写作风格教练

解决什么痛点

让 AI 帮你写技术博客或社交媒体内容时，最大的问题是风格难以稳定控制。你很难通过“写得自然一点”或“不要太学术”这种模糊的提示词，让模型持续输出符合你个人品味的内容。每次开始新任务时，都要反复在提示词里补充要求，不仅打断了创作流，而且最终效果依然充满随机性。

核心机制与工作流

这个技能放弃了单纯的提示词堆砌，转而采用“模板 Fork + 自动学习”的工程化思路。

首先，它通过 Voice Dimensions（量化维度） 将模糊的风格偏好转化为 1-10 分的具体数字，并涵盖以下维度：

• 正式与随意（formal_casual）
• 技术深度（technical_accessible）
• 严肃与活泼（serious_playful）
• 简洁与详细（concise_elaborate）
• 保守与直接（reserved_expressive）

同时，你需要定义目标读者、基础规则、禁止词以及多平台的格式适配规范（如 X/Twitter 不渲染 markdown、博客使用标准格式等）。

核心在于其内置的自动学习回路。你不需要手动写完所有规则，只需让 AI 生成初稿，然后直接在文档中修改到满意为止。通过 observe.py 脚本记录 record-original（AI 原稿）和 record-final（你的最终版），系统只需对比这两个数据点即可提取修改模式。

随后，improve.py 会调用 LLM CLI（如 claude 或 llm）分析差异，生成规则提案。系统对规则进行分级：P0（高置信度，自动应用）、P1（中置信度，人工确认）和 P2（低置信度，存档观察）。在 auto 模式下，只会自动应用 P0 规则，且每次更新前都会自动备份 SKILL.md，支持一键 rollback。

适用边界与注意点

这套机制的本质是数据驱动的风格微调，这意味着它需要一定的数据飞轮才能运转良好。根据官方预期，通常需要经过 30 次左右的“生成-修改”循环，才能积累出 30+ 条精准规则。

此外，自动学习依赖本地 Python 环境和可用的 LLM CLI 环境变量（如 IMPROVE_LLM_CMD）。如果你平时的写作习惯极度碎片化或缺乏固定规律，模型提取的规则置信度可能较低，此时建议多依赖手动配置的初始规则，并保持耐心。