Skill 进化发布流水线

要解决什么问题

你在 SkillHub 上已经有一个 Skill，也拿到了 AI 评测或安全报告，但「改哪几条、怎么验证、怎么发上去、发完是不是真生效」往往靠经验拼凑。更麻烦的是：发布返回成功，用 install 回拉却还是旧版；或者改了好几轮，却没有前后评测配对，无法判断某次改动到底抬分还是悄悄回落。

本技能把这件事收成一条可复现闭环：以线上版本为证据锚点，把扣分点映射到具体改动，再经发布校验与反馈台账，让下一轮优化有据可查。

流水线如何工作

整体是五阶段（①～⑤），并强调「守 / 借 / 望」三类进化来源：评测规范底线、GitHub/兄弟 Skill 借解法、OSINT + 认知放大器找可迁移方向。

• 阶段① 取回评测基线：用 SkillHub CLI（如 skillhub search / install）确认真实 slug、ownerId，对比线上与本地 SKILL.md、脚本与 _meta.json，记录 AI 分与安全结论。
• 阶段② 认知放大器反思（双通道）：固定四问做结构化反思，产出带 Seal 与置信度的反思文档；并常态化摄入 Stream C（conversation-miner 的 recurring 未满足需求）与 Stream D（外部信号经认知放大器验真伪后的可迁移范式），合并进 VFM 排序。
• 阶段③ 定向借鉴循环：对 VFM ≥ 60 的需求写「借用查询」，先扫本地 ~/.workbuddy/skills/ 兄弟 Skill，再按需 GitHub 定向搜索，沉淀 BORROW_INDEX.md。
• 阶段④ 优化重写 + 发布：每项改动对应一个扣分点或盲区；发布前回流 REQUIREMENTS.md / SOLUTIONS.md 看板。遵守 slug 锁定、frontmatter 与 _meta.json 双写、语义化升版本、dry-run 后再真发；文档含 扫描门控排障（RC=0 但下载仍为旧版时升补丁版本重传）。
• 阶段⑤ 反馈收集与自改进：发布后回取新评测，用 scripts/collect_feedback.py 算各维 delta、标红回落，维护 feedback_store.json 与自动生成的 FEEDBACK_LEDGER.md「改动→影响」配方表。

文档内还有评测扣分点→改动映射表、完整检查清单与逐错排查（slug 版本冲突、路径转义、requests 缺失、误建新 listing 等）。

适用边界与注意点

• 适用：已有 SkillHub 上架 Skill + 有评测/排障/系统性挖盲区并重发的意图（口语不同也可命中）。
• 不适用：从零新建 Skill（应走 skill-designer / nuwa-skill）；无优化、纯发布（应走 skillhub-publisher）。
• 习惯对齐：优化前先问改动是否更利于用户形成可持续使用习惯；评测里「用不起来 / 习惯没养成」类问题应优先回流。
• 证据要求：目标 Skill 无历史对话时 Stream C 可跳过并说明理由；无 VFM 输入时不应空跑阶段③。Token 只进环境变量，不要回显到对话。