Skill自我优化

遇到的问题：技能维护的挑战

构建并发布一个 AI Agent 技能（skill）只是第一步。随着使用和需求变化，技能常会暴露以下问题：

• 指令缺陷：原始设计中的逻辑矛盾、边界条件未覆盖或步骤模糊，导致执行失败或效果不佳。
• 触发不准：SKILL.md 中的 description 元数据不够精准，导致用户意图无法正确匹配到该技能。
• 缺乏演进：开发后便放任不管，无法从实际使用数据（如 BUG_LOG.md）或外部最佳实践中汲取经验，导致技能逐渐落后。

手动排查和优化这些技能文件耗时耗力，且难以系统化。Skill Improver 正是一个为解决此问题而生的「元技能」，它专注于对其他技能进行系统化诊断、修复与增强。

核心能力与工作流程

该技能通过一个结构化的六步流程，提供三种协同的改进模式，形成进化闭环。

三种改进来源

1. 用户需求驱动：当用户明确指出某个技能的不足或提出改进方向（如“修复触发问题”、“增加错误处理”）时，模式 A 被激活。它会对目标技能进行多维度诊断（元数据、指令质量、资源组织、用户体验），生成结构化报告并执行针对性优化。
2. 运营沉淀驱动：此模式 (B) 直接连接到技能的使用反馈循环。它会读取 BUG_LOG.md 中记录的未修复问题，按严重程度排序并逐一修复，同时更新日志状态。修复后还会尝试添加防御性指令，防止同类问题复发。
3. 联网搜索驱动：当用户要求“自动优化”或未指定具体方向时，模式 (C) 介入。它会分析技能的功能定位，自动构造搜索查询（如“[技能领域] prompt engineering best practices”），从互联网检索最佳实践，评估后筛选出可安全采纳的改进方案供用户确认。

关键执行步骤

• 定位与分析：首先按优先级（用户级 > 项目级 > 内置级）查找并加载目标技能的完整文件和相关资源。
• 模式选择与执行：根据触发条件选择单一或组合模式（例如“自动优化并修复 BUG”会同时触发模式 C 和 B）。执行改进时严格遵守 最小改动、风格一致、增量安全 的原则，优先处理高优先级问题（如 description 优化）。
• 验证与记录：修改后会执行验证，检查 YAML 格式、文件引用、逻辑连贯性等。执行过程中发现的所有新问题，无论是否立即修复，都会按规范格式追加到 BUG_LOG.md，为下一轮迭代积累数据。

适用边界与注意点

• 目标对象：本技能的改进对象是技能描述文件（主要是 SKILL.md）及其相关引用，而非用户终端应用程序或数据。它适用于 ai-agent 分类下使用该规范开发的技能。
• 技术前提：使用者需对技能开发的基本结构（如 frontmatter、指令编写）有基本了解，以便理解诊断报告和确认改进方案。
• 修改风险：执行改进会直接修改技能文件。对于内置技能，修改会创建用户级覆盖版本。在执行重要修改前，建议通过版本控制或手动备份进行回滚准备。
• 非万能药：联网搜索（模式 C）提供的方案需经过评估和确认，并非所有外部实践都适用。对于技能架构的根本性重设计，可能超出本工具自动化的范围。