Menu
復盤 + 把新觀察寫入 rubric_notes。這是校準循環的反饋環節——不復盤的預測等於占星。觸發詞："復盤 [path]"/"retro this"/"這次迭代復盤"/"bug 修好了"/"迭代 #N 完成"/"程式跑通了"/"功能完成了"。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
把「感覺」變成可校準預測的執行循環。打分 → 盲預測 → 執行 → 復盤 → 進化 rubric。內置三套 rubric：日常工作任務（CL/IM/PR/SC/FO）、日常學習（RE/PK/AP/DL/AC）、AI Coding（SP/LV/TS/CO/IR）。觸發詞："初始化"/"打分這篇"/"啟動預測"/"復盤"/"升級 rubric"/"狀態"。首次使用必須先跑 /cheat-init。
提議並執行 rubric 或 bucket 升級。兩種模式：**完整 rubric bump**（最高風險動作，5 步強制 + 跨模型審核）和 **--bucket-only 輕量重校**（只換 bucket 邊界，不動 rubric 公式）。**Phase 2 強制走 cheat-score-blind sub-agent 給校準池重打分**——不接受 self-scored fallback。觸發詞："升級 rubric"/"bump rubric"/"更新公式"/"我想加一個維度"/"調整權重"/"重校桶"/"recalibrate bucket"。
AI Coding 的 debug 輔助 skill。用戶說出 bug 症狀時自動建立快照 + 迭代記錄，每次嘗試後判斷好壞，連續 3 次更差強制建議回滾。debug 結束後輸出結構化摘要供 cheat-retro 和 cheat-predict 校準使用。觸發詞："我遇到 bug"/"debug 這個"/"有個錯誤"/"程式跑不起來"/"回滾"/"越改越糟"。
cheat-on-content 的首次 onboarding 與腳手架創建器。預設 AI Coding 域，只問一個問題（要不要裝 hook）。觸發詞："初始化"/"init"/"首次使用"/"setup cheat-on-content"。必須在用戶第一次會話執行；其他子 skill 在 .cheat-state.json 不存在時自動路由到此。
把老用户的 .cheat-state.json 升级到当前 schema_version。读 migrations/registry.md 算迁移链，按顺序应用每一步迁移文件。幂等：跑两次结果一样。失败停在中间版本不前进。触发词："迁移"/"升级 state"/"migrate"/"我的 state 是老版本"/"schema 版本不对"。
給任務/學習主題/Coding Session 寫一份 immutable 盲預測日誌。是 cheat-on-content 整個校準循環的核心動作——預測段一旦寫完不可改，由 hook 強制。打分通過 Task tool 委派給 cheat-score-blind sub-agent（context-isolated channel B），主 Claude review 後落盤。觸發詞："啟動預測"/"start prediction"/"寫預測日誌"。
| name | cheat-retro |
| description | 復盤 + 把新觀察寫入 rubric_notes。這是校準循環的反饋環節——不復盤的預測等於占星。觸發詞："復盤 [path]"/"retro this"/"這次迭代復盤"/"bug 修好了"/"迭代 #N 完成"/"程式跑通了"/"功能完成了"。 |
不復盤的預測等於占星。每次 bug 修復後立刻復盤，不批量補、不跳過。
[用戶："bug 修好了" / "迭代 #N 完成" / "程式跑通了"]
↓
[Phase 0: 確認預測文件 + 識別復盤類型]
↓
[Phase 1: 收集本次迭代實績]
↓
[Phase 2: 對比預測——哪裡對、哪裡錯]
↓
[Phase 3: 修正剩餘 K/RW 預測]
↓
[Phase 4: 落盤到預測文件]
↓
[Phase 5: 若最終復盤，填完整分析 + bump 觸發檢測]
迭代復盤（每次 bug 修復後）：
最終復盤（程式完整跑通 / 功能 ship 後）：
## 預測 段存在，immutable——絕不修改### 迭代 #N）從對話上下文自動提取，或詢問用戶：
1. Bug 描述：什麼壞了？
2. 根因：為什麼會這樣？（AI 邏輯錯誤 / API 誤用 / 版本不兼容 / 規格不清）
3. 修復方法：怎麼改的？
4. 這段代碼是 AI 生成的還是自己寫的？
5. 修復花了多少時間（粗估）？
從 prediction 文件的推理因素表找出本次 bug 所在模組，判定：
格式：
**對比預測**:
| 項目 | 預測 | 實際 | 判定 |
|---|---|---|---|
| [模組名] | [預測說什麼] | [實際發生什麼] | ✅/❌ |
基於本次迭代新信息，更新剩餘未測試部分的 K/RW：
格式：
**修正預測（迭代 #N 後）**:
- K 中樞：[前值] → [新值]（原因：[一句話]）
- RW 中樞：[前值] → [新值]（原因：[一句話]）
- 新增風險：[如有，否則寫"無"]
追加到 prediction 文件的 ## 復盤（迭代式） 段（如不存在則新建）：
### 迭代 #N — [Bug 一句話描述]
**發生時間**: YYYY-MM-DD，[觸發情境]
**Bug**: [具體錯誤訊息或現象]
**根因**: [技術根因]
**修復**: [修復方法]
**對比預測**:
| 項目 | 預測 | 實際 | 判定 |
|---|---|---|---|
| [模組] | [預測] | [實際] | ✅/❌ |
**校準更新**: [這次學到什麼，對 AI 能力的認識有何更新]
**修正預測（迭代 #N 後）**:
- K 中樞：X% → Y%（原因）
- RW 中樞：X% → Y%（原因）
- 新增風險：[如有，否則寫"無"]
**迭代 #N 狀態**: [已驗證 / 尚未驗證]
追加 ### 最終復盤 段：
### 最終復盤
**完成時間**: YYYY-MM-DD
**總迭代次數**: N 次
**實際 K（AI 保留率）**: X%
**實際 RW（返工率）**: X%
**實際 Bucket**: [高槓桿/中槓桿/低槓桿/反效果]
**預測 vs 實際**:
| 指標 | 初始預測中樞 | 最終修正預測 | 實際 | 偏差 |
|---|---|---|---|---|
| K | X% | Y% | Z% | [+/-]P% |
| RW | X% | Y% | Z% | [+/-]P% |
**關鍵校準假設驗證**: [初始押注的假設成立了嗎]
**本次最大校準發現**: [一句話，對未來預測最有價值的新認識]
**Prompt 分析**:
- 最有效的 Prompt：[原文 + 為什麼有效]
- 最差的 Prompt：[原文 + 問題在哪]
**AI 失敗模式分類**（勾選本次出現的）:
- [ ] API 使用順序/細節錯誤（AI 知道 API 但不知使用禁忌）
- [ ] 語言版本行為差異（AI 訓練資料的版本行為不同）
- [ ] 冷門套件幻覺（AI 編造不存在的 API）
- [ ] 邏輯理解偏差（AI 理解了需求但設計錯了）
- [ ] 規格不清導致跑偏（SP 太低，這是 Spec 的問題）
- [ ] 其他：___
**下次同類任務的 Spec 建議**: [給自己的改進提示]
連續 ≥3 次預測同一模組「安全」但實際出問題 → 提議 /cheat-bump 重新評估 LV 維度評分邊界
## 預測 段，只追加復盤段/cheat-bump