技能介绍

为什么需要自己写 skill 的质量评审

SkillHub 官方有一套 TRACE 评测框架，覆盖 5 个维度、15 个子项，能从适配性、规范性、有效性、可靠性、可信度给 skill 打分。但这套评测通常依赖在线服务和 LLM 端点，对个人开发者来说门槛不低。当你刚写完一个 skill、想看看哪里还缺、怎么补的时候，反复跑官方评测既不划算也不方便。

问题在于：结构问题可以自动查，语义质量还得自己读。一个 skill 的 SKILL.md 写得好不好，有没有边界说明、触发条件是否清晰、文档有没有反模式 FAQ，这些大部分能靠规则检查出来；但准确性、创造性、完整性、可用性这四个语义子项，机器很难替你判断。

它怎么工作

这个 skill 把官方 TRACE 框架完整搬到本地，做成离线、零依赖的评审器：

结构子项用启发式自动评分：适配性（能力边界、触发清晰度）、规范性（反模式 FAQ、文档质量、渐进式、结构）、可靠性（错误处理、功能完备、稳定性）、可信度（国产合规、安全扫描）等 9 个结构子项，由脚本自动算出分值。
语义子项留给你亲自评估：effectiveness 维度下的 accuracy、creativity、completeness、usability 四个子项，需要你真读 SKILL.md 和 references/，对照 references/rating-framework.md 的口径，给出 0~5 的真实判断，写进 semantic_review.json。
合并产出报告：脚本把结构分和你的语义分合并，输出带分值、理由、缺漏清单的 review.html 和符合官方 TRACE schema 的 review.json。

工作流程分 5 步：确定目标 skill 路径、跑结构检查、你做语义评估、合并终稿、交付报告。所有操作在本地完成，不需要联网、不需要 API Key，纯 Python 标准库实现。

适用边界与注意点

它评的是 skill，不是普通代码。评估对象是 SKILL.md、references/ 和 scripts/ 组成的 skill 目录，不是通用项目。
语义分必须真实。启发式占位分只是结构近似，不能照搬当最终分。如果你随便填高分，报告的缺漏清单就没参考价值。
安全扫描按官方约定固定跳过。trust.scan 不评分，静态检查只扫真实代码（围栏代码块 + scripts/ 下脚本），文档里举例提到 subprocess 或 os.system 不会被误判。
可靠性维度分双路径。在线/有状态类 skill 按 timeout、retry、atomic 等信号评；离线/文档型 skill 改用幂等可重跑、中断可续、步骤可复现、故障排查文档等口径评，两类互不混用。
跨设备分享方便。脚本零依赖，整目录拷到目标机 ~/.workbuddy/skills/skill-quality-reviewer/ 即可，Python 解释器优先用托管版本，没有就用系统 Python 3。