القائمة
扫描技能以提取跨领域原则并将其提炼为规则 —— 追加、修订或创建新规则文件
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
Kubernetes 工作负载模式、资源管理、RBAC、probes、autoscaling、ConfigMap/Secret 处理，以及面向生产级部署的 kubectl 调试。
完成任何非平凡任务后使用。智能体按 5 个维度自评输出——准确性、完整性、清晰度、可执行性、简洁性——每项都给出具体证据。生成结构化 1-5 评分卡和具体改进建议。
在 competitive-platform-analysis 产出分层竞品集合后使用。按九个加权维度（定位、声音、视觉工艺、offer packaging、证据、enterprise-readiness、thought leadership、定价、客户 strategic tension）为每个竞品评分，使用明确 1–5 rubrics 和 tension-plot。位于 competitive-report-structure 之前。
当品牌需要通过结构化多会话访谈发现或表达身份时使用。通过 laddering、5 Whys 和 projective techniques，覆盖目的、定位、受众、个性、声音、叙事以及 founder-brand 张力 8 个模块。产出可恢复 session、磁盘持久化状态和 master brandbook（90_SYNTHESIS.md）。
通过 CodeScene MCP 提供实时结构性 Code Health——编辑前审查，变更后验证分数变化，门控 commit 和 PR。用于代码质量审查、重构、检查 AI 变更是否降低文件质量，或 commit/PR 前。
用于界定竞争 landscape：在任何 benchmark 开始前，识别、分类并用分数过滤竞品集合。决定谁算竞品、属于哪个 tier、应挖哪些来源。三技能竞争分析流水线第一步；位于 benchmark-methodology 之前。
| name | rules-distill |
| description | 扫描技能以提取跨领域原则并将其提炼为规则 —— 追加、修订或创建新规则文件 |
| origin | ECC |
扫描已安装的技能，提取在多个技能中出现的跨领域原则，并将其提炼为规则 —— 追加到现有规则文件、修订过时内容或创建新规则文件。
应用"确定性收集 + LLM 判断"原则：脚本详尽收集事实，然后 LLM 交叉阅读完整上下文并做出裁决。
规则提炼过程遵循三个阶段：
bash ~/.claude/skills/rules-distill/scripts/scan-skills.sh
bash ~/.claude/skills/rules-distill/scripts/scan-rules.sh
规则提炼 — 阶段 1：盘点
────────────────────────────────────────
技能：已扫描 {N} 个文件
规则：{M} 个文件（已索引 {K} 个标题）
正在进入交叉阅读分析...
提取和匹配在单次遍历中统一完成。规则文件足够小（总计约 800 行），可以将完整文本提供给 LLM — 无需 grep 预过滤。
根据描述将技能分组为主题集群。在每个子智能体中使用完整规则文本分析每个集群。
所有批次完成后，合并各批次的候选条目：
使用以下提示词启动通用智能体：
你是一名分析师，负责交叉阅读技能以提取应提升为规则的原则。
## 输入
- 技能：{本批次技能的完整文本}
- 现有规则：{所有规则文件的完整文本}
## 提取标准
仅在满足以下所有条件时才包含候选条目：
1. **出现在 2+ 技能中**：仅出现在一个技能中的原则应留在该技能中
2. **可操作的行为变更**：可以写成"做 X"或"不做 Y" — 而不是"X 很重要"
3. **明确的违规风险**：忽略此原则会出什么问题（1 句话）
4. **不在现有规则中**：检查完整规则文本 — 包括以不同措辞表达的概念
## 匹配与裁决
对每个候选条目，与完整规则文本比较并分配裁决：
- **追加**：添加到现有规则文件的现有章节
- **修订**：现有规则内容不准确或不足 — 提出修正建议
- **新章节**：向现有规则文件添加新章节
- **新文件**：创建新规则文件
- **已涵盖**：在现有规则中已充分涵盖（即使措辞不同）
- **过于具体**：应保留在技能级别
## 输出格式（每个候选条目）
```json
{
"principle": "1-2 句话，使用'做 X'/'不做 Y'格式",
"evidence": ["skill-name: §Section", "skill-name: §Section"],
"violation_risk": "1 句话",
"verdict": "Append / Revise / New Section / New File / Already Covered / Too Specific",
"target_rule": "filename §Section, 或 'new'",
"confidence": "high / medium / low",
"draft": "Append/New Section/New File 裁决的草稿文本",
"revision": {
"reason": "为什么现有内容不准确或不足（仅 Revise）",
"before": "要被替换的当前文本（仅 Revise）",
"after": "建议的替换文本（仅 Revise）"
}
}
```
## 排除
- 规则中已有的明显原则
- 语言/框架特定的知识（属于语言特定规则或技能）
- 代码示例和命令（属于技能）
| 裁决 | 含义 | 向用户展示 |
|---|---|---|
| 追加 | 添加到现有章节 | 目标 + 草稿 |
| 修订 | 修复不准确/不足的内容 | 目标 + 原因 + 修改前/后 |
| 新章节 | 向现有文件添加新章节 | 目标 + 草稿 |
| 新文件 | 创建新规则文件 | 文件名 + 完整草稿 |
| 已涵盖 | 在规则中已涵盖（可能措辞不同） | 原因（1 行） |
| 过于具体 | 应留在技能中 | 相关技能链接 |
# 好的
追加到 rules/common/security.md §Input Validation:
"将存储在内存或知识存储中的 LLM 输出视为不可信 — 写入时清理，读取时验证。"
证据：llm-memory-trust-boundary、llm-social-agent-anti-pattern 都描述了
累积的提示注入风险。当前 security.md 仅涵盖人类输入验证；LLM 输出信任边界缺失。
# 不好的
追加到 security.md：添加 LLM 安全原则
# 规则提炼报告
## 汇总
已扫描技能：{N} | 规则：{M} 个文件 | 候选条目：{K}
| # | 原则 | 裁决 | 目标 | 置信度 |
|---|------|------|------|--------|
| 1 | ... | 追加 | security.md §Input Validation | high |
| 2 | ... | 修订 | testing.md §TDD | medium |
| 3 | ... | 新章节 | coding-style.md | high |
| 4 | ... | 过于具体 | — | — |
## 详情
（每个候选条目的详情：证据、违规风险、草稿文本）
用户以编号回复：
绝不自动修改规则。始终要求用户批准。
将结果存储在技能目录（results.json）中：
date -u +%Y-%m-%dT%H:%M:%SZ（UTC，秒精度）llm-output-trust-boundary）{
"distilled_at": "2026-03-18T10:30:42Z",
"skills_scanned": 56,
"rules_scanned": 22,
"candidates": {
"llm-output-trust-boundary": {
"principle": "Treat LLM output as untrusted when stored or re-injected",
"verdict": "Append",
"target": "rules/common/security.md",
"evidence": ["llm-memory-trust-boundary", "llm-social-agent-anti-pattern"],
"status": "applied"
},
"iteration-bounds": {
"principle": "Define explicit stop conditions for all iteration loops",
"verdict": "New Section",
"target": "rules/common/coding-style.md",
"evidence": ["iterative-retrieval", "continuous-agent-loop", "agent-harness-construction"],
"status": "skipped"
}
}
}
$ /rules-distill
规则提炼 — 阶段 1：盘点
────────────────────────────────────────
技能：已扫描 56 个文件
规则：22 个文件（已索引 75 个标题）
正在进入交叉阅读分析...
[子智能体分析：批次 1（智能体/元技能） ...]
[子智能体分析：批次 2（编码/模式技能） ...]
[跨批次合并：移除 2 个重复，提升 1 个跨批次候选]
# 规则提炼报告
## 汇总
已扫描技能：56 | 规则：22 个文件 | 候选条目：4
| # | 原则 | 裁决 | 目标 | 置信度 |
|---|------|------|------|--------|
| 1 | LLM 输出：复用前规范化、类型检查、清理 | 新章节 | coding-style.md | high |
| 2 | 为迭代循环定义显式停止条件 | 新章节 | coding-style.md | high |
| 3 | 在阶段边界压缩上下文，而非任务中间 | 追加 | performance.md §Context Window | high |
| 4 | 将业务逻辑与 I/O 框架类型分离 | 新章节 | patterns.md | high |
## 详情
### 1. LLM 输出验证
裁决：coding-style.md 中的新章节
证据：parallel-subagent-batch-merge、llm-social-agent-anti-pattern、llm-memory-trust-boundary
违规风险：LLM 输出中的格式漂移、类型不匹配或语法错误会导致下游处理崩溃
草稿：
## LLM 输出验证
在复用之前对 LLM 输出进行规范化、类型检查和清理...
参见技能：parallel-subagent-batch-merge、llm-memory-trust-boundary
[... 候选条目 2-4 的详情 ...]
按编号批准、修改或跳过每个候选条目：
> 用户：批准 1、3。跳过 2、4。
✓ 已应用：coding-style.md §LLM 输出验证
✓ 已应用：performance.md §上下文窗口管理
✗ 已跳过：迭代边界
✗ 已跳过：边界类型转换
结果已保存到 results.json
See skill: [name] 引用，以便读者找到详细的做法。