FunctionCool Skill

为 Agent 提供"写代码"能力的轻量级 Skill

一、功能简介

FunctionCool Skill 是一个面向 AI 编程助手（Claude Code / Cursor / Codex 等）的极简技能插件。它不携带任何模型权重、不依赖任何本地运行时，仅由一份 Markdown 说明 + 三个跨平台脚本组成（Python 主实现 + bash 兼容 shim + PowerShell 兜底），整包 28KB。

它能做的事情只有一件：当你在写代码时，让模型在生成实现之前，先去 FunctionCool 函数库查一份"方法索引"，然后再由模型自己把函数写出来。

核心卖点

• 🚫 无需下载 —— 不拉模型、不装依赖、不编译，clone 即用。
• 📦 体积小 —— 整包 28KB，比一张截图还小。
• ⚡ 直接可用 —— 复制到 ~/.claude/skills/functioncool/（Windows：%USERPROFILE%\.claude\skills\functioncool\）后，模型自动识别。
• 💰 降低 Token 消耗 —— 用"查索引 + 写代码"代替"模型从零生成"，输出 token 砍掉一大半。
• 🖥️ 跨平台 —— Windows / macOS / Linux 行为一致；Windows 用户有 Python 和 PowerShell 两套入口可选。

二、基础用法

1. 安装(以 Claude Code 为例)

macOS / Linux:

git clone https://github.com/Mutantcat-Working-Group/FunctionCool-Skill.git \
  ~/.claude/skills/functioncool

Windows (PowerShell):

git clone https://github.com/Mutantcat-Working-Group/FunctionCool-Skill.git `
  "$env:USERPROFILE\.claude\skills\functioncool"

安装后目录结构如下（总共 28KB）：

~/.claude/skills/functioncool/
├── SKILL.md              # 技能描述（自动加载）
├── scripts/
│   ├── query.py          # ★ 跨平台主实现（Windows / macOS / Linux）
│   ├── query.sh          # 兼容旧调用的 bash 转发脚本（自动调用 query.py）
│   └── query.ps1         # Windows 原生 PowerShell 兜底（无需 Python）
└── evals/
    └── evals.json        # 回归测试用例

重启 Claude / Cursor 即可。无需配置 Token、无需登录、无需任何环境变量——Token 硬编码在脚本里，直接调用。

💡 跨平台调用方式：

• macOS / Linux：python3 scripts/query.py "<关键词>" "<语言>"
• Windows（已装 Python）：python "$env:USERPROFILE\.claude\skills\functioncool\scripts\query.py" "<关键词>" "<语言>"
• Windows（无 Python）：powershell -ExecutionPolicy Bypass -File scripts\query.ps1 -Query "<关键词>" -Lang "<语言>"
• 旧版 bash scripts/query.sh ... 仍然兼容，会自动转发到 query.py。

2. 使用

安装完成后，直接用自然语言问模型写代码即可，无需特殊指令。Skill 会在合适的场景下自动触发。

触发示例（中英文均可）：

用 Python 写个归并排序
give me a Go HTTP server that returns hello
How do I do binary search in Java?
写个 C 的 Modbus CRC16 校验函数
sort an array of numbers in Rust

模型返回的代码会带一个引用标签，例如：

# [FunctionCool: PYTHON / Merge Sort / O(n log n) / timer 82]
def merge_sort(arr):
    ...

你可以一眼看出这段代码"参考了哪个函数的什么特性"，方便审计与追溯。

3. 手动验证

想确认脚本工作正常？直接跑：

macOS / Linux:

python3 ~/.claude/skills/functioncool/scripts/query.py "merge sort" "PYTHON"

Windows (PowerShell + Python):

python "$env:USERPROFILE\.claude\skills\functioncool\scripts\query.py" "merge sort" "PYTHON"

Windows (PowerShell 原生,无 Python):

powershell -ExecutionPolicy Bypass -File "$env:USERPROFILE\.claude\skills\functioncool\scripts\query.ps1" -Query "merge sort" -Lang "PYTHON"

返回的是一份精简版 JSON（已经去掉了 code 字段）：

{
  "query": "merge sort",
  "lang": "PYTHON",
  "count": 1,
  "results": [
    {
      "name": "Merge Sort",
      "lang": "PYTHON",
      "desc": "Stable divide-and-conquer sort",
      "input": ["arr"],
      "input_type": ["int[]"],
      "return": ["sorted"],
      "return_type": ["int[]"],
      "tags": ["sort", "algorithm"],
      "timer_score": 82,
      "memory_score": 90
    }
  ]
}

三、原理

朴素做法的痛点

当你让模型"写个归并排序"，朴素流程是：

用户提问 ──► 模型直接吐完整源码（几十~几百行）──► 用户
                 │
                 ▼
        大量的"输出 token"

输出 token 是贵的——主流模型定价上，输出 token 普遍是输入 token 的 5 倍。一段 50 行的函数实现，输出成本可能比上下文还高。

FunctionCool 的解法：把"成本轴"翻转

FunctionCool Skill 把整个过程拆成两步，把贵的输出变成便宜的输入：

┌──────────────────────────────────────────────────────────────┐
│  Step 1: 查索引（输入 token，便宜）                            │
│                                                              │
│  模型 ──HTTP GET──► https://www.functioncool.xyz/skillapi    │
│       ◄── 精简 JSON ──     {name, signature, desc,           │
│                              complexity, tags, ...}          │
│                              （code 字段被脚本主动剥离）      │
└──────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌──────────────────────────────────────────────────────────────┐
│  Step 2: 写代码（输出 token，但有据可依、更短、更准）           │
│                                                              │
│  模型拿这份"方法索引"作为"目标清单"，自行写实现                 │
│  （不是抄代码，因为 code 字段根本没传过来）                     │
└──────────────────────────────────────────────────────────────┘
                              │
                              ▼
                         用户拿到代码

关键设计

1. 剥离 code 字段 脚本 query.py（以及转发它的 query.sh / 原生的 query.ps1）在拿到 API 返回后会主动删掉 code 字段。模型只看到"方法长什么样"，看不到"方法怎么写"——这强制模型自己写实现，避免照抄，也避免把大段源码塞进上下文。

2. Prompt Cache 命中 FunctionCool 函数库的内容是稳定的。同一份索引会被反复查询，主流 API 都会对相同前缀做 prompt cache，重复查询的边际成本接近零。

3. Token 流向倒转

   | 阶段 | 朴素做法 | FunctionCool | |||| | 输入 token | 上下文 | 上下文 + 方法索引（小） | | 输出 token | 完整源码（大） | 模型写的源码（更小、更准） | | 成本大头 | 输出 | 输入（且可缓存） |

4. 零本地状态 没有数据库、没有索引文件、没有 vector store。28KB 全是元数据——SKILL.md 告诉模型"什么时候用、怎么用"，query.py（+query.sh/query.ps1 入口）帮它调一次 HTTP。这就是为什么能"无需下载、体积小、直接可用"。

5. 跨平台脚本架构 query.py 是跨平台主实现（纯 Python stdlib，零外部依赖），query.sh 是 Unix 兼容 shim（自动转发到 query.py，旧调用习惯不破），query.ps1 是 Windows 原生 PowerShell 兜底（无 Python 也能跑）。三个脚本的 CLI 契约、JSON 输出、退出码完全一致。

一句话总结原理

让模型先查一份"方法卡片"，再据卡片写代码——把贵的输出 token 换成便宜的、可缓存的输入 token。

四、其他说明

API 契约

GET https://www.functioncool.xyz/skillapi
    ?token=mutantcat            （永久 Token，公开低权限）
    &q={url-encoded 查询词}
    &lang={C|CPP|GO|PYTHON|JAVA|JAVASCRIPT|RUST|MATLAB|PHP|RUBY|VERILOG|all}

适用与不适用

✅ 适合：写标准库函数、写常见算法、写教学/示例代码、模板生成。

❌ 不适合：业务代码调试、跟用户特定项目强相关的逻辑、纯概念性问题。脚本在查不到结果时会优雅降级，模型直接靠自身知识回答，不加引用标签。

进阶：迭代 Skill 本身

• 想改触发条件？编辑 SKILL.md 顶部的 description。
• 想加语言？在 query.py 的 URL 构造或 SKILL.md 的 LANG 参数说明里加。
• 想加测试用例？往 evals/evals.json 追加。