master-skill

# 大师 · 行业蒸馏术 > 「同事.skill 蒸馏一个人，女娲.skill 蒸馏一种思维方式，大师.skill 蒸馏一整个行业的 OS。」 ## 核心理念 一个好的行业 master skill **不是行业百科**，是**可运行的行业认知操作系统**： - 这行的人用什么**心智模型**看问题？（镜片） - 这行的标准**playbook** 是什么？（决策启发式） - 这行的人怎么**沟通**？（行业表达 DNA） - 什么算**好工作**？（质量基准） - 外行才会犯什么错？（反模式） - 这行的工具栈和工作流今年怎么变的？（时效层） **关键区分**：捕捉的是 HOW the field thinks，不是 WHAT happens to be in the news this week。 --- ## 范围约束（重要） - **粒度**：一个 master skill 覆盖**一个细分领域**（例：「LLM agent 基础设施」「跨境电商运营」「足踝外科」），不要试图覆盖整个泛行业（「软件」「医疗」会让 OS 稀薄到没用） - **目标用户**：行业内 / 想入行 / 服务这行的人。不是给完全外行做扫盲 - **不替代实操工具**：master skill 是「思维顾问」，不是 RPA。不要在里面塞「自动操作 X 后台」之类 - **版权安全**：不存全本书 / 完整字幕 / 长段原文。只保留结构化摘要 + 来源元数据 + 极短引用 --- ## 路径占位符 (iter 24 重要) prompts 里两个不同的目录占位符: | 占位符 | 含义 | 例子 | |--------|------|------| | `{master_skill_dir}` | master-skill 仓库 (本仓库) 的 `skill/` 目录, 工具脚本住在这里 | `~/master-skill/skill/` 或 `/Users/foo/master-skill/skill/` | | `{skill_dir}` | 当前正在生成 / 更新 的**行业** skill 目录, 调研笔记 / SKILL.md / sub-skills 都写到这里 | `~/.claude/skills/llm-agent-infra-master/` | 工具脚本 (source_verifier.py / cold_detector.py / quality_check.py / collectors / ingest / transcribe) **不复制**到生成的行业 skill 目录, agent 直接调 `{master_skill_dir}/tools/...`. 行业 skill 只装载 prompts + research notes + SKILL.md + sub-skills + cli/. 如果运行环境的 master-skill 路径变了, agent 替换占位符即可; 不需要改任何工具源代码. --- ## 执行流程 ### Phase 0: 入口分流 收到用户输入后判断路径： | 用户输入 | 路径 | 示例 | |---------|------|------| | 明确的细分行业 | **直接路径** → Phase 0A | 「我做跨境电商，给我做一个 master skill」 | | 模糊的需求 | **诊断路径** → Phase 0B | 「我想转 AI 行业，但不知道哪个细分」 | | 已存在的 skill | **更新路径** → Phase 0C | 「update 大师 LLM-agent-infra」 | --- ### Phase 0A: 行业澄清（直接路径） 确认 6 个维度（用户没主动提的字段就问，主动给的就不要重问）： 1. **行业 / 细分领域**（必填）— 例：`LLM agent infra`，不是 `AI`；`跨境电商运营`，不是 `电商` 2. **聚焦方向**（可选）— 全景画像 vs 某个角度优先（例：技术视角 vs 商业视角） 3. **地域 / 语言区**（可选）— global / 中文圈 / 美国 / 欧洲。影响信源选择 4. **用户身份**（可选）— 从业者 / 学习者 / 投资人 / 咨询。影响 master skill 的语气与决策视角 5. **本地素材**（强烈推荐询问）— 「你手上有这行的一手素材吗？行业报告 PDF / 内部文档 / 你写过的文章 / 长访谈 transcript / 视频字幕？有的话直接丢给我，比网上搜到的二手转述质量高得多」 6. **新建 or 更新**（可选）— 检查 `~/.claude/skills/{slug}-master/` 是否已存在 用户没主动给 → 默认全景 + global + 从业者视角 + 无本地素材，确认后推进。 用户提供了本地素材 → 标记为**本地语料模式**，Phase 1 采集策略相应调整。 确认后 → Phase 0.5。 --- ### Phase 0B: 需求诊断（模糊路径） 用户不确定要蒸哪个细分时，反推合适的范围。 #### Step 1: 锚定核心目标 最多 1-2 轮追问，定位用户真正的需求维度： | 维度 | 典型表达 | 反推方向 | |------|---------|---------| | 谋生 / 转行 | 「想入行 X」「做这个能赚钱吗」 | 商业生态视角的 master skill | | 提效 | 「这行的工作流我搞不清」「文档堆成山」 | 工作流视角的 master skill | | 决策 | 「不知道该选 A 还是 B」 | 工具选型 + 标准 playbook | | 学习 | 「想系统学这行」 | 知识正典视角 | | 创业 | 「想做 X 方向的产品」 | 行业 OS + 信息源（找未被满足的需求） | #### Step 2: 反推候选 基于用户表达，提议 2-3 个具体的细分领域。每个候选要回答： - 这个细分**目前真有可调研的公开材料吗**？（冷门领域的 master skill 质量必差） - 它跟用户的需求多对齐？ - 它跟其他候选的差异在哪？ 用户选定后 → Phase 0A 补全 6 个维度 → Phase 0.5。 --- ### Phase 0C: 更新路径 读取已存在的 `{slug}-master/SKILL.md`，从 frontmatter 找到 `last_research_date`。基于距今多久决定刷新强度： | 距今 | 刷新策略 | |------|---------| | < 1 月 | 拒绝刷新，告知用户最近刚更新过 | | 1-3 月 | 仅 Track B（工具）+ Track C（工作流）+ Track E 中的「最新动态」节 | | 3-6 月 | 加上 Track A（看 top figures 是否有大动作）+ Track F（标准是否有新版） | | > 6 月 | 全部 6 轨重跑，但保留旧版 archive | 不要每次都重写整个 skill — 行业的**核心 OS** 通常 1-2 年才动一次，**工具 / 工作流**才是高频变量。 --- ### Phase 0.5: 创建 Skill 目录 在调研开始之前完成： ``` {HOST_SKILLS_ROOT}/{slug}-master/ ├── SKILL.md # 最终产物 ├── meta.json # 元数据 (industry, locale, profile, last_research_date, source_count) ├── scripts/ # 工具脚本（继承自 master-skill 仓库 + 行业特化） └── references/ ├── research/ # 6 轨调研结果（必存） │ ├── 01-figures.md # 行业大佬 │ ├── 02-tools.md # 工具地图 │ ├── 03-workflows.md # 工作流 / SOP │ ├── 04-canon.md # 知识正典（书 / 论文 / 课） │ ├── 05-sources.md # 信息源（newsletter / podcast / 会议 / 社区） │ └── 06-glossary.md # 术语 + 标准 + 法规 ├── synthesis.md # Phase 2 提炼结果（行业 OS） └── sources/ # 一手素材（用户提供 + 网络下载的字幕等） ├── books/ ├── transcripts/ └── articles/ ``` **HOST_SKILLS_ROOT 解析**： - Claude Code: `~/.claude/skills` - OpenClaw: `~/.openclaw/skills` - Codex: `~/.codex/skills` - Hermes: `~/.hermes/skills` - 其他 / 不确定：在当前 cwd 下创建 `./{slug}-master/`，最后让用户决定装到哪 **目录创建后立即检查**： - [ ] 目录已创建 - [ ] 如果 locale 是中文圈：信源策略切换为 B 站原始视频 / 小宇宙播客 / 36氪 / 极客公园 / 晚点 / 财新优先（**永远排除知乎、微信公众号、百度百科**） - [ ] 如果 locale 是英文圈：默认 Twitter/X / YouTube / Substack / arXiv / 行业 podcast 优先 - [ ] 如果是更新模式：已读取现有 `SKILL.md` 和 `references/research/*.md`，标注哪些信息要刷 - [ ] 如果用户提供了本地素材：复制到 `sources/` 对应子目录，标记为**本地语料模式** **关键规则（开源分发的核心）**： - 所有调研文件必须存在 skill 目录内部 `references/research/`，**绝不存到外部目录** - skill 必须自包含：clone 整个目录就能用 - 每个 subagent 必须把调研写入对应文件。不存文件的调研等于没做 --- ### Phase 1: 多源信息采集（六轨 Agent Swarm，wave 结构） #### 模式判断 | 模式 | 触发 | 策略 | |------|------|------| | **纯网络搜索**（默认） | 用户没给本地素材 | 6 个 Agent 全部走网络 | | **本地语料优先** | 用户提供了 PDF / 行业报告 / transcript | 先按 6 轨分类本地素材，识别缺口，定向网络补充 | | **纯本地语料** | 用户明确说「只用我给的」 | 只分析本地，不联网 | #### Wave 结构（重要 — 不是纯并行） iter 4 figures 跑通后发现：6 轨之间互相是 bootstrap 输入。Track 01 (figures) 的「最大几家公司创始人」依赖 Track 02 (tools) 找到的「关键工具」；Track 02 的「业内人吐槽过哪些工具」反过来依赖 Track 01 找到的人。强行纯并行 → 各轨都凭空猜起点。 执行结构： **Wave 1（并行）— 「广撒网」轨**： - Track 04 (canon) — 必读书 / 论文 / 课，搜索路径最独立（看 Goodreads / arXiv / 大学课程页就行） - Track 05 (sources) — newsletter / podcast / 会议，搜索路径独立（搜「{industry} podcast」「{industry} newsletter」） - Track 06 (glossary) — 术语 + 标准，从行业入门书 / 维基 / 标准化机构 page 抓 **Wave 1 加速器：先跑 collectors 拉机械 seed (iter 24)** Wave 1 启动前 2 分钟跑这 4 个 collector, 拉到结构化 seeds.jsonl, 让 web search 不再凭空猜: ```bash mkdir -p {skill_dir}/references/research/seeds # 用户主 industry slug 对应的 GitHub topic / arXiv 类目 / 行业核心 RSS python3 {master_skill_dir}/tools/collectors/github_topics.py --topic {topic} \ --limit 30 --output {skill_dir}/references/research/seeds/github_repos.jsonl python3 {master_skill_dir}/tools/collectors/arxiv_collect.py --query "cat:cs.AI AND all:agent" \ --max 30 --output {skill_dir}/references/research/seeds/arxiv_papers.jsonl python3 {master_skill_dir}/tools/collectors/rss_collect.py --feed-list {skill_dir}/intake.feeds.txt \ --max 20 --output {skill_dir}/references/research/seeds/rss_items.jsonl python3 {master_skill_dir}/tools/collectors/podcast_rss.py --apple-id {N} \ --max 30 --output {skill_dir}/references/research/seeds/podcast_episodes.jsonl ``` Wave 1 subagent 必须**先 cat 这些 jsonl** 再启动 web search. 例如 Track 05 (sources) 看 podcast_episodes.jsonl 里反复出现的 host / show 直接进 retain 候选; Track 04 (canon) 看 arxiv_papers.jsonl 的 author 网络. 这把「凭直觉撒网」换成「从机械 seed 撒网」, 漏掉的高密度一手少很多. **Seeds JSONL 通用 schema** (collectors 都遵守): - `type`: `github_repo` / `arxiv_paper` / `rss_item` / `podcast_episode` (必填, agent 根据它路由) - `name` / `title`: 实体名 - `url`: 一手 URL (跑 source_verifier classify 取 bucket) - `author` / `host` / `show_host`: 主创 - `published` / `pushed_at` / `last_activity`: ISO 时间戳 (用于 freshness) - 类型特有字段: stars/forks (github), authors/abstract (arxiv), guests/duration_sec (podcast), summary (rss) - 任何 collector 输出都可作 seed; agent 在合并时用 `url` 去重 **Wave 2（并行，用 Wave 1 的产出做 seed）— 「人 + 工具」轨**： - Track 01 (figures) — 用 Wave 1 的 canon 作者 + sources 嘉宾名单作为初始候选 - Track 02 (tools) — 用 Wave 1 的 sources 中频繁讨论的工具 + canon 中点名的工具作为初始候选 **Wave 3（用前两 wave 的产出做 seed）— 「整合」轨**： - Track 03 (workflows) — 综合 figures 怎么干活 + tools 怎么用 + canon 中描述的流程，提炼当前 SOP 每个 wave 内可并行启动 subagent。Wave 之间串行，但每 wave 跑完不阻塞用户 —— 模型并行 swarm 的内部时间预算 ≤ 3 min / wave，整体 Phase 1 应在 10-15 min 内拿到完整 6 个 research note 文件。 **Wave seed fallback 统一规则**（findings iter 7+8 unified）： | 上 wave 总产出 seed 数 | 下 wave 启动策略 | |---------------------|----------------| | ≥ 8 seeds | 正常启动，按 seed 撒大网 | | 5-7 seeds | 警告但启动，subagent 模板被指示「seed 偏少，加权 web search 兜底」 | | 1-4 seeds | 启动前先回头检查上 wave subagent 是否还在跑 / 是否失败；如确定失败 → 启动当前 wave 但**降级**为「半 seeded 半 web search」 | | 0 seeds | **STOP**，向用户报告：「上 wave 信号 0，可能行业极冷僻 / 闭源主导 / 输入有误。要继续吗？」用户决定 (a) 等待重试 (b) 切纯 web search 模式 (c) 收回 industry 重新选 | 如果某 wave 内某 track 失败（5 min 没产出有效 source），不阻塞下一 wave，但 seed 总数减少。子 wave 自动按上表表行降级。 启动 wave 1 的 3 个 subagent；Wave 1 完成后启动 wave 2 的 2 个；Wave 2 完成后启动 Wave 3 的 1 个。每个 subagent 任务模板（以 Track A 为例）： ``` 你的任务：调研「{industry}」行业的 {track_topic}。 {track-specific 搜索方向} 强制约束： - 调研结果必须写入 {skill_dir}/references/research/{NN-track}.md - 每条信息标注来源 URL 和可信度（一手 > 二手 > 推测） - 区分一手（行业人自己说的）vs 二手（别人转述的）vs 推断（你的判断） - 发现矛盾保留，不和稀泥 - 不要存全本书 / 长字幕 / 大段原文 — 只存结构化摘要 + 来源 - 信源黑名单：{locale-specific blacklist} - 信源优先级：用户本地一手素材 > 行业人本人输出 > 长访谈 > 行业经典著作 > 权威媒体长稿 > 社交媒体短稿 > 二手转述 ``` #### 6 个 Agent 的任务分配 | Agent | Track | 搜索目标 | 提取重点 | 输出 | |-------|-------|---------|---------|------| | 1 | **Figures** | top 10-15 thought leaders | 各自的「核心一句话」、代表作品、值得读 / 听 / 看的 3 件事、争议、最近 12 个月动态 | `01-figures.md` | | 2 | **Tools** | canonical 工具 + 新兴工具 | 用什么场景、相对优劣、近 12 个月有没有出现颠覆性新工具、选型决策树 | `02-tools.md` | | 3 | **Workflows** | SOP / 方法论 / pipeline | 入门人怎么走完一个完整任务、资深人怎么走、近期工作流变化（AI / 工具升级带来的） | `03-workflows.md` | | 4 | **Canon** | 必读书 / 论文 / 课 / 核心概念 | 「这行的人都读过」的清单（≥3 个独立来源都点过）、核心 20-30 个概念 | `04-canon.md` | | 5 | **Sources** | 信息源 | newsletter（前 5）、podcast（前 5）、会议（前 3-5）、社区（前 3-5）、dataset（如适用）、定期更新频率 | `05-sources.md` | | 6 | **Glossary** | 术语 + 标准 | 高频黑话 / 缩写、合规框架、认证、最近一次行业标准更新 | `06-glossary.md` | #### 音视频转文本（必备能力） 行业素材大量是访谈、conference talk、podcast。优先级： 1. **YouTube / B 站官方字幕**：`yt-dlp --write-subs --skip-download`，优先人工字幕 → 中文 → 英文 → 自动字幕 2. **podcast transcript 网站**：podcastnotes.org、transcriber.io 等，搜「{podcast name} transcript」 3. **本地 whisper fallback**：仅当用户明确提供音频文件且没有公开 transcript 时使用 4. **转写后存** `sources/transcripts/{slug}.txt` 注意：调研笔记中**不要 paste 完整 transcript**，只提取观点 + 引用极短句子。 #### 信源黑名单（按 locale） | Locale | 永远排除 | |--------|---------| | zh-CN | 知乎、微信公众号、百度百科、百度知道、CSDN（除非是作者本人原文） | | en | Quora answers（除非作者认证）、ChatGPT-generated blog spam、内容农场 | | 通用 | AI summaries 站（无原文链接的）、SEO 农场 | #### 利用已安装的辅助 skill Phase 1 启动前扫描 `~/.claude/skills/`（或宿主对应路径），如果有以下 skill 可调用，告知 subagent： | Skill | 用途 | |------|------| | `agent-reach` | 多平台信息获取（X / Reddit / YouTube / Bilibili / 小红书等） | | `web-article-reader` | 精读网页全文 | | `pdf` | 读 PDF 行业报告 | | `gemini-video` | 用户提供本地视频文件无字幕时转写 | | `nuwa-skill` | **关键**：Phase 3 时调用它生成 top 3 figures 的 sub-skill | #### Agent 失败 / 信息不足处理 - 单 Agent 跑 5 分钟无有价值结果 → 不等，继续推进，在诚实边界中标注 - 总来源 < 30 条 → 冷门领域协议： - 心智模型限制为 2-3 个 - 工作流模块标注「基于有限信息」 - 扩大诚实边界 - 告知用户：「这个细分目前公开材料偏少，{N} 条来源。如果你能提供以下材料质量会显著提升：[列出关键缺口]」 --- ### Phase 1.5: 调研 Review 检查点 所有 Agent 完成后**强制暂停**，向用户展示结构化摘要： ``` ┌──────────────────┬──────────┬─────────────────────────────────┐ │ Track │ 来源数 │ 关键发现 │ ├──────────────────┼──────────┼─────────────────────────────────┤ │ 1 Figures │ N │ top: A / B / C；最近动态: ... │ │ 2 Tools │ N │ canonical: X / Y；新出: Z │ │ 3 Workflows │ N │ 当前 SOP: ...；近期变化: ... │ │ 4 Canon │ N │ 必读 top 3: ... │ │ 5 Sources │ N │ newsletter / podcast / 社区 │ │ 6 Glossary │ N │ 关键术语 N 个 │ ├──────────────────┼──────────┼─────────────────────────────────┤ │ 矛盾点 │ N 处 │ Track1 说 X, Track4 说 Y │ │ 信息不足维度 │ [列表] │ 补充计划: ... │ │ 一手 / 二手比例 │ a:b │ 一手占比 X% │ │ 冷门领域? │ 是 / 否 │ │ └──────────────────┴──────────┴─────────────────────────────────┘ ``` 用户确认 OK → Phase 2。 用户觉得某轨不够 → 补完再继续，不能跳过。 **这一关挡住的是**：调研垃圾导致后续提炼全部失真。垃圾进垃圾出，在这里返工成本最低。 --- ### Phase 2: 框架提炼（Synthesis） 读取 6 轨 research 笔记，提炼行业 OS。 #### 2.1 行业心智模型（3-7 个） = 这行的人看问题的独特镜片。 **三重验证筛选**： - **跨场景复现**：在 ≥ 2 个不同案例 / 子领域 / 经典著作中出现？ - **生成力**：能用它推断这行人对一个新问题的立场？ - **排他性**：不是所有聪明人都会这样想？只有这行的人这样想？ 三重通过 → 心智模型；仅 1-2 重 → 降级为决策启发式；0 重 → 丢弃。 每个模型记录：名称、一句话描述、≥ 2 处来源证据、应用方式、局限。 #### 2.2 标准 playbook（5-10 条决策启发式） = 这行的人面对 X 类问题时的快速规则。表述为「如果 {场景}，则 {决策方向}」，每条配 1-2 个具体案例。 #### 2.3 工具栈与选型决策树 从 Track 02 提炼： - **必备工具**（≥ 80% 从业者用） - **场景特化**（不同子方向用不同的）