────┤
   │      │ 中：给模板/框架  │  按结构填空、允许变通
   │      ├──────────────┤
   │      │ 高：给原则/启发式 │  依赖上下文、自主决策
   ▼      └──────────────┘
约束更弱  输出更发散

自由度：高

适用场景

• 存在多种有效方法
• 模型的决策依赖上下文

指导方式

• 提供启发式策略（给原则）

示例

代码审查：先看安全性，再看可读性

---
name: code-review
description: 当用户需要对代码进行审核时，基于代码实现与通用开发规范，分析逻辑正确性、可维护性和潜在风险，并给出改进建议。

自由度：中

适用场景

• 存在首选模式
• 允许一定程度的变通
• 行为受配置参数影响

指导方式

• 提供模板/伪代码（给框架）

示例

报告生成：按"摘要-分析-建议"结构

---
name: report-generator
description: 当用户需要生成报告时，按照“摘要-分析-建议”的结构整理信息，输出清晰、条理化的报告内容
template: |
  摘要：
  - 简要概述核心信息或问题点

  分析：
  - 详细分析背景、原因、数据或逻辑
  - 列出关键发现和关联因素

  建议：
  - 针对分析结果提出具体可行的改进方案或行动建议
  - 如有优先级或风险提示，可附上

自由度：低

适用场景

• 操作脆弱且易错
• 一致性至关重要
• 必须遵循特定序列

指导方式

• 提供可执行的脚本（给代码）

示例

数据库迁移：按固定顺序执行脚本

---
name: database-migration
description: 当用户需要执行数据库迁移时，按预定义顺序执行 SQL 或迁移脚本，确保数据和结构一致性
template: |
  迁移计划：
  1. 准备阶段：
     - 备份现有数据库
     - 验证目标环境配置
  2. 执行阶段（按顺序执行脚本）：
     - 脚本 001_create_users_table.sql：创建用户表
     - 脚本 002_add_email_index.sql：为用户表添加邮箱索引
     - 脚本 003_update_roles.sql：更新角色字段数据
  3. 验证阶段：
     - 检查数据完整性
     - 验证关键功能是否正常
  4. 回滚（可选）：
     - 如出现异常，按回滚方案恢复数据库

五个核心标准

五个核心标准（从“什么时候该做”到“怎么稳定做”）

           ┌──────────────┐
           │ ① 边界明确      │  何时触发/何时拒绝
           └──────┬───────┘
                  │
                  ▼
┌──────────────┐  ┌──────────────┐  ┌──────────────┐
│ ② 输入输出结构化 │→│ ③ 步骤可执行    │→│ ④ 失败策略完备  │
└──────────────┘  └──────────────┘  └──────────────┘
                  │
                  ▼
           ┌──────────────┐
           │ ⑤ 职责绝对单一  │  一个 Skill 只做一件事
           └──────────────┘

标准一：边界明确

模型最容易犯的错误不是“不知道怎么做”，而是“不知道什么时候该做”。Skill 的触发必须有明确的正向条件和负向条件，否则命中率会很低。

✅ 边界清晰：

Use this skill when:
用户意图是触发 CI/CD 流水线执行单元测试。
PR 状态为“待合并”，需要执行自动检查或 lint 校验。

Do NOT use this skill when:
用户只是查看测试报告或 CI/CD 状态。
PR 内容没有代码改动，仅修改文档或注释。

❌ 边界不清晰：

Use this skill when:
用户想让流水线跑一下测试。
PR 有代码改动或文档改动。

Do NOT use this skill when:
用户只是在看 PR。

标准二：输入输出结构化

与模型沟通时，需要定义双方都能理解的“共同语言”，避免模糊描述。推荐用类似函数签名的方式明确 Input 和 Output，保证可解析性。

✅ 结构化定义：

Input:
- prId: string       # PR 编号
- branch: string     # 分支名称
- runTests: boolean  # 是否执行单元测试

Output:
- success: boolean           # 是否成功执行
- testReport?: object[]      # 测试报告（可选）
- errorMessage?: string      # 错误信息（失败时返回）

❌ 模糊描述：

帮用户跑测试并返回结果。

标准三：步骤明确、可执行

Skill 的核心是“步骤”，必须是指令式、具体动作，而不是概括性描述，确保模型可以按步骤执行。

✅ 指令式步骤：

Steps:
1. Validate PR: 检查 prId 和 branch 是否有效。
2. Checkout branch: 切换到指定分支。
3. Run tests: 根据 runTests 参数执行单元测试。
4. Collect results: 收集测试结果。
5. Update PR status: 将测试状态回写到 PR。
6. Notify user: 若测试失败，返回错误信息。

❌ 描述性语言：

检查 PR，运行测试，然后更新状态。

标准四：失败策略完备

模型在失败时容易自由发挥，可能产生不可预期的行为。必须明确定义“失败路径”，告诉模型在不同失败情况下如何处理。

失败策略示例：

On Failure:
- Validation fails: 返回 400 Bad Request，并附上具体错误信息。
- Test execution fails: 自动重试一次，仍失败则返回 “单元测试未通过，请检查日志”。
- CI/CD 服务不可用: 重试最多 3 次，仍失败则记录日志并通知管理员。

标准五：职责绝对单一

每个 Skill 只做一件事，对应一个核心动作动词。避免把多个功能捆绑在一个 Skill 中，否则复杂性和不确定性会增加，模型难以准确理解。

✅ 单一职责：

running-unit-tests：只负责执行单元测试
updating-pr-status：只负责更新 PR 状态
sending-notification：只负责发送通知
running-lint-check：只负责执行 lint 校验

❌ 功能捆绑：

一个 Skill 同时完成“运行测试 + 更新 PR 状态 + 发送通知 + 执行 lint 校验”。

---

让 Skill 可维护与可拓展

为了确保 Skill 在长期运行中保持稳定、易用且可持续拓展，需要从信息结构、工作流设计和脚本可靠性三个维度进行规划。

渐进式披露

SKILL.md 应当作为 Skill 的入口和导航，而不是一个包罗万象的大文件。详细的参考资料、示例、脚本或文档应拆分成独立文件，从而减轻模型初次加载的负担，让信息按需流动。

渐进式披露（把上下文预算花在“刀刃”上）

        首次加载（必读）                   按需深入（可选）
┌──────────────────────┐        ┌─────────────────────────┐
│ SKILL.md              │  ───→  │ references/             │
│ - When / How / What   │        │ - 规则长文/制度/模板       │
│ - Input / Output      │        └─────────────────────────┘
│ - On Failure          │        ┌─────────────────────────┐
│ - Do/Don't            │  ───→  │ scripts/                │
└──────────────────────┘        │ - 确定性动作（执行/校验）    │
                                └─────────────────────────┘

信息架构原则：从简单到复杂

一个 Skill 的目录可以随着功能扩展逐步演化：从单一文件演化为由多个参考文件和脚本组成的结构。通过渐进式披露，模型能快速抓住核心信息，再深入了解细节。

从简单到复杂（渐进式披露）

  v1: 单文件
  └── SKILL.md

  v2: 增加参考文档
  ├── SKILL.md
  ├── ci-advanced-features.md
  └── ci-api-reference.md

  v3: 增加脚本与资源
  ├── SKILL.md
  ├── references/
  │   └── ...
  ├── scripts/
  │   └── ...
  └── assets/
      └── ...

最佳实践

• 保持 SKILL.md 简洁：主体内容尽量控制在 500 行以内，只包含必要信息。
• 避免深度嵌套：所有引用文件最好直接由 SKILL.md 链接，保持一层引用深度，避免链式引用（A → B → C），防止模型只读取部分内容。
• 为长文件添加目录：对于超过 100 行的参考文件，在文件顶部添加一个目录（Table of Contents），帮助模型快速了解文件结构。

示例

以下为一个渐进式披露的 SKILL.md 示例：

# SKILL.md

## 基础用法
描述如何触发 CI/CD 流水线：
- 检查 PR 状态
- 执行单元测试
- 更新 PR 测试状态

## 高级功能
详细说明请参见 `ci-advanced-features.md`：
- 并行执行多分支测试
- 条件触发不同类型的测试
- 自定义失败处理策略

## API 参考
所有方法与参数说明请参见 `ci-api-reference.md`：
- startPipeline(prId: string, branch: string)
- getPipelineStatus(pipelineId: string)
- cancelPipeline(pipelineId: string)

工作流与反馈闭环

对于包含多个步骤、且中间结果会影响最终质量的复杂任务，仅提供最终目标是不够的。必须显式定义工作流和检查清单，引导模型按步骤执行，并在关键节点建立 “验证 → 修正 → 再验证” 的反馈闭环。

工作流负责约束任务执行顺序，检查清单负责追踪任务的执行状态和质量。两者结合可以显著降低遗漏和跑偏的风险。

反馈闭环（验证 → 修正 → 再验证）

   执行一步
      │
      ▼
   验证结果
   ├─ ✅ 通过 → 进入下一步
   └─ ❌ 失败 → 修正 → 回到验证

分析类任务的工作流

即使不涉及代码，分析类任务同样适合使用工作流。检查清单可以帮助模型明确以下信息：当前做到哪一步、是否可以进入下一步。例如：

技术方案评估工作流

在开始执行前复制以下清单，并在每一步完成后显式标记状态。

• Step 1：明确业务目标与技术约束（性能、成本、时限）
• Step 2：列出所有可行的技术方案
• Step 3：从复杂度、可维护性、风险角度逐一评估
• Step 4：对关键差异点进行对比分析；(反馈闭环) 若发现关键信息不足，应返回 Step 2 或 Step 3 补充分析
• Step 5：给出结论性建议，并说明取舍理由；(反馈闭环) 若结论无法支撑目标约束，应重新审视 Step 1 的前提条件

代码类任务的工作流

代码类任务往往伴随不可逆或影响范围较大的操作，例如重构、依赖升级或配置变更。通过 “计划 → 验证 → 执行” 模式，可以有效降低误操作风险。例如：

依赖版本升级工作流

• Step 1（Plan）：
  • 识别需要升级的依赖及当前版本
  • 阅读目标版本的 Release Notes 与 Breaking Changes
• Step 2（Plan）：
  • 更新依赖配置文件（如 package.json / go.mod）
  • 标注可能受影响的模块
• Step 3（Validate）：
  • 执行依赖冲突检查与静态构建（运行 dependency_check.sh）
  • 确认无版本冲突或构建失败
  • (反馈闭环) 若校验失败，必须回退到 Step 2 调整依赖配置
• Step 4（Execute）：
  • 安装新版本依赖
  • 运行完整测试集
• Step 5（Validate）：
  • 检查核心功能是否受影响
  • 对比升级前后的构建与运行结果
  • (反馈闭环) 若出现回归问题，应回滚升级并记录风险点

可执行脚本的加固原则

当 Skill 依赖可执行脚本时，脚本的健壮性应始终优先于代码的巧妙性。

Skill 本身不会理解或阅读你的代码逻辑，它只感知输入与输出。一旦脚本行为不可预测，模型就只能猜测，最终导致不稳定或错误的调用结果。因此，脚本必须做到：失败可预期、输出可理解、参数可解释。

脚本是“确定性落地层”（把不确定推理变成可控执行）

┌──────────────┐   调用   ┌──────────────┐   产出   ┌──────────────────┐
│ Skill (When/How) │ ───→ │ scripts/*     │ ───→ │ 结构化结果/错误      │
└──────────────┘         └──────────────┘        └──────────────────┘
                                  │
                                  ▼
                          失败要“翻译”成人能懂/模型能决策的输出

显式处理错误，而不是让模型猜

不要将异常直接抛给模型处理。脚本应覆盖常见错误场景，并将技术异常转化为可理解、可决策的输出。

实践要点：

• 捕获常见异常（如文件缺失、权限不足、配置错误）。
• 为每类错误返回清晰的错误原因和下一步建议。

示例：配置文件校验脚本

ERROR: Config file not found: ./deploy.yaml
HINT: Please check whether the file path is correct or run init-config.sh to generate a default config.

输出自解释的日志与验证结果

脚本的输出本身就是模型的上下文。一个好的脚本不仅说明发生了什么，还说明为什么会这样，以及接下来可以怎么做。

实践要点：

• 成功路径和失败路径都要有明确输出。
• 验证类脚本应明确列出通过项与失败项。

示例：构建环境检查脚本

CHECK FAILED: Node.js version mismatch
- Required: >= 18.0.0
- Detected: 16.14.0

VALID OPTIONS:
1. Upgrade Node.js to a supported version
2. Switch to a compatible build image

避免魔法数字，让参数有来由

脚本中的常量（如 TIMEOUT = 30）如果缺乏解释，模型和人都无法判断它是否合理。任何影响行为的数值，都应该是可解释、可调整的。

实践要点：

• 为常量添加语义化名称。
• 说明数值来源或设计依据。
• 必要时允许通过参数覆盖默认值。

示例：部署等待脚本

TIMEOUT_SECONDS = 30  # Wait up to 30s because service startup usually completes within 10–20s

或在输出中体现：

INFO: Waiting for service to become healthy (timeout: 30s)

---

构建与迭代 Skill 的最佳流程

Skill 的开发是一个以失败为起点、评测为牵引，持续迭代优化的工程化过程。

评测并非事后的验证环节，而是 Skill 设计的前提；Skill 也非基于假设的规则集合，而是针对已暴露问题的最小化解决方案。

遵循 “评测驱动、失败优先” 的原则，能确保 Skill 在实际使用场景中拥有清晰的能力边界、稳定的运行表现，以及可回归的质量保障体系。

“评测驱动、失败优先” 六步闭环

  Step 1: 建立“无 Skill”基线 → 识别真实问题
     │
     ▼
  Step 2: 失败优先 → 定义评测用例
     │
     ▼
  Step 3: 最小化 Skill → 最短成功路径
     │
     ▼
  Step 4: 补充边界条件 + 结构化示例
     │
     ▼
  Step 5: 评测回归 + 持续迭代
     │
     ▼
  Step 6: 真实使用校准 → 回到 Step 2

第一步：建立 ”无 Skill“ 基线，识别真实问题

在编写任何 Skill 之前，应先不使用 Skill，直接让模型执行目标任务，作为基线对照。

重点观察并记录以下问题：

• 模型在哪些情况下表现不稳定或结果不可复现；
• 哪些输入会引发歧义、误解或走偏；
• 模型是否在错误的时机尝试“主动帮忙”。

这些失败点和不确定行为，本质上就是 Skill 需要解决的真实能力缺口，也是后续评测用例的来源。

第二步：以 “失败优先” 为原则，定义评测用例

明确核心问题后，需优先编写评测用例，而非直接开发 Skill。评测是约束，Skill 是落地实现。脱离评测约束的 Skill，本质上是在放大模型的行为不确定性。

评测的核心作用是约束 Skill 的行为边界，明确以下信息：

• 什么场景下属于 Skill 的正确使用范围？
• 什么场景下 Skill 必须拒绝执行或判定为失败？
• 什么样的输出结果才算稳定可用？

推荐做法：

• 针对已识别的问题，设计 3–5 个具体、可复现的评测用例；
• 每个用例均需明确 “通过 / 失败” 的判定标准；
• 优先覆盖模型最易误用 Skill 的场景。

第三步：编写最小化 Skill，明确最短成功路径

在评测已经存在的前提下，开始编写 Skill。

此阶段不追求覆盖所有情况，而是只编写刚好能够通过当前评测的最小规则集合，重点关注三个要素：

• 明确失败条件
  • 将评测中识别的失败场景，显式写入 Skill 中，作为第一层防护，避免 Skill 被误触发或滥用。
• 定义最短成功路径
  • 清晰描述 Skill 最简单、最核心的执行流程，确保最精简的有效输入能得到可预测的稳定输出。
• 保持职责单一
  • 单个 Skill 仅解决一个明确问题，对应一个核心动作，避免在早期引入额外复杂度。

这一阶段的 Skill，是评测结果的直接产物，而非凭经验预判的方案。

第四步：补充边界条件与结构化示例

当最短成功路径能稳定通过评测后，再逐步扩展 Skill 的适用范围。

完成以下三项核心工作：

• 补充更多边界场景及对应的行为约束；
• 明确 Skill 输入（Input）和输出（Output）的结构化定义；
• 补充关键的输入、输出示例，帮助模型对齐行为预期。

核心原则：所有新增规则，均需对应新增或已有评测用例，避免在无评测支撑的情况下将 Skill 复杂化。

第五步：评测回归与持续迭代

Skill 的迭代，需始终与评测结果强绑定，遵循以下规则：

• 新增评测用例，然后推动 Skill 的增量修改；
• 对 Skill 的任意修改，都必须通过已有评测的回归验证；
• 若评测未通过，优先简化 Skill，而非盲目叠加新规则。

通过持续对比模型在 “无 Skill 基线” 与 “当前 Skill + 评测” 中的表现，可验证该 Skill 是否真正提升了模型执行目标任务的成功率与稳定性。

第六步：结合真实使用路径进行校准

评测仅能覆盖已知问题，在真实场景中使用 Skill 时，可能会暴露更多新的问题。

在 Skill 实际使用过程中，需持续观察以下情况：

• 模型是否在非预期场景下误触发 Skill？
• 模型执行 Skill 时，是否遗漏关键参考文件或上下文？
• 模型是否会反复读取某一段内容，形成隐性依赖？

上述这些信号，均需作为新的评测输入，重新进入 Step 2，形成 Skill 迭代的闭环。

---

巧妙使用 AI 来创建和迭代 Skill

在创建和迭代 Skill 的过程中，可以多用 AI。你负责定义问题和验收结果，AI 负责反复试错、总结规律并封装成可复用的 Skill。

阶段一：初次创建（从具体任务中抽象）

让 AI 从真实任务中抽象出创建 Skill 所需的信息，然后创建初版 Skill。

让 AI 直接执行真实任务

提供完整目标与上下文，让 AI 自行尝试完成任务。执行过程中的追问、走偏和修正，本质上就是一次“隐式评测”。

引导 AI 进行结构化复盘

任务完成后，要求 AI 从以下维度复盘：

• 成功执行任务的完整步骤；
• 任务执行过程中的不确定性与失败点；
• 可抽象的固定流程与判断逻辑；
• 该流程和判断逻辑的适用场景与不适用场景。

基于复盘生成 Skill 初稿

要求 AI 按 Skill 规范生成 SKILL.md，明确：触发条件（When）、如何执行（How）、输出结果（What）、预设失败策略。

人工快速评审并入库

你只需关注边界是否合理、步骤是否可执行，其余交由 AI 完成。确认后，让 AI 调用 skills-creator 正式创建该 Skill 并添加至你的项目。

阶段二：持续迭代（从使用反馈中优化）

当 Skill 在使用中暴露新问题时，对其进行优化。

对齐偏差来源

引导 AI 分析问题源自 When / What / How 中的哪一部分。

直接修改 Skill 并验证回归

更新 SKILL.md，并同时验证：

• 确保本次迭代未破坏原有的“黄金路径”。
• 确保新发现的错误场景已被覆盖。

在 TRAE 中创建 Skill 的其他方式

除了通过 AI 对话创建 Skill 外，你还以手动创建或导入外部 Skill。详细说明参考创建技能。

---

附录：反模式检查清单

本表列出了在 Skill 开发中常见的反模式（Anti-Patterns），以及相应的原因、正确示例和错误示例。通过遵循这些规范，可以提升 Skill 的稳定性、可维护性和跨平台兼容性，避免模型误用或运行失败。

该检查清单可作为开发、评审和迭代 Skill 时的快速参考。

反模式一：使用 Windows 风格路径

原因

跨平台兼容性差，Unix/Linux 系统会报错。

示例

• ✅ 正确：configs/deploy.yaml
• ❌ 错误：configs\deploy.yaml

反模式二：提供过多选择

原因

过多选项会令模型困惑，增加决策成本与不确定性。当存在多个选项时，Skill 必须指明一个“默认路径”。

示例

• ✅ 正确：“默认使用 PostgreSQL 作为数据库（适用于常规生产和测试环境）。仅在对兼容性有特殊要求或客户已有 MySQL 环境时，才使用 MySQL”。
• ❌ 错误：“你可以用 PostgreSQL，或者 MySQL，或者 SQLite，或者 Oracle…”。

反模式三：包含时效性信息

原因

信息容易过期，导致 Skill 不可用。

示例

• ✅ 正确：将旧版本配置放入 deprecated/ 文件夹，并注明“不再推荐使用”。
• ❌ 错误：“如果在 2025 年 8 月之前，请使用旧 API；之后请使用新 API。”

反模式四：术语不一致

原因

增加模型的理解成本，降低 Skill 可用性。

示例

• ✅ 正确：始终使用 “Service Endpoint”。
• ❌ 错误：混用 “Service Endpoint”, “API URL”, “Endpoint Path”。