Skill淬炼
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 @user_9e2ba202/skill-tempering。
技能介绍
解决 Skill 的机制层脆性
现有 Skill 往往只跑通了“快乐路径”,缺乏机制层的韧性:完成判据含糊导致无界循环、失败处理缺失、裁判方与产出方未隔离导致自评放行、文档冗余膨胀等。Skill淬炼 并非运行时的依赖库,而是一个专门住维护层的 meta-skill。它通过一套严密的审计与分流机制,将一份现成 Skill 诊断、淬炼到机制层标准,去脆性、变韧,最终交付一个仍然完全自包含的改进版 Skill。
核心工作机制:分流闸与七核审计
本技能的脊柱极度精简,只保留路由与指针,所有重判据均下沉至 references/principles.md 等权威文档中,遵循“单一权威源、守薄”的原则。其核心流程如下:
- 七通用核机制审查:对被测对象逐条过 7 个核心机制。例如 自评不可信(强制裁判与产出分离)、完成判据(要求显式且带死上限)、确定性归工具(能机械判断的绝不留给模型猜),以及作为唯一硬约束的 自包含·可移植。
- 分流闸(Triage Gate)与双路线:通过分流闸自动判定证据来源。输入若只有 Skill 而无实证,走 路线 A(静态体检),执行七步审计并产出改进清单;若附带真实运行 trace 或失败案例,则走 路线 B(实证归因),消化用户实证并复用路线 A 的产物模板。模糊场景允许混合降级。
- 派生工序与盲区声明:面对形态各异的 Skill,通过现场判断工序长出额外纪律,并强制声明静态推定的盲区。
适用边界与运行约束
- 硬暂停原则:在产出按
hard、soft、advisory分级的改进清单与部分符合声明后,技能会强制暂停。它绝不自动修改被测 Skill,将重构的决定权交还给用户。 - 绝不自产实证:本技能只消费用户提供的实证,自己绝不跑 baseline 或伪造运行 trace,避免陷入“自证清白”的逻辑陷阱。
- 显式调用:作为重型元动作,它绝不自动触发,必须由用户在明确遇到 Skill 缺陷时显式调用。
使用场景
- 手头有一个自己写的 Claude Skill,只跑通快乐路径,用户中途打断就死循环——用它做静态体检,找出缺失的完成判据。
- 技能上线后经常输出错误结果,手上有失败案例和用户反馈——用路线 B 基于真实实证归因问题。
- Skill 的 SKILL.md 描述冗余,多个文件重复写同一套判据——用它做守薄审计,产出按强制力分级的改进清单。
- 新写的技能准备发布前,需要确认它自包含、无运行期外部脚本依赖——用它做自包含核查并产出部分符合声明。
适合人员
- 正在为团队编写和维护 Agent 技能的工程师,希望上线前做一次机制层体检,避免上线后反复修 bug。
- 独立开发者,给 Claude 写了多个自用 Skill,发现它们只覆盖快乐路径、遇异常就失控,想找一套统一标准来改进。
- Agent 平台的 Skill 维护者,负责审核社区提交的技能,需要一套不自动改动、只出分级改进清单的审计工具。
- 遇到技能实际运行问题并保留了 trace 和反馈记录的用户,希望基于真实失败案例定位机制层缺陷。