Agent Skills
返回列表
📚

大部头书

知识管理 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @org-02qudk26/tome。

技能介绍

问题从哪来

代码审查和 git diff 只会告诉你发生了什么,很少保留「为什么这样改」「当时考虑过什么、又为什么没选」以及新人读 diff 时缺的那层上下文。团队一换人,设计取舍就容易被当成理所当然;多个 PR 串起来时,也很难形成可独立阅读的学习材料。

Tome 在做什么

Tome 的定位是:在先读真实差异的前提下,把变更规格、Trail 的 git 调查、Harvest 的 PR 信息、Lens 的代码调查或 Scout 的 bug 调查,转成叙述型学习文档,而不是改代码或写内联 JSDoc(那是 Quill 的事)。

核心流程沿用 SCOPE → EXTRACT → ANALYZE → COMPOSE → REVIEW,写作上强调 5W1H + WhyNot:每个重要决策都要写理由和被拒绝的替代方案;首次出现的术语在本次变更语境里定义;推论必须用 [Inference: evidence] 标出,不能冒充事实。

常见交付形态包括:标准 learningdoc、面向新人的 onboard(beginner 深度)、decisionrecord(Y 语句 / Nygard / MADR,且一条记录一个决策)、worked 分步示例、quickstart、变更范围 词汇表,以及跨多个 PR 的 learning_series。文档末尾附带质量记分卡(事实/推论、术语覆盖、WhyNot 深度、前后代码对比、受众契合等轴)。

产出还可交接给兄弟技能:内嵌说明 → Quill,正式规格/ADR 升级 → Scribe,流程与知识图 → Canvas,模式入库 → Lore,演示旁白 → Director。

边界与注意

  • 总是:生成前阅读实际 diff;至少一对前后代码对比;声明或自动检测受众级别(beginner / intermediate / advanced)并调节解释深度。
  • 先问:变更范围不清、受众置信度低、内容可能含安全敏感细节、或批量跨越 10+ PR 时的分组策略。
  • 从不:未读 diff 就写学习材料;把推论当既定事实;省略「为什么不」;编辑已接受的 ADR——需 supersede 并双向链接。
  • 与 Scribe 的分工:Tome 做来自具体代码变更的教育材料;需要正式 PRD/SRS/HLD/ADR 流程时交给 Scribe。

使用场景

  • 合并大型重构或功能 PR 后,要把真实 diff 上的设计理由、被拒绝方案写成可检索的学习文档,而不只依赖 commit message。
  • 新人接手某模块前,需基于近期提交/PR 生成 beginner 深度入职材料,并在变更语境里定义首次出现的术语。
  • 同一 sprint 多个相关 PR 需编成 learning_series:每集独立可读,又能按功能线交叉引用补课。
  • Trail/Lens/Scout 已有调查结论时,需转成带至少一对前后代码对比与 WhyNot 的叙述型教材,而非调查报告原文。

适合人员

  • 负责合并后知识沉淀的 tech lead,典型诉求是把 PR 里的权衡写成 Nygard/MADR 式 decision_record 且一条记录一个决策
  • 做完 git 根因排查的维护者,典型诉求是把 Trail 时间线改成团队可长期引用的 learning_doc 与质量记分卡
  • 为 Cursor/Copilot 等代理维护 AGENTS.md 或 CLAUDE.md 的工程师,典型诉求是从近期变更提取术语表与约定型 onboarding 段落
  • 跨多个 PR 做功能线复盘的技术写作者,典型诉求是在确认分组策略后批量产出系列化学习片段而非单篇 diff 摘要