技能介绍

解决的问题

技能发布失败的常见原因往往不是逻辑错误，而是机器就能验证的机械问题：Python 脚本存在语法错误、代码读了 frontmatter 里没声明的环境变量、把数据写进了技能目录（更新时整个目录被覆盖，数据直接丢失）、目标平台要求的 README/LICENSE 缺失、文档描述与实际脚本对不上。这些在本地开发时不会暴露，等到发布到 registry 或别人装上才炸。skill-release-audit 专门扫这一层。

六个检查模块

scripts/check_logic.py — Python AST 解析、Bash -n 语法检查、内部引用路径、遗留 TODO/FIXME
scripts/check_features.py — SKILL.md 里提到的脚本与 references 是否真实存在，stub 文件检测
scripts/check_edges.py — try/except 覆盖、HTTP timeout、响应状态处理、Bash set -e
scripts/check_data_safety.py — 检测写入技能目录内的文件，并建议可移植路径
scripts/check_deps.py — Python / Node / Bash 依赖检查，可选 --auto-install，以及环境变量声明与代码使用的一致性
scripts/check_docs.py — description 质量、frontmatter 规范、slug 规则、按目标平台检查必需文件

工作方式

运行后输出结构化的 ✅/⚠️/❌ 报告，每条发现附带具体描述与修复建议，但不自动修复。退出码约定为 0（无错误，可能有警告）、1（存在错误）、2（输入无效）。报告语言按 $LC_ALL/$LC_MESSAGES/$LANG 自动检测，可用 --lang zh 或 --lang en 覆盖，所有文案集中在 scripts/i18n.py 的双语 key 表中。

--target 用来切换规则集，而不会执行发布：generic（默认，跨 registry 的最小公共集）、clawhub（要求 name+description、严格 slug、50MB 上限、声明与代码一致性）、anthropic（name ≤64、description ≤1024）。

适用边界

这是机械门禁，不做认知层面的质量评审。指令是否清晰、设计是否合理，需要配合同套件的认知工具：开发迭代期用 glic-check 做 UGLIC 轻量评审，中期用 skill-deep-audit 做 115 分制量化打分，发布前最后跑 release-audit 作为自动化闸门。三者互补，不重叠。另外核心只依赖 Python 3.8+ 标准库；装了 PyYAML 时 frontmatter 解析走严格模式，缺失时退化为容错解析，同样能完成检查。