技能介绍

要解决什么问题

同一个 Agent 连续做同类任务时，往往每次从零拆解。上次跑通的 Roadmap 拆解方式、哪些维度是关键、踩过什么坑，都散落在对话历史里，任务一结束就丢失。下次遇到竞品报告，还是重新规划一遍。更糟的是，即便积累了经验，也缺少一套机制判断「这次改动到底算不算改进」——改坏了和改好了混在一起，技能库越用越乱。

核心思路

UncleKK Skill Library 把 Voyager（NVIDIA + Caltech）的终身技能库与 SkillOpt（Microsoft）的棘轮自优化落成可直接调用的命令行工具，技能库持久化为 JSON 文件（默认 ~/.workbuddy/skill_library.json，可用 --store 指定），核心是三阶段工作流：

capture 沉淀：任务跑通后用 add 写入条目，包含 --approach（拆解步骤）、--dimensions（关键维度）、--tags 和 --score（0-1 的基线验证分），条目 id 自动分配。
retrieve 复用：开工前用 find 按 --query / --tags 查库，命中后用 get 取回 approach，只做行业微调；find 返回 NO MATCH 时回退到从零拆解。
optimize 自优化：用 record 记录复用后的真实评分，再用 optimize 提交 JSON 补丁和新分。新分严格高于基线才 ACCEPTED，否则 REJECTED 回滚——保证基线单调不降。

配套命令：list 列出全部条目、stats 看库统计（条目数、平均分、最高/最低分）。所有子命令零第三方依赖，跨 Windows / macOS / Linux。

适用边界

验证分必须由你提供（用户评分、LLM 自评或任务成功率）。技能不会自动判断任务质量，分数来源的客观性决定自优化质量。
--score 必须是 0-1 的数字，传 "abc" 这类非数字会直接报错退出；add 不传默认 0.0，record / optimize 必填。
--approach 必须可执行，写「研究一下」这种模糊词会让下游复用失败。
查库是关键词 + 标签的轻量匹配，不是语义检索。搜「竞争分析」找不到「竞品报告」，需要语义检索请外接向量库。
补丁只能改白名单字段：approach / description / task_type / tags / key_dimensions / usage_notes，改 id、baseline_score 等结构字段会被拒绝。
不要并发写同一库文件，多 Agent 场景串行调用或各自用 --store 独立库；库文件损坏时命令会输出 WARNING 并新建空库，注意检查是否发生并发写入。