语义拆分与智能规划

要解决什么问题

当你拿到一句自然语言任务——例如「用公司模板做 PPT，下周五交给客户」——往往需要先做需求拆分、5W2H 梳理或执行步骤规划，而不是直接开干。若还要在本地模板库里找相似案例、按约束分级，纯靠 LLM 闲聊容易漏维度，也缺少可审计的结构化输出。

semantic-split 面向这类场景：把 ≤2000 字的任务描述转成带步骤列表、工作包（WP）分解和门禁状态的 JSON，并支持渐进式加载规则与 JSON 管理能力。

三管线如何协作

技能按覆盖率路由，三条管线职责分明：

• Pipeline B（结构分析）：纯正则，无模型。提取 5W2H 七维、主语、约束等级、分块与注意力锚定；正则层覆盖率 ≥80% 时可短路后续重型路径。
• Pipeline A（语义匹配）：正则预筛后走 bge-small-zh-v1.5 嵌入与 bge-reranker-base 重排，用于模板库扫描、相似度打分与约束分类。
• Pipeline C（智能体推理）：在结构分析与模板参考基础上，由智能体做增强推理，产出步骤列表、WP 分解，并参与边界 case 补全与模板沉淀。

入口 SKILL.md 控制在约 230 行内；细则在 references/*.md（如 split_rules.md、planning_rules.md、json_schema.md）按需加载，形成自增强闭环。

边界与注意点

• 单次输入建议 ≤2000 字纯文本；输出为 JSON，面向单任务语义规划，不适合简单问答或单步琐事（技能内有明确否定触发条件）。
• Pipeline A 依赖 sentence-transformers，模型合计约 1.2GB，冷启动加载大约 30 秒；Pipeline B 零外部模型，Pipeline C 用智能体原生推理，不依赖额外 LLM API 配置。
• 并发建议控制在约 10 以内；复杂规则与权限见 references/permissions.md、references/faq.md。