技能介绍

解决 AI Skill 开发中的失控问题

在构建大模型技能（Skill）时，开发者常面临一个隐蔽但致命的问题：Skill 并非因为"不加载"而失败，而是因为"乱加载"。当一个 Skill 的路由边界模糊，或者模型在修改时缺乏约束，就会导致误触发、原有能力退化，甚至破坏项目结构。SkillWorks 并非面向人类项目经理的看板工具，而是一套直接约束 AI 自身行为的研发规范。它将分批改、不归档、不写 CHANGELOG 等常见踩坑经验，沉淀为可执行的 Pipeline 与 Gate 规则，确保 AI 在创建或升级 Skill 时保持工程纪律。

核心机制与工作流

SkillWorks 采用双入口设计，分为讨论模式与执行模式，并在全流程嵌入 Pipeline + Gate + Inversion + Generator + Reviewer 设计模式。

前置反转与评测用例：在动手写代码前，强制先构建评测用例集，包含真实查询、失败案例以及至关重要的负例（明确什么情况不该触发）。只有边界清晰，才进入需求采集（Phase 1）。
经验池与克制原则：升级已有 Skill 时，必须先查阅 references/经验池.md。只有当 ≥2 条独立证据指向同一问题时才建议修改，避免基于单次偶发异常进行破坏性重构。
确定性生成与条件加载：执行模式中，AI 按模板生成文件，将数据解析等确定性逻辑固化到 scripts/，并在 SKILL.md 中明确条件加载策略，避免模型一次性读取所有 references/ 浪费 Token。
严格验收与归档：每次修改必须更新 PM.md 与 CHANGELOG.md，旧版本必须完整归档。发布前通过外置 checklist.md 逐项自检，并在升级时使用 hero request set 进行新旧版本对比评测。

适用边界与注意事项

这套规范的核心价值在于约束模型的判断边界，而非重复模型已知的通用流程。因此，它不适用于缺乏明确目标的随意探索，且要求开发者必须维护好经验池与评测用例。

此外，Skill 在上传分发时需严格遵守安全红线：严禁硬编码当前开发环境的特有路径，依赖检查必须通过 which 或环境变量等通用机制完成；data/ 目录等包含用户隐私的文件绝不能打包进 dist/。通过这套机制，SkillWorks 将 AI 从"随意发挥的助手"转变为"遵守工程规范的开发者"。