Skill超级工厂

要解决的具体问题

在构建 AI Agent 时，开发者面临的技能（Skill）管理往往是碎片化的。一个技能就是一个定义了触发条件、工作流和指令的 Markdown 文件，但其开发过程缺乏统一标准：从零创建时无脚手架，质量评审依赖主观判断，修复问题时容易引入新缺陷，版本迭代缺乏可追溯性。这导致了多个痛点：

• 质量参差不齐：没有系统化的审计维度，常见的反模式（如 YAML 语法错误、版本不一致、文件缺失）反复出现。
• 修复风险高：直接手动修改文件可能破坏结构，且难以回滚到安全状态。
• 流程脱节：设计、构建、验证各阶段工具不连贯，信息在不同文件间不同步。

Skill Creator King（SCK）正是针对这些具体问题而设计的 静态分析工具链与工作流助手。它不替代 LLM 或人工判断功能逻辑，而是专注于技能文件的形式正确性与流程规范性，通过一套自动化的工具集，将技能的全生命周期管理流程化、结构化。

技能如何工作：核心能力与关键步骤

SCK 的核心定位是“查形式不查功能”的 Linter（代码检查工具）。它围绕“从对话建、用分数验、自动修复、持续迭代”四大能力，提供了一套完整的五阶段工作流。

核心能力与工具链

• 模板生成 (init_skill.py)：提供标准化的脚手架，确保新技能包含所有必需文件（如 SKILL.md, README.md, CHANGELOG.md）。
• 结构化验证与评分：

- validate.py：执行基础检查，包括文件完整性、版本一致性，并扫描反模式（定义在 anti-patterns.yaml 中），输出结构化的 issues 列表。
- quality-audit.py：进行 14 维度的质量评分，给出 A/B/C/D 等级。评分维度覆盖了文档结构、版本同步、错误处理等多个方面，并支持针对不同平台（如 WorkBuddy, OpenClaw）的跳过维度设置。

• 安全修复框架 (autofix/engine.py)：这是一个关键设计。修复过程不是随意的，而是遵循 “备份 → LLM 修复 → 验证” 的安全骨架。修复前必须创建快照备份，修复后重新运行验证，确保评分不降；若失败，支持一键回滚。这种架构将审计（只读）与修复（读写）解耦，通过 JSON 结构通信。
• 语义一致性检查：在验证阶段（Phase 4.1），SCK 会指令 LLM 交叉对比 SKILL.md、DESIGN.md、README.md 等多个文件中的阶段数、数字、交付物清单，确保描述一致，防止信息漂移。

关键工作流步骤

整个过程遵循 Phase 0（出发前确认）到 Phase 5（持续迭代） 的严格流程，其中验证阶段（Phase 4）的子步骤尤为重要：

1. 结构扫描：运行 validate.py --json 获取基础问题列表。
2. 质量基线：运行 quality-audit.py 获取初始分数。
3. 安全修复：运行 engine.py --backup 创建备份，随后由 LLM 根据 validate.py 的输出逐条修复文件。
4. 修复验证：运行 engine.py --verify，再次执行 validate.py 和 quality-audit.py，确认问题清零且分数未降。若分数下降，触发 --rollback。
5. 深度审查（可选）：对于大版本变更，可启用 quality-audit.py --llm-review，由 LLM 回答关于语义漂移、术语一致性等四个固定问题。
6. 自检与测试：修改后必须运行自动扫描，并确保新文件被工作流引用、脚本错误处理完备。最终还会自动生成 tests/test.py 进行功能验证。

适用边界与注意点

SCK 是一个强大的 静态质量管控工具，但必须明确其边界：

• 它是 Linter，不是运行时：它只检查技能文件的格式、结构和文档一致性。技能的功能逻辑是否正确、工作流是否合理、触发词是否有效，这些需要依赖 LLM 的实际运行或人工测试来验证。
• 平台差异性：不同 AI Agent 平台（如 WorkBuddy vs. OpenClaw）对技能的满分标准和检查维度有差异。使用前需在 Phase 0 确认目标平台，quality-audit.py 会自动适配。
• 依赖 LLM 执行修复：autofix 的修复环节依赖 LLM 的直接文件读写能力。安全网（备份/回滚）存在，但修复质量仍取决于 LLM 的理解能力。
• 必须遵循完整流程：任何对 Skill 文件的修改后，都必须重新运行 validate.py 和 quality-audit.py --no-cache 进行全量扫描，确保达到零问题状态，这是保证版本一致性的纪律。