技能导师

解决技能触发与元数据失控问题

在复杂的 AI Agent 项目中，随着技能（Skills）数量的增加，SKILL.md 前置元数据（frontmatter）的质量往往参差不齐。描述过长、触发词模糊或缺乏路由清晰度，会导致大模型在意图匹配时发生错乱，甚至错误激活重叠领域的技能。Sensei 旨在通过自动化手段，将技能元数据校准到符合跨模型优化的规范标准。

Ralph 循环与自动化优化机制

Sensei 的核心工作流基于 Ralph 循环模式，通过以下关键步骤对技能进行迭代打磨：

• 读取与评分：加载当前 SKILL.md，检查描述长度、WHEN: 或 USE FOR: 触发词的有效性，并给出合规分数。
• 脚手架构建：若缺失测试目录，自动使用模板生成测试脚手架，确保后续验证有据可依。
• 元数据改进：重写前置描述，确保以独特的动作动词开头，并包含 3-5 个高辨识度的引用触发短语。
• 深度进化（GEPA 模式）：当启用 --gepa 参数时，系统会将现有测试作为适应度函数，由 LLM 自动提出并评估大量候选改进方案，仅保留得分更高的版本。

适用边界与避坑指南

在使用 Sensei 时，需特别注意反触发词（DO NOT USE FOR:）的使用边界。在包含 10 个以上重叠技能的多技能环境中，反触发词会引入导致错误匹配的关键词污染，建议优先采用 WHEN: 进行正向路由。此外，GEPA 模式仅包装现有测试作为评估基准，不会修改或替换底层测试逻辑。