可自学习写作风格模板

要解决的具体问题

如果你试过让 LLM “用你的语气”写东西，大概率会遇到这个问题：形容词不稳定。用 casual、concise、no AI fluff 之类的提示词，模型每次生成的结果都不一样。今天听起来像内部备忘录，明天可能变成营销推文。

风格漂移对博客作者、撰写产品更新的人、维护品牌声音的团队来说代价很高。每次你都要从头改，要么训练 AI 每个项目的风格，要么干脆手写一个 Prompt 模板，很快就过时了。

核心能力与关键步骤

这个 skill 的想法很直接：与其把风格硬编码到一次性 Prompt 里，不如维护一个可复用的风格规则文件。

风格维度量化

• 用 1-10 分把你的写作风格拆成可量化维度：正式 ↔ 随意、技术 ↔ 通俗、严肃 ↔ 活泼、简洁 ↔ 详细、含蓄 ↔ 直接。
• 初始分数可以先猜，通过观察真实修改来校准。

从修改中自动学习

• 记录 original（AI 首版）和 final（你确认的终版），中间改多少轮都无所谓。
• observe.py 提供 record-original、record-final --match、pending、stats 等命令，零依赖纯 Python，负责配对和统计。
• improve.py 调用 LLM CLI（支持 claude / llm / IMPROVE_LLM_CMD）从首尾差异中提取规则提案。

规则分级与安全回滚

• 规则按 P0 / P1 / P2 分级：P0 高置信度自动应用，P1 中置信度需人工确认，P2 低置信度存档观察。
• 每次更新前自动备份 SKILL.md，improve.py rollback 可一键回滚。
• auto 模式只应用 P0，避免低置信度规则污染模板。

多平台格式适配

• 内置 X/Twitter、小红书、博客等平台格式要求，也可扩展自定义平台规则。
• 例如 X 不渲染 markdown，小红书用 emoji 和短分段，博客用标准 markdown。

预期成长路径

• 第 1 周：积累 3-5 次修改，生成第一批规则。
• 第 2 周：10+ 条规则，AI 输出明显更像你。
• 第 1 个月：30+ 条规则，风格维度自动校准。
• 持续使用：规则库稳定增长，新 pattern 自动捕捉。

适用边界与注意点

• 不是黑盒调参。你需要持续用“生成 → 修改 → 确认”的方式提供反馈，模型才能从你的修改里学到东西。
• 规则有置信度。P0 规则是多次出现后才自动应用的，首次提取的低置信度规则不会立刻改变生成结果。
• 平台适配需要自己填。模板只给示例，你的目标平台格式要求得自己写清楚。
• 回滚是安全底线。所有自动更新都有备份，rollback 可以恢复到上一个稳定状态。

如果你能接受“模板是活的、规则是慢慢长出来的”这个前提，这套 skill 比反复调 Prompt 更可控，也更容易沉淀成团队风格资产。