鲁班·技能优化器

技能优化缺乏系统化“工程”方法

在 AI Agent 生态中，开发者常面临技能（Skill）质量参差不齐的痛点。单个技能可能结构松散、步骤模糊、缺乏错误处理，或仅通过灵感驱动的零散修改来“优化”。这导致优化效果难以复现、无法量化，且容易引入新问题或回归旧缺陷。核心挑战在于，如何将对技能文本（如 SKILL.md）的优化，从“艺术创作”转变为可度量、可回滚、有安全护栏的系统化工程流程。

鲁班如何工作：分层架构与闭环优化

鲁班.skill 本质上是一个元技能，其目标是自动提升其他技能的质量。它建立在一套严谨的评估与迭代框架之上：

核心能力与流程：

1. 十维评估体系：它并非主观评价，而是基于一个包含 10 个维度的 Rubric（如工作流清晰度、失败模式编码、实测表现等）进行打分，总分 100。每个维度有明确的权重和判定规则（确定性/LLM），确保评估的客观性与可解释性。
2. 双模策略引擎：根据优化需求或初始分数，提供两种模式：

- Quick（轻量模式）：进行 3 轮自我改进（Self-Refine），使用 .bak 文件备份回退，适用于快速修复。
- Full（完整模式）：进行 5 轮迭代，启用 git 分支进行版本控制，并引入独立多评委（sub-agent）进行评分，最后生成优化仪表盘，适用于深度、高风险的优化。

1. 结构化优化流程：优化遵循 Phase 0-3 的明确阶段，从诊断、编辑、评估到审查，每一步都有约束。例如，每轮只改一个维度以避免混淆归因，并强制包含测试提示词（test-prompts.json）来验证实际效果。
2. 关键安全与治理：内置“五大设计支柱”，如“棘轮回滚”（确保每轮迭代只保留有净改进的结果）和“人在回路”（每个优化后的技能都需人工确认）。架构上划分了从 L0（原子操作）到 L4（元认知审计）的分层治理，确保流程的健壮性。

适用边界与重要注意点

鲁班.skill 的优化对象是结构化文本技能文件（如 SKILL.md），其方法论高度依赖于预设的 Rubric 和策略库（P0-P3）。因此：

• 它优化“怎么写”，而非“做什么”：不会改变技能定义的核心功能或意图，只改进其表达方式、结构完整性和可执行性。
• 基于特定技术栈：流程深度集成 git 版本控制和 TSV/JSON 数据文件，运行环境需要相应的支持。
• 需要人工审查：即使是 Full 模式下的“自动优化”，产出仍建议经过人工 审查门控（尤其是涉及高风险修改时）。
• 非万能药：对于极度混乱或核心逻辑有根本缺陷的技能，它可能更倾向于建议重构，而非在原有框架上修补。其优化上限受限于 SKILL.md 的原始设计。