القائمة
将 SLS project 或输入目录转换为结构化的 overview.md SOP 文档。当用户提供 SLS project 名称、要求生成日志分析 SOP、从 index/dashboard 生成文档、或提到 generate-sls-sop 时触发。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/aliyun/sop-chat --skill generate-sls-sopيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | generate-sls-sop |
| description | 将 SLS project 或输入目录转换为结构化的 overview.md SOP 文档。当用户提供 SLS project 名称、要求生成日志分析 SOP、从 index/dashboard 生成文档、或提到 generate-sls-sop 时触发。 |
| compatibility | Python 3, aliyun CLI >= v3.0.308, network access |
| license | MIT |
路径变量：
<project_dir>project 级目录（如.input/my-project/） ·<logstore_dir>=<project_dir>/<logstore_name>/
支持两种输入方式：
aliyun CLI 获取 index/dashboard 数据，然后生成 SOP输入目录结构（fetch 脚本输出 / 手动准备均可）：
<logstore_dir>/ ├── index.json # 必需：logstore 索引配置 ├── dashboards/ # 资源目录：关联的仪表盘 JSON │ └── *.json ├── alerts/ # 资源目录：关联的告警规则 JSON │ └── *.json ├── scheduled_sqls/ # 资源目录：关联的定时 SQL JSON │ └── *.json └── saved_searches/ # 资源目录：关联的快速查询 JSON └── *.json合法目录需包含
index.json（由fetch_sls_data.py生成）。
⚠️ 必须在 workspace 根目录执行，禁止cd到 skill 目录。违反此约定将导致相对路径解析失败。
aliyun CLI >= v3.0.308 已安装并完成鉴权配置（aliyun sls 子命令在 v3.0.308 引入）
aliyun version，确认版本号 >= 3.0.308aliyun configure list，确认存在已配置 AccessKey 的 profile；若无任何 profile，提示用户先运行 aliyun configure 配置 AccessKey ID/Secret 和 Region检查清单（执行时勾选）：
--resume-check -> 按 action 路由）Phase A（project 级准备，全局一次性执行）：
Steps 1-3 针对整个 project 执行一次，一次性处理所有 logstore。
prepare_project.py 批量预处理Phase B（per-logstore 生成）：
对每个 logstore（<logstore_dir>）执行：
update_status.py <project_dir> --mark-in-progress <logstore>update_status.py <project_dir> --mark-completed <logstore>Phase C（全局索引更新）：
Phase D（审计，可选）：
<project_dir>/project_summary.json：Step 2 输出 → Step 3 输入。
<project_dir>/selected_logstores.json：Step 3 脚本输出 → Phase B / Step 12 输入。
<logstore_dir>/ 下的工作文件：
<logstore_dir>/
├── skill_options.json # Step 1 写入，多步骤读取
├── parsed/ # 中间数据
│ ├── fields.json # Step 2：原始字段（保留）
│ ├── queries.json # Step 2：已去重（不可变，id: q0, q1...）
│ ├── prepare_summary.json # Step 2：统计
│ ├── reference_queries.json # Step 4（条件，id: r0, r1...）
│ ├── field_annotations.json # Step 5 LLM
│ ├── query_selection.json # Step 6 LLM
│ ├── query_pipeline.json # Step 6 脚本 → Step 7 归一化(+pre_cleaned_query) → Step 8c 更新
│ ├── query_validation.json # Step 8a 脚本 → Step 8b 写回 pass/error
│ ├── query_validation_LLM.json # Step 8a 脚本（条件） → LLM 处理 → Step 8b 写回
│ ├── query_annotations.json # Step 9 LLM
│ └── query_report.md # Step 10 脚本
└── fragments/ # 组装片段
├── datasource.md # Step 2（不可变）
├── fields_table.md # Step 5 脚本渲染（render_fields.py）
├── queries_selected.md # Step 10（selected 或 extra 非空时）
├── queries_extra.md # Step 10（条件）
└── common_values.md # Step 10 脚本（合并 reference 查询值，空时不生成）
queries.json 中每个 query 包含 source_type 字段（"dashboard"、"alert"、"scheduled_sql"、"saved_search"）和 logstore 字段，用于精选、分类和 Step 3 推断时参考。
LLM：从用户输入推断 <project_dir>（SLS project 名称 → .input/<project>/；本地路径 → 直接使用或取父目录；关键词 → 搜索 workspace）。若无法确定或目录不存在，直接跳到 Step 1。
脚本：运行恢复检测：
python3 scripts/update_status.py <project_dir> --resume-check
输出示例：
{
"action": "resume_phase_b",
"summary": {
"total": 100,
"pending": 68,
"in_progress": 2,
"completed": 27,
"failed": 3
},
"pending_logstores": ["logstore_c", "logstore_d", "..."],
"in_progress_logstores": ["logstore_a", "logstore_b"],
"failed_logstores": [
{"name": "logstore_x", "failed_step": 6}
根据 action 字段跳转到对应阶段，action 含义：
"first_run" -- 无 selected_logstores.json -> 正常执行 Step 1"resume_phase_b" -- 有 pending/in_progress -> 跳到 Phase B"all_completed" -- 全部 completed -> 跳到 Phase C（Step 12）LLM：向用户报告 summary 中的进度，按 action 路由到对应步骤。
用户输入四种形式，按优先级匹配：
index.json 和至少一个资源子目录）→ 推断 project_dir = 父目录，logstore = 目录名 → Step 2 时使用 --logstores=<logstore_name>index.json）→ 找到后跳到 Step 2以下仅 SLS Project 输入时执行。
确认 aliyun CLI 可用：
aliyun version，确认版本 >= 3.0.308；若版本过低或未安装，提示用户升级/安装aliyun configure list，确认存在已配置 AccessKey 的 profile；若无任何 profile，提示用户先运行 aliyun configure 配置 AccessKey ID/Secret 和 Region确定参数：
--logstores，fetch 自动处理所有有关联资源的 logstore（internal logstore 已自动过滤）--logstores=<ls1,ls2,...>，仅 fetch 用户指定的 logstore执行 fetch（须在非沙箱环境运行）：
python3 scripts/fetch_sls_data.py <project> .input/<project>/ \
[--logstores=<ls1,ls2,...>] \
> /tmp/sls_fetch_summary_<project>.json \
2>/tmp/sls_fetch_err_<project>.log
参数和输出格式详见 fetch_sls_data.py 顶部 docstring。
结果检查：读取 /tmp/sls_fetch_summary_<project>.json，检查 errors 是否为空。非空则检查具体错误（常见：API 鉴权失败、dashboard 不存在）。
数据摘要：展示 stdout 中的 data_summary.md 内容，向用户报告数据过滤流。
fetch 后处理：根据 summary 中 logstores_processed 展示各 logstore 关联资源数量。检查 warnings 中有无 "No index config" 提示——这些 logstore 会在 Step 2 被自动跳过（无 index.json）。
用户选项持久化（解析用户指令，调用脚本批量写入 skill_options.json）：
解析用户指令中的可选参数：
output_format：用户提及"生成 SKILL"、"SKILL 格式"、"技能文档"等 → 加 --output-format SKILL；否则默认 --output-format SOPvalidate_queries：用户提及"验证 query"、"检查 query"等 → 加 --validate-queriesreference_source：
--reference-dir <path>（脚本按文件名自动匹配）--reference <logstore>=<file>python3 scripts/save_options.py <project_dir> \
[--output-format SOP|SKILL] \
[--validate-queries] \
[--reference-dir <path>] \
[--reference <logstore>=<file> ...]
脚本为每个 logstore 写入
skill_options.json，确保后续步骤能独立读取用户选项。注意：
save_options.py不需要--logstores参数——它通过检查index.json自动识别有效 logstore（即 Step 1 fetch 阶段已处理的 logstore）。
一次调用处理整个 project 下所有有效 logstore：
python3 scripts/prepare_project.py <project_dir> \
> /tmp/sls_prepare_summary_<project>.json 2>/tmp/sls_prepare_err_<project>.log
自动处理
<project_dir>下所有有效 logstore（纯本地解析，执行很快）。 参数和输出格式详见 prepare_project.py 顶部 docstring。
结果检查：读取 <project_dir>/project_summary.json，检查 errors 是否为空。
全局检查点（Phase A 收尾），处理完成前不进入 Phase B。
对所有 logstore 执行名称简化、去重，并确认输出路径。Read naming_rules.md，严格按规则执行。
输入：<project_dir>/project_summary.json（Step 2 输出）
输出：<project_dir>/selected_logstores.json + 各确认 logstore 的 skill_options.json 追加 output_path
Phase B 开始
运行
python3 scripts/update_status.py <project_dir> --resume-check获取当前状态：
pending_logstores: 未开始 → 启动新任务in_progress_logstores: 处理中（可能是其他 agent 正在执行，或上次中断）→ 勿重复启动failed_logstores: 失败 → 需人工介入执行方式（按平台能力选择）：
- 并行（平台支持多任务/子代理）：为每个 logstore 启动独立任务，各自执行 Steps 4-11
- 限流防护：同时运行的 agent 数量不超过 8 个
- 串行（单 logstore 或平台不支持并行）：逐个 logstore 执行 Steps 4-11
禁止跨 logstore 交替执行（如先做所有 Step 5 再做所有 Step 6），以免上下文污染。
进度监控：定期运行
--resume-check刷新状态。结束条件：当
pending_logstores和in_progress_logstores均为空时，Phase B 完成，进入 Phase C。
以下 Steps 4-11 在当前 logstore（
<logstore_dir>）上下文中执行。Step 级检查点：每个 step 完成后标记进度，支持中断后从上次完成位置恢复。
检测恢复点：python3 scripts/update_status.py <project_dir> --step-resume-check <logstore>
输出示例：{"resume_from": 8}
按 resume_from 跳转到对应步骤；若为 4 则从头开始；若为 12 则已完成。
标记进行中：python3 scripts/update_status.py <project_dir> --mark-in-progress <logstore>
条件步骤：仅当
skill_options.json中含reference_source字段时执行，否则跳过。
Read reference_extract.md，严格按规则执行。
输入：skill_options.json 中 reference_source 指定的参考文档
输出：parsed/reference_queries.json（与 queries.json 相同 schema，id 前缀 r）
为每个字段生成简短中文描述。Read field_desc.md，严格按规则执行。
输入：parsed/fields.json（Step 2 生成的字段列表）
输出：fragments/fields_table.md
LLM 负责语义选择，脚本负责数据组装。
Read query_select.md，严格按规则执行。
输入：parsed/queries.json（Step 2） + parsed/reference_queries.json（Step 4，如存在）
输出：parsed/query_pipeline.json（完整 pipeline，后续步骤的数据源）
运行归一化脚本，将所有模板语法统一为 <var;default> / <var> 格式，并生成 pre_cleaned_query（剥离 ;default）：
python3 scripts/normalize_templates.py <logstore_dir>
纯脚本执行，无需 LLM。
输入：parsed/query_pipeline.json（Step 6 输出）
输出：parsed/query_pipeline.json（更新：每条 query 增加 normalized_query 和 pre_cleaned_query）
pre_cleaned_query=normalized_query中的<var;default>自动剥离为<var>，供 Step 9 LLM 审视。
记录步骤成功：python3 scripts/update_status.py <project_dir> --mark-step <logstore> --step 7
仅当
skill_options.json中validate_queries为 true 时执行，否则跳过。
对 pipeline 中的查询进行语法验证，移除失败项并递补。Read query_verify.md，严格按规则执行。
输入：parsed/query_pipeline.json（Step 7 输出，含 normalized_query）
输出：parsed/query_pipeline.json（更新：移除失败项、递补、添加 validation 统计）
必须由 LLM 直接处理，不得编写脚本代替。
Read query_format.md，严格按规则执行。
输入：parsed/query_pipeline.json（Step 7/8 输出）
输出：parsed/query_annotations.json（独立注解文件，仅含 id/title/category/cleaned_query）
运行渲染脚本：
python3 scripts/render_queries.py <logstore_dir>
脚本读取 parsed/query_pipeline.json + parsed/query_annotations.json，合并后生成：
fragments/queries_selected.md（selected 或 extra 非空时）fragments/queries_extra.md（extra 非空时）parsed/query_report.md（必须）脚本还读取
parsed/prepare_summary.json、parsed/reference_queries.json（如存在）和parsed/query_validation.json+parsed/query_validation_LLM.json（如存在）用于报告。 此步骤为纯脚本执行，无需 LLM。
记录步骤成功：python3 scripts/update_status.py <project_dir> --mark-step <logstore> --step 10
参考 <logstore_dir>/fragments/queries_selected.md（查询分类）和 fragments/fields_table.md（字段构成），生成：
xxx_audit_log → "审计日志（xxx_audit_log）"；无法翻译时用原名）运行组装脚本：
python3 scripts/assemble_overview.py <logstore_dir> \
--name "..." --description "..."
组装结果写入
skill_options.json中output_path指定的路径。
记录步骤成功：python3 scripts/update_status.py <project_dir> --mark-step <logstore> --step 11
记录处理完成：python3 scripts/update_status.py <project_dir> --mark-completed <logstore>
Phase B 结束：返回处理下一个 pending logstore，或进入 Phase C。
全局一次性执行（Phase C）。
从最深层目录向上逐级更新或新建索引文件。Read index_rules.md，严格按规则执行。
输入：<project_dir>/selected_logstores.json（含所有已确认 logstore 的 output_path 和 output_root）
输出：各级目录的索引文件（已有则更新，不存在则按模板新建）
Phase C 完成：提示用户 SOP 生成已完成，询问是否需要进行质量审计（Phase D，可选，建议新会话执行）。
Phase D 开始（可选，建议新会话）：仅在用户显式请求审计或 Phase C 完成后用户确认需要质量审查时执行。审计强烈建议在独立会话中执行，以获得客观视角，避免生成阶段的上下文偏见。
可选步骤，用于审计 LLM 生成内容的语义质量。
Read audit_rules.md，严格按规则执行。
输入：<project_dir>/selected_logstores.json（已完成的 logstore 列表）
输出：<project_dir>/_audit/（审计计划、per-logstore 结果、汇总报告）