skill-comply：自动化合规性测量 是做什么的？
测量编码智能体是否实际遵循技能、规则或智能体定义，具体步骤：
- 从任何 .md 文件自动生成预期的行为序列（规格说明）
- 自动生成提示严格程度递减的场景（支持性 → 中性 → 对抗性）
- 运行
claude -p并通过 stream-json 捕获工具调用轨迹 - 使用 LLM（而非正则表达式）对工具调用进行分类
- 确定性地检查时序顺序
- 生成自包含的报告，包含规格说明、提示和时间线
支持的目标
- 技能 (
skills/*/SKILL.md)：工作流技能，如搜索优先、TDD 指南 - 规则 (
rules/common/*.md)：强制性规则，如 testing.md、security.md、git-workflow.md - 智能体定义 (
agents/*.md)：智能体是否在预期时被调用（内部工作流验证尚不支持）
何时激活
- 用户运行
/skill-comply <path> - 用户询问“这条规则是否真的被遵循？”
- 添加新规则/技能后，验证智能体合规性
- 作为质量维护的一部分定期执行
使用方法
# 完整运行
uv run python -m scripts.run ~/.claude/rules/common/testing.md
# 空运行（无成本，仅生成规格说明和场景）
uv run python -m scripts.run --dry-run ~/.claude/skills/search-first/SKILL.md
# 自定义模型
uv run python -m scripts.run --gen-model haiku --model sonnet <path>
核心概念：提示独立性
测量技能/规则在提示未明确支持时是否仍被遵循。
报告内容
报告是自包含的，包括：
- 预期的行为序列（自动生成的规格说明）
- 场景提示（每个严格程度下所问的问题）
- 每个场景的合规率分数
- 带有 LLM 分类标签的工具调用时间线
高级功能（可选）
对于熟悉钩子 (hooks) 的用户，报告还包括针对低合规性步骤的钩子提升推荐。此为信息性内容——主要价值在于合规性的可视化本身。