Communitygithub.com

yezhwi/Framework-Distillation

Verwandle Open-Source-Frameworks in Architektur-Playbooks für Menschen und KI.

Was ist Framework-Distillation?

Diese Fähigkeit ermöglicht es, die Architektur eines Open-Source-Frameworks zu extrahieren, anstatt nur den Code zu dokumentieren. Sie ist besonders nützlich, wenn ein Entwicklungsteam oder eine KI die grundlegenden Designentscheidungen, Laufzeitmodelle, Erweiterungspunkte und Kompromisse eines Frameworks verstehen möchte, um es in einer anderen Sprache oder Domäne nachzubilden. Die Analyse wird in drei Tiefenstufen angeboten: `mini` für eine schnelle erste Übersicht, `standard` für die vollständige Extraktion und `deep` für eine erschöpfende Reverse Engineering-Studie. Die Fähigkeit unterstützt Plattformen wie Claude Code, Cursor und Codex, indem sie die Ergebnisse als strukturierte Architektur-Playbooks ausgibt, die sowohl für Menschen als auch für KI-Agenten lesbar sind. Dabei wird stets der Grundsatz „Architektur vor Code, Begründung vor Syntax, Design vor API, Kompromisse vor Funktionen, Prinzipien vor Implementierung“ befolgt.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add yezhwi/framework-distillation

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Framework Distillation

Überblick

Extrahiere Architektur, nicht Code.

Nutze diese Fähigkeit, um die Framework-Struktur, das Laufzeitmodell, Erweiterungspunkte und technische Kompromisse zu rekonstruieren, damit eine andere KI oder ein Team eine ähnliche Architektur in einer anderen Sprache oder Domäne nachbilden kann.

Wann verwenden

  • Reverse Engineering der Framework-Architektur über README und öffentliche API hinaus
  • Untersuchung von Laufzeit, Lebenszyklus, Zustandsmaschine oder Erweiterungsmechanismus
  • Nachbildung eines ähnlichen Frameworks in einer anderen Sprache oder Domäne
  • Erstellung KI-lesbarer Architektur-Wissenspakete
  • Vergleich von Frameworks anhand von Architektur und Kompromissen

Typische Ziele: Agenten-Laufzeiten, Workflow-Engines, Zustandsmaschinen-Frameworks, Plugin-Systeme, Orchestrierungsplattformen.

Wann nicht verwenden

  • Nur README-Zusammenfassung
  • API-Tutorial oder Anwendungsleitfaden
  • Zeilenweiser Code-Durchlauf
  • Copy-Paste-Neuimplementierung
  • Funktionsinventar ohne Kompromissanalyse

Wenn die Anfrage nah, aber nicht zielgenau ist, zuerst den Umfang neu ausrichten.

Erforderliche Eingaben

Minimum:

  • Repository-URL oder lokaler Quellpfad

Empfohlen:

  • Framework-Name
  • Analyseziel
  • Zielimplementierungssprache oder -domäne
  • Tiefe: mini, standard oder deep
  • Schwerpunkte

Kernprinzip

Architektur > Code
Begründung > Syntax
Design > API
Kompromiss > Funktion
Prinzipien > Implementierung

Arbeitsablauf

  1. Prüfen, ob geeignet; Tutorial-/API-/Datei-für-Datei-Anfragen ablehnen oder umleiten.
  2. Tiefe aus Ziel wählen. Standard standard; mini für schnellen ersten Durchlauf, deep für erschöpfende Nachbildung.
  3. Dokumentation, Tests, Beispiele und Repository-Struktur vor dem tiefen Quelltext-Lesen scannen.
  4. Architektur, Laufzeit, Zustand, Datenmodell, Erweiterungspunkte, Entscheidungen und Kompromisse extrahieren.
  5. Wiederverwendbare Regeln destillieren und Ausgabe entsprechend dem gewählten Modus und Reproduktionsziel erstellen.

Ausführungsregeln

  • Mit Architektur führen, nicht mit Feature-Listen.
  • Nicht in Tutorial, API-Inventar oder Datei-für-Datei-Durchlauf abgleiten.
  • Behauptungen mit Belegen aus Code, Dokumentation, Tests, Beispielen oder Commit-Verlauf untermauern, wenn verfügbar.
  • Beobachtete Fakten von Schlussfolgerungen unterscheiden; Beobachtet, Starke Schlussfolgerung, Vorläufige Schlussfolgerung verwenden, wenn die Belege dünn sind.
  • Unvollständigen Repository-Zugriff oder schwache Belege explizit angeben.
  • Analyse an Zielsprache, Domäne, Schwerpunkte und Vergleichskriterien anpassen.

Ausgabemodi

  • mini — schnelle erste Zusammenfassung der Architektur
  • standard — vollständige Architekturextraktion für die meisten Studien
  • deep — erschöpfendes Reverse Engineering für Framework-Nachbildung

Details in:

  • references/output-modes.md
  • references/analysis-checklist.md
  • references/deliverables.md

Anti-Patterns

Vermeiden:

  • Nur README zusammenfassen
  • APIs ohne Architektur auflisten
  • Beispiele erklären, ohne das Design zu extrahieren
  • Code beschreiben, ohne zu fragen, warum er existiert
  • Kompromisse, Fehlerpfade oder Erweiterungspunkte ignorieren
  • Implementierung kopieren, anstatt Prinzipien zu destillieren
  • Philosophie oder Begründung als Tatsache darstellen, wenn Belege schwach sind
  • Frameworks nur anhand von Feature-Checklisten vergleichen

Unterstützende Referenzen

  • references/output-modes.md — Ausgabeformen, Vorlagen, Diagramme
  • references/analysis-checklist.md — Analyse-Checkliste und Qualitätstor
  • references/deliverables.md — Lieferstruktur und KI-Simulationsaufforderung
  • references/self-test.md — Lückenprüfung und angewandte Korrekturen
  • references/simulated-dialogue-tests.md — Druckaufforderungen und Bewertungsbogen

Verwandte Skills