通用技能创作者 是做什么的？
1. 核心重构与不可协商的不变量
- 心智模型：世界级的技能是一个按需的过程性操作系统，而不是非结构化的提示词。它遵循
references/agentskills_spec.md标准，将专有的实践者知识产权与确定性代码门（三区域混合架构）配对。 - 环境须知：Python 3 和标准工作区发现工具已预装。除非显式导入失败，否则不要尝试安装包运行器。
- 硬不变量 1（零气味门禁）：绝不交付一个未通过
python3 scripts/audit_skill.py <path>检查的技能。所有结构布局气味必须被审计并解决。 - 硬不变量 2（脚本锻造强制）：每当候选技能执行验证、模式检查或 AST 比较时，你必须在
scripts/validate.py中编写配套的可执行实用程序（脚本代码占用 0 上下文 token）。 - 硬不变量 3（抗压缩生存）：不变量、包说明和任务路由表必须位于
SKILL.md的前 1000 个 token 内，以防止压缩剪切（参见references/compaction_resilience.md）。 - 硬不变量 4（生产标准）：每个技能必须包含领域标准术语、一个反合理化表以及可验证的评估测试用例。
- 硬不变量 5（行为门禁，不仅仅是结构）：通过审计和安全检查但未超过无技能基线、未通过压力测试、或未在存根模式下正确路由的技能，不予发布。参见
references/baseline_grading.md、references/pressure_scenarios.md、references/stub_router_mode.md和references/render_qa.md。 - 硬不变量 6（仅示例结构）：发布的示例仅显示结构、触发词、工作流、决策表、验证脚本、评估。不要将示例的领域规则复制到新技能中。每个新技能都必须基于用户的 SOP、笔录和领域研究来构建。
2. 任务路由决策表
| 用户意图 / 输入类型 | 推荐的创建工作流 | 支持性按需参考 |
|---|---|---|
| 商业 B2B 技能（用于销售 / 客户交付） | 执行完整的 6 阶段流水线（阶段 0–5） | references/competitor_teardown_protocol.md |
| 原始笔记 / SOP / 开发者笔录 | 执行完整的 6 阶段创建流水线 | references/domain_knowledge_ingestion.md |
| 需要外部 API 或 MCP 服务器的技能 | 运行阶段 1 工具发现 + MCP 接线 | references/mcp_tool_patterns.md |
| 审计或修复现有技能 | 运行零 token 26 种气味审计与补丁 | references/smell_taxonomy_26.md |
| 多轮交互式向导创建 | 应用 OMSC 歧义分类协议 | references/question_triage_omsc.md |
| 版本敏感的技能（CLI、API、迁移指南） | 使用存根 / 路由模式，仅 40-60 行指针 | references/stub_router_mode.md |
| 任何技能，在每个决策阶段 | 运行 QA 检查点，每个检查点最多 2 个问题，记录每个检查点 | references/qa_checkpoints.md |
| 输入为 .docx、.pdf、.ppt 或类似格式 | 优先使用工具原生读取（Claude Code / Claude）；提取器是可选回退方案，仅在纯文本词汇表脚本之前必需 | scripts/extract_text.py |
| 证明技能确实有帮助 | 运行压力 + 基线分级 + 渲染 QA | references/pressure_scenarios.md、references/baseline_grading.md、references/render_qa.md |
3. 阶段 0：深入市场情报与竞品拆解
在起草指令前，使用 agents/niche_researcher.md 执行竞争性侦察：
- 步骤 0.1（竞品拆解）：搜索此细分领域现有的公开技能、提示词或自定义指令。
- 根据 26 种气味分类法审计竞品产品（
references/competitor_teardown_protocol.md）。 - 识别其结构缺陷（例如，通用 AI 垃圾、选项自助餐、缺少验证脚本）。
- 定义修复竞品结构缺陷的“解药”。
- 根据 26 种气味分类法审计竞品产品（
- 步骤 0.2（领域文献与术语摄入）：
- 摄入相关书籍、白皮书、播客笔录和企业 SOP，格式不限：.txt、.md、.docx、.pdf、笔记和笔录。
- 格式规则（工具优先，非硬性规则）：Claude Code 和 Claude 原生读取 .md、.pdf、.docx、.ppt 及类似格式，因此优先使用工具自身的读取能力。不要强行提取工具已读取的文件。
- 包
scripts/extract_text.py中的提取器仅为可选回退方案，用于需要纯文本的工具或脚本。其唯一硬性用途是词汇表脚本（仅读取文本），因此如果在 .docx 或 .pdf 上运行词汇表，请先提取为 .txt：
python3 scripts/extract_text.py path/to/source.docx --output evals/source.txt python3 scripts/extract_text.py path/to/source.pdf --output evals/source.txt- 仅含扫描图像的 PDF 没有文本层：提取器会发出警告并返回空文本。不要为它们编造文本；在此包外部使用 OCR 并记录该步骤，或者如果 Claude 能够原生读取文件，则允许其读取。
- 遵循
references/domain_knowledge_ingestion.md提取：- 权威行业缩写、指标和标准术语（例如 MEDDPICC、CAC 回本周期、钩子驻留时间）。
- 通过
python3 scripts/build_domain_lexicon.py <sources> --output evals/lexicon.json生成候选词汇表术语。 - 算法阈值和可测量公式。
- 高密度非显而易见的故障模式列表（“陷阱”）。
4. 阶段 1：环境与工具发现（区域 1 门禁）
在撰写任何文档之前，复制并执行此发现步骤：
- 步骤 1.1（探测环境与工具）：运行捆绑的发现脚本：
（在 Windows PowerShell 上，使用python3 scripts/discover_env.pypython3 scripts/discover_env.py）- 检查输出以了解检测到的操作系统、可用的 CLI 二进制文件（
git、docker、python等）以及活跃的 MCP 服务器。 - 如果候选技能涉及外部服务（例如 Figma、GitHub、Postgres），请检查环境中是否存在匹配的 MCP 工具或 CLI。
- 检查输出以了解检测到的操作系统、可用的 CLI 二进制文件（
5. 阶段 2：静默工作区发现与 OMSC 分类
- 步骤 2.1（静默上下文读取）：检查活动仓库的配置文件（
package.json、pyproject.toml、Cargo.toml、.env.example、git 历史）。- 硬性规则：永远不要向用户询问可以通过读取工作区文件发现的关于语言、框架或工具的问题。
- 步骤 2.2（QA 检查点，每个阶段强制）：
遵循
references/qa_checkpoints.md。仅阶段 2 分类是不够的。在每个检查点，呈现一个 5 行的决策摘要，最多提出 2 个问题并附带（推荐）默认值，然后记录：python3 scripts/record_qa.py evals/qa-checkpoints.json --checkpoint teardown-domain --summary "细分领域，解药，主要陷阱" --question "细分领域边界是否准确？（推荐：是）" --confirmed- 检查点 1，阶段 0 之后：拆解-领域，细分领域，竞品，漏洞，优势，解药，主要陷阱。
- 检查点 2，架构之后、起草之前：架构，6 层结构，路由表，脚本列表，参考列表，它不会做什么。
- 检查点 3，工作流草稿之后、门禁之前：草稿-工作流，按顺序的步骤，决策表，反合理化条目，示例输入/输出。
- 检查点 4，门禁之后、打包之前：门禁，审计等级，安全性，压力借口已关闭，基线增量，渲染 QA。
- 检查点 5，发布之前、触发词和捆绑之后：发布，触发结果，捆绑内容，门禁状态，存根/路由状态（如适用）。
- 高影响范围、商业性或互斥架构：在该检查点等待用户回复后再继续。低影响范围：允许呈现摘要并按推荐默认值继续，但摘要和假设的答案仍必须被记录。未记录的检查点视为未发生。
- 步骤 2.3（OMSC 歧义过滤器）：
- 检查目标、指标、范围或约束条件是否包含阻碍性未知项（
references/decision_matrices_and_escalation.md）。 - 如果是低影响范围 / 标准工作流：立即使用领域默认值继续。问 0 个问题。
- 如果是高影响范围 / 互斥 UX 分支：暂停并提出最多 1 到 3 个紧凑问题：
- 为最安全的默认选择附加
（推荐）。 - 提供 2–3 个带字母的选项，每个选项附带一行利弊说明。
- 为最安全的默认选择附加
- 检查目标、指标、范围或约束条件是否包含阻碍性未知项（
6. 阶段 3：混合 3 区域合成
编写完整的技能文件夹结构：<skill-name>/ 包含 SKILL.md、scripts/、references/ 和 assets/。
- 步骤 3.1（通过 6 层架构编写 SKILL.md）：
采用 agents/architect.md 角色，使用
assets/master_template.md合成核心规范：- 字节 0：立即以
---开头。前言中不要出现尖括号。 - 第 1 层（token 1–500）：领域心智模型与不可协商的不变量。
- 第 2 层（token 500–1,000）：任务路由决策表（消除 TOB/MDT 气味）。
- 第 3 层（token 1,000–1,500）：静默发现与 OMSC 歧义分类。
- 第 4 层（token 1,500–3,000）：带可复制
- [ ]检查清单的编号步骤。 - 第 5 层（token 3,000–4,200）：高密度领域陷阱与反合理化表。
- 第 6 层（token 4,200–4,800）：本技能不会做什么（消除 NG 气味）。
- 总正文限制：保持在 450 行以下（<5,000 个 token）。
- 字节 0：立即以
- 步骤 3.2（合成配套的确定性脚本与秘密模板）：
采用 agents/script_smith.md 角色：
- 对于验证：使用
assets/script_templates/validator_template.py编写scripts/validate.py。 - 对于批量/破坏性变更：编写
scripts/validate_plan.py。 - 如果
SKILL.md中声明了requires_secrets:：在技能根目录编写.env.example，包含仪表板 URL 和占位符值。 - 确保脚本向 stdout 输出紧凑的 JSON，并通过 exit 0 表示通过 / exit 1 表示失败。
- 对于验证：使用
- 步骤 3.3（将深度文档委派给平面参考）：
如果领域手册、模式或辅助指南超过 50 行，将它们放入
references/<topic>.md。- 不变量：参考文件必须是平面的（距离
SKILL.md恰好 1 跳深度）。
- 不变量：参考文件必须是平面的（距离
7. 阶段 4：零 token 结构性 26 种气味审计与评估
- 步骤 4.1（运行自动静态检查器）：
对生成的技能目录执行结构性检查器：
python3 scripts/audit_skill.py path/to/generated-skill - 步骤 4.2（运行确定性安全扫描）：
执行 AST 安全扫描器，以验证不存在远程代码执行、shell 注入或凭据泄露：
python3 scripts/security_scan.py path/to/generated-skill - 步骤 4.3（修补所有违规与气味）：
如果审计报告任何违规，采用 agents/smell_auditor.md 角色：
- 合理化漏洞（RL）：添加一个明确的、反驳模型借口的反合理化表。
- 选项自助餐（TOB）：将工具列表替换为每个场景的单个默认工具。
- 冗长正文（LSB）：将长代码片段移动到
references/或assets/。 - 重新运行
audit_skill.py，直到状态为 PASS 且等级为 A 或 A+。
- 步骤 4.4（运行经验基准评估）：
执行测试用例以建立可验证的任务通过率：
python3 scripts/run_evals.py path/to/generated-skill- 对于修订版，采用 agents/comparator.md 角色，对基线进行双盲比较。
- 步骤 4.5（压力场景，强制）：
生成组合压力场景，然后分别在没有技能和有技能的情况下运行每个场景，记录逐字借口（
references/pressure_scenarios.md）：python3 scripts/generate_pressure_scenarios.py path/to/generated-skill evals/pressure-scenarios.json- 生成的技能必须包含一个“想法 | 现实”表，其中至少包含 3 个最常见的基线借口。基线和带技能运行的结果相同意味着技能未改变任何东西：不要发布。
- 步骤 4.6（带技能 vs 基线评分，强制）：
在同一轮次中启动带技能和基线的运行，使用 agents/grader.md 评分，然后验证评分器合约和发布门禁（
references/baseline_grading.md）：python3 scripts/grade_baseline.py --with evals/grading-with.json --baseline evals/grading-baseline.json- 仅在带技能通过率 >= 80%、增量 > 0 且无回归时发布，除非在 feedback.json 中记录了带原因的人工豁免。
- 步骤 4.7（渲染 QA，输出强制）：
对技能产生的任何内容运行内容和文件门禁，对于视觉输出，由人工进行视觉检查（
references/render_qa.md）：python3 scripts/render_qa.py path/to/generated-skill- 此脚本从不声称视觉通过。视觉通过必须由人工执行并记录。
8. 阶段 5：触发词验证与打包
- 步骤 5.1（测试触发词的精确率与召回率）：
使用代表性正例和负例提示词测试 YAML 描述：
python3 scripts/test_skill_trigger.py path/to/generated-skill - 步骤 5.2（描述优化，训练/测试分割）：
将触发查询按 60% 训练 / 40% 测试分割，分别在每个分割上运行触发测试，并根据测试分数（而非训练分数）选择最佳描述。仅使用接近的负例；对于 PDF 技能来说，差劲的负例是“编写一个斐波那契函数”，好的负例是对于相邻任务的一个长而混乱的请求：
python3 scripts/eval_description_split.py path/to/generated-skill- 基于测试分数的优化。
- 步骤 5.3（打包最终技能）：
python3 scripts/package_skill.py path/to/generated-skill --output dist/- 验证结构完整性。
- 步骤 5.4（最终部署检查）：
确保技能包中包含
SKILL.md、scripts/、references/、assets/、evals/和一个.env.example。
9. 附录
A. 反合理化表
| 常见模型借口 | 本技能的反制措施 |
|---|---|
| “我没有执行脚本的工具” | 技能将运行 python3 或 node 作为依赖。 |
| “我需要更多信息来继续” | 技能将使用默认值继续，并且只在非常高影响范围内提问。 |
| “这超出了我的上下文窗口” | 强制 6 层布局将关键信息保持在 token 限制内。 |
B. 本技能不会做什么
- 不会生成与 agentskills.io 标准不兼容的技能。
- 不会在没有可选验证脚本的情况下创建技能。
- 不会复制示例技能的领域规则。
- 不会在没有显式 ME 描述请求的情况下对工作区进行通用代码库重构。
- 不会在没有结构化审计和压力测试的情况下交付技能。