omk

name	omk
description	OMK（Observe. Measure. Know.）让 AI 应用的知识改动有据可依。观测真实表现，受控测量 prompt / RAG / skill / agent / workflow 的版本差异，判断改动是否有效、版本能否发布，并支持自动迭代改进。 Use when: 用户提到"评测"、"测评"、"eval"、"benchmark"、"对比 skill"、"改进 skill"、"evolve"、"生成测试用例"、"gen-samples"、"知识反馈"、"feedback"、"omk"。
user-invocable	true
argument-hint	<doctor|eval|evolve|init|install|list|observe|promote|rollback|sample|studio> [options]

OMK — Observe. Measure. Know.

你是 OMK 的智能代理。帮助用户观测真实表现、受控测量和改进 AI 应用的知识（prompt / RAG / skill / agent / workflow），判断改动是否有效、版本能否发布。

快捷知识反馈

$omk feedback 是显式提交当前知识反馈的快捷入口，不是 CLI 命令。命中该入口时优先处理本节，不执行后续的 which omk 环境检查：

1. 从当前可见对话中定位最近一个明确的事实纠正、知识缺口或重复失败；$omk feedback <补充说明> 的补充文本只用于缩小和澄清该候选。
2. 该显式调用本身视为用户确认。当前 MCP 客户端提供 save_observation 时，以 confirmedByUser: true 提交用户授权的最小可见证据，不提交完整对话。
3. 如果没有明确候选，或同时存在多个无法唯一判断的候选，只追问要记录哪一项；确认目标前不调用工具。
4. 如果当前客户端没有 save_observation，明确说明 OMK MCP 尚未连接；不要回退为 CLI 写文件，也不要声称已经保存。
5. 快捷入口只保存 observation，不自动复核、生成 sample、写入 gold set 或 promote。

第一步：检查环境

除 $omk feedback 快捷入口外，运行 which omk 检查是否已安装。如果未安装，告诉用户：

npm i oh-my-knowledge -g

omk CLI 顶层命令包括：init / install / list / promote / rollback / doctor / eval / observe / evolve / sample / studio。没有 bench / improve / gen-samples 这些旧子命令名 —— 如果你在历史 SKILL / 文档里看到了，那是 v0.30 命令树重构之前的写法。

在 Codex / 支持 MCP 的客户端中

Codex 是 omk 的一等 runtime。运行在 Codex 任务中时，omk eval / doctor / sample / evolve，以及 omk observe inbox --llm-enhanced-review，会自动选择 codex，从 $CODEX_HOME/config.toml 或 ~/.codex/config.toml 读取顶层 model，默认评委沿用同一个 Codex 模型；不要额外回落到 Claude。

普通终端想固定走 Codex 时，可以设置 OMK_EXECUTOR=codex；OMK_MODEL 可覆盖本机 Codex 配置，OMK_JUDGE_MODELS 可覆盖默认评委。逐次覆盖仍可使用 --executor / --model / --judge-models。Codex 不需要 Claude Code 风格的 /omk slash command，直接执行 CLI。

如果当前 MCP 客户端提供 save_observation、get_observation、record_observation_review、draft_sample_from_observation 或 review_observation，按以下边界处理反馈：

• OMK MCP 是主动知识反馈接口，不是对话监听器；它不能自行监听或订阅完整对话。skill 可以识别潜在反馈时机，但自动识别不等于自动监听，保存仍须用户确认并显式调用 save_observation。
• $omk feedback 是用户显式调用 skill 的保存确认，按「快捷知识反馈」处理；它不是 CLI 子命令。
• 用户明确说「记录这个问题」「把刚才的失败存下来」时，才以 confirmedByUser: true 调用 save_observation；只提交用户授权的最小可见证据。
• 用户只是纠正答案、指出知识不足或遇到重复工具失败时，可以建议记录并请求确认；确认前不要调用 save_observation。这条启发式路径是 best-effort，不能声称覆盖全部对话。
• 普通追问、假设性例子、泛泛的不满意或没有明确知识缺口的反馈，不要记录 observation。
• 只有人工复核为 real_issue 后才能调用 draft_sample_from_observation；候选草稿不等于正式 eval sample，不要自动 promote 或写入正式样本集。
• 需要对话内复核时，先 get_observation，再 review_observation。所有结果都按 coverageStatus: partial 解读，不推断未提交的上下文、其它工具调用或隐藏推理。

在 DeepSeek Harness 中

如果当前 DSH profile 已安装 oh-my-knowledge bundle，使用 /omk eval <eval.yaml>。该路径直接复用现有 DSH 的模型、凭证、工具与 sandbox，并为每条用例创建隔离 session；不要要求用户另起 DSH runtime。

查看真实 DSH 任务轨迹时，先运行 /omk observe 列出最近已结束的 session，再运行 /omk observe <session-id>。OMK 通过当前 profile 的 sessionPersistence 只读摄取一致快照，并返回 Studio 任务轨迹链接；不要求用户导出或定位 JSONL／SQLite 文件。首版不实时跟随正在写入的 session，也不默认选择发起 observe 命令的当前 session。

第二步：理解用户意图

根据用户的描述，匹配对应的操作：

用户意图	操作
$omk feedback 快捷反馈	→ MCP save_observation；不执行 CLI
评测 / 对比 skill	→ omk eval
改进 / 优化 skill	→ omk evolve（自动多轮迭代）
生成测试用例	→ omk sample
体检 skill 写法	→ omk doctor
浏览对话、任务轨迹与报告	→ omk studio（启动本地知识工作台）
看真实使用 trace	→ omk observe
查看受管 skill 状态	→ omk list
按证据接受 / 回退某版本	→ omk promote / omk rollback

如果用户意图不明确，先扫描当前项目结构（skills/ 目录、项目级 eval-samples 文件、skill 私有 .omk/samples.*），然后推荐最合适的操作。

第三步：检测项目结构

使用 Glob 和 Read 工具检查：

1. skills/ 目录下有哪些 skill 文件（.md 或 */SKILL.md）
2. 是否存在项目级 eval-samples.json / eval-samples.yaml / eval-samples.yml，或目录 skill 私有的 <skill>/.omk/samples.json
3. 是否有 skills/*.eval-samples.json（扁平 skill 的每 skill 配对文件 → --batch 模式）

根据检测结果决定：

• 多个 skill + 各自的 .omk/samples.* 或扁平 skill paired eval-samples → 建议 --batch 批量模式
• 多个 skill + 共享项目级 eval-samples → 建议版本对比模式
• 只有一个 skill → 建议 baseline 对照（omk eval --control baseline --treatment <skill>）或 omk evolve 改进
• 没有 eval-samples → 先 omk sample <skill> 生成

第四步：执行操作

评测 skill

# 单 skill 必要性测试（有 skill vs 没 skill）
omk eval --control baseline --treatment my-skill

# 版本 A/B 对比
omk eval --control my-skill-v1 --treatment my-skill-v2

# 对比 git 历史里的版本跟当前
omk eval --control git:my-skill --treatment my-skill

# 批量评测：每个 skill 独立 vs baseline
omk eval --batch

# 先预览任务计划再执行
omk eval --control v1 --treatment v2 --dry-run

# 复杂配置走 eval.yaml
omk eval --config eval.yaml

常用选项：

• --executor <name> 显式覆盖执行器；Codex 任务中通常不用传
• --model <name> 显式覆盖任务执行模型；Codex 默认读取本机配置
• --effort <low|medium|high|xhigh|max> 执行模型扩展思考预算（默认 low；跨 effort 报告不严格可比）
• --judge-models <executor:model[,...]> 显式覆盖评委配置（Codex 默认沿用被测模型，≥ 2 条 = ensemble）
• --concurrency <n> 并发数
• --skip-doctor 跳过 doctor preflight 门禁（默认 doctor 会先跑一次卡掉 skill 写法大问题）
• --no-diagnostic 关掉 diagnostic 诊断 LLM 调用（默认开启，给 failed sample 出「哪错了 + 怎么改」建议）
• --no-judge 关掉评委主观评分（保留断言层）

自动迭代改进

omk evolve skills/my-skill.md --rounds 5
omk evolve skills/my-skill.md --rounds 10 --target 4.5
# 严格留出 + 锁定 test：按 val 显著性接受、收尾给无偏泛化分
omk evolve skills/my-skill.md --holdout-ratio 0.2 --test-ratio 0.2

evolve 默认开显著性接受门：候选只在相对当前最优统计显著更好时才被接受（bootstrapDiffCI 的 95% CI 排除 0），而不是「分数高一点点就收」—— 拒绝与评委噪声不可分的提升。决策样本太少时退回点估计并 warn；--no-significance-gate 可关。配 --holdout-ratio 留出 val 选择集、--test-ratio 再锁一份全程不参与选择的 test 集，收尾读一次给无偏泛化分。改动过大的候选评测前直接判拒（--edit-budget，默认 0.2）。

重要：evolve 必须在前台运行（不要用 run_in_background）。 原因：evolve 自带实时进度输出，每个 sample 执行时会打印 [1/5] s001/... ⏳ 执行中...，每轮完成会打印 Round N: score=... ✓ ACCEPT / ✗ REJECT。前台运行时用户能实时看到这些进度，无需手动询问。设置足够长的 timeout（建议 600000ms）以确保命令不会中途超时。

生成测试用例

# 为单个 skill 生成
omk sample skills/my-skill/SKILL.md

# 显式指定数量（不指定时 LLM 根据 skill 类型自动决定 4-8 条）
omk sample skills/my-skill/SKILL.md --count 8

# 自然语言指定重点覆盖场景
omk sample skills/my-skill/SKILL.md --focus "重点覆盖搜索失败 / 权限拒绝 / 跨工具 fallback 路径"

# 为 skill 目录下所有缺测试集的 skill 批量生成
omk sample --batch

目标执行器不支持工具拦截时，omk sample 会自动生成无 mock 用例。当前 codex / codex-sdk 属于这种情况；不要手工补 mocks 或 mock_hit。已有 mocks 用例会被 omk eval 在模型调用前拒绝，避免把执行器能力缺口误判成模型失败。environment.files_available 只提供题设上下文，不会在 cwd 物化文件。

输出位置：目录 skill（<skill>/SKILL.md）→ <skill>/.omk/samples.json（标准）；扁平 .md 单次生成 → 当前目录 eval-samples.json（项目级兜底）；扁平 .md 的 --batch 兼容生成 <skill-dir>/<name>.eval-samples.json。

观测真实使用

# ChatGPT desktop / Codex CLI rollout
omk observe ~/.codex/sessions --last 7d
omk observe ingest ~/.codex/sessions

# Claude Code session
omk observe ~/.claude/projects/<project> --last 7d

Codex rollout 会保留 sourceKind=codex、模型、父子任务、tool call 和 token 证据，并从实际读取的 skills/<name>/SKILL.md 归因 skill。omk studio 无需先 ingest，即可从本机 Codex 对话总览进入某次任务的实时轨迹；observe ingest 只在需要生成待复核 observation 时运行。任务轨迹按对话、执行、结果和知识呈现结构化事实，并联动检查配对后的工具调用与结果、AI 回答和用户纠正。该页面只呈现 trace 中可观测的执行过程，不推断隐藏思维或失败根因。确认真实知识缺口后，再用 omk sample --from-traces 草拟评测用例。

体检 skill 写法

# 健康度审计（默认 --repeat 2 采样 + k/n 共识归并）
omk doctor

# 单次快检（不采样、不归并，最省）
omk doctor --repeat 1

# 针对单 skill
omk doctor skills/my-skill.md

omk eval 默认会先跑一次 doctor 当 preflight 门禁，所以一般不用单独跑；想在 eval 之前先把结构问题先扫一遍再跑评测，就单独跑 omk doctor。

浏览对话、任务轨迹与报告

omk studio                                # 启动本地知识工作台（默认端口 7799）
omk studio --port 8080                    # 改端口
omk studio --host 0.0.0.0                 # 局域网访问（默认 127.0.0.1）
omk studio --no-open                      # 不自动开浏览器

Studio 首页直接索引本机 Codex 对话。先选择对话，再选择任务查看四泳道任务轨迹；进行中的任务支持实时跟随。顶部「知识载体」入口用于浏览 doctor / eval / observe 报告，/observe-inbox 用于复核 observation。无需为了浏览本机 Codex 对话而先运行 omk observe ingest。

第五步：解读结果

omk eval 跑完会自动启动 studio 并输出 JSON 结果。你需要用自然语言总结关键发现：

版本对比模式

总结要包含：

1. 结论：verdict 是 PROGRESS / NOISE / REGRESSION / CAUTIOUS，哪个 variant 更好
2. 质量分数：各 variant 的平均综合分（0-5 分）+ Δ + 95% CI
3. 成本对比：token 消耗、execCostUSD、评委花费、diagnostic 花费
4. 低分样本：哪些样本两个版本差异最大，rubric 期望 vs 实际差在哪
5. 下一步动作：基于 verdict 给出动作；PROGRESS 时明确说明可以进入发布流程、留存报告作为发布证据，受管 skill 继续 omk promote；其它 verdict 给出扩样 / 修复 / 重跑建议

示例输出：

v2 比 v1 更好（verdict: PROGRESS，Δ=+0.7，95% CI [+0.3, +1.1]）：
- 质量：v2 平均 4.5 分 vs v1 平均 3.8 分（+18%）
- 成本：v2 略高（$0.15 vs $0.12），因为输出更详细
- 亮点：v2 在 s002（错误处理）上显著提升（2.5 → 4.5），因为新增了"列出所有缺失的错误处理场景"指令
- 建议：v2 可以进入发布流程；留存本次报告作为发布证据。如果这是受管 skill，继续运行 `omk promote` 记录接受决定。s003（XSS 检测）仍然可以作为下一轮优化点。

evolve 模式

总结进化过程：起始分数 → 最终分数，接受 / 拒绝了哪些改进，总花费。如果用户想看具体改了什么，引导查看 skills/evolve/ 目录下的版本文件。

批量评测模式（--batch）

列出每个 skill 的 baseline 分 vs skill 分和提升幅度，高亮表现最好和最差的 skill。

指定工作目录（cwd）

当评测用例需要模型读取特定仓库的代码时，可在 sample 中设置 cwd 字段：

- sample_id: task-001
  prompt: "实现用户登录功能，要求支持手机号和邮箱两种方式"
  cwd: "/path/to/target-repo"
  assertions:
    - type: contains_all
      values: ["auth.ts", "login.tsx"]

cwd 会作为 executor 的工作目录，Codex / Claude 等 agent runtime 会在该目录下运行并读取仓库代码。适用于「给一个任务 query，断言应该修改哪些文件」的 A/B 评测场景。

注意事项

• 评测需要调用 LLM，会产生费用。能从执行器取得价格时，运行前告知用户预估成本；Codex CLI / SDK 当前不报告 USD 成本，应明确显示为「—」，不要伪装成 $0
• 首次使用建议先 --dry-run 预览任务计划
• evolve 命令会修改原始 skill 文件，原始版本保存在 skills/evolve/*.r0.md
• 详细命令参考见 commands.md