Menu
迭代优化 Claude Code Skill 的质量。当用户想要改进 skill 的提示词、通过目标内容迭代优化 skill、自动评估和优化时触发。
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
| name | optimize-skill |
| description | 迭代优化 Claude Code Skill 的质量。当用户想要改进 skill 的提示词、通过目标内容迭代优化 skill、自动评估和优化时触发。 |
迭代优化 Claude Code Skill 的质量，采用类似机器学习训练循环的方式：
# 迭代优化 spec-analyzer，指定目标内容和测试仓库
/optimize-skill spec-analyzer --target ./target.md --repo https://github.com/xxx/yyy
# 使用内联目标内容
/optimize-skill spec-analyzer --target "期望输出应包含：1. 问题域分析 2. 解决方案..." --repo https://github.com/xxx/yyy
# 指定评估阈值
/optimize-skill spec-analyzer --target ./target.md --repo https://github.com/xxx/yyy --threshold-coverage 95 --threshold-depth 4
| 参数 | 说明 | 默认值 |
|---|---|---|
--target, -t | 目标内容（文件路径或直接输入） | 必填 |
--repo, -r | GitHub 仓库 URL | 必填 |
--threshold-coverage | 覆盖度阈值 (0-100) | 90 |
--threshold-depth | 深度阈值 (1-5) | 3.5 |
--max-iterations | 最大迭代次数 | 5 |
--output, -o | 优化记录输出目录 | ./optimization-records/ |
┌─────────────────────────────────────────────────────────────┐
│ 迭代优化循环 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 1. 读取目标内容 → 解析知识点清单 │
│ ↓ │
│ 2. 初始化工作流目录 │
│ ↓ │
│ 3. Agent 调用目标 skill 提取内容 │
│ ↓ │
│ 4. LLM 评估（覆盖度 + 深度） │
│ ↓ │
│ 5. 检查是否达到阈值 ──否──→ 生成优化建议 │
│ │ ↓ │
│ │ 应用优化到 SKILL.md │
│ │ ↓ │
│ │ 返回步骤 3 │
│ ↓ │
│ 是 │
│ ↓ │
│ 6. 输出最终报告 │
│ │
└─────────────────────────────────────────────────────────────┘
--target 指定的目标内容知识点清单格式：
| ID | 知识点 | 权重 | 类型 |
|---|---|---|---|
| K1 | 问题描述 | 高 | 问题域 |
| K2 | 解决方案 | 高 | 解决方案 |
| K3 | 技术实现 | 中 | 技术要点 |
创建优化记录目录：
./optimization-records/<timestamp>/
├── target.md # 目标内容
├── knowledge-points.json # 知识点清单
├── repo-url.txt # 分析的仓库 URL
└── iterations/ # 迭代记录
使用 Agent 工具启动子代理：
使用 Agent 工具:
- subagent_type: "general-purpose"
- prompt: "执行 /spec-analyzer <repo> --depth deep"
- description: "执行 spec-analyzer 分析"
重要: 子代理在隔离环境中执行，不影响主会话上下文。
评估维度：
1. 知识点覆盖度 (0-100%)
2. 内容深度 (1-5 分)
终止条件：
--threshold-coverage--threshold-depth--max-iterations如果未达到阈值，生成优化建议并应用。
生成包含以下内容的报告：
在每轮迭代中，使用以下提示词进行评估：
# 评估任务
## 目标知识点清单
{knowledge_points}
## 提取的内容
{extracted_content}
## 评估要求
请逐项评估每个目标知识点的覆盖情况：
### 1. 知识点覆盖度
对于每个目标知识点，判断：
- **完全覆盖**：有详细解释，包含关键细节
- **部分覆盖**：有提及但不完整
- **未覆盖**：完全没有提到
### 2. 内容深度评分 (1-5)
- 1: 仅提及名称
- 2: 简要说明（1-2 句话）
- 3: 详细解释（有完整描述）
- 4: 包含示例（有代码/图表/流程）
- 5: 深入分析（有对比、权衡、原理解释）
## 输出格式
请按以下 JSON 格式输出评估结果：
```json
{
"coverage": {
"total": <总数>,
"covered": <完全覆盖数>,
"partial": <部分覆盖数>,
"missing": <未覆盖数>,
"percentage": <覆盖百分比>
},
"depth": {
"average": <平均深度分数>,
"details": [
{"id": "<知识点ID>", "score": <1-5>, "note": "<简短说明>"}
]
},
"missing_points": ["<未覆盖的知识点列表>"],
"weak_points": ["<深度不足的知识点列表>"],
"suggestions": ["<针对 SKILL.md 的具体修改建议>"]
}
**评估结果解读**：
| 覆盖度 | 深度 | 状态 |
|--------|------|------|
| >= 90% | >= 3.5 | ✅ 达标 |
| 70-89% | 2.5-3.4 | ⚠️ 需要优化 |
| < 70% | < 2.5 | ❌ 需要大幅改进 |
## 优化建议生成模板
当评估未达标时，使用以下模板生成优化建议：
```markdown
# 优化建议生成任务
## 当前评估结果
{evaluation_json}
## 当前 SKILL.md 内容
{current_skill_content}
## 任务
根据评估结果，生成具体的 SKILL.md 修改建议。
### 修改建议格式
对于每个问题，提供：
1. **问题描述**：具体是什么问题
2. **问题位置**：SKILL.md 中的哪个章节/步骤
3. **当前内容**：当前的提示词
4. **建议修改**：修改后的提示词
5. **修改原因**：为什么这样修改能解决问题
### 优化策略
| 问题类型 | 优化策略 |
|----------|----------|
| 未覆盖知识点 | 添加新的提取规则或检查清单 |
| 深度不足 | 细化提取指令，添加深度要求 |
| 信息遗漏 | 添加必检项和提示词引导 |
| 格式问题 | 调整输出模板 |
问题: K4（文件体系）未被提取
位置: "扫描文档" 章节
当前内容:
递归查找所有
.md文件，重点关注 README.md 和 docs/ 目录
建议修改:
递归查找所有
.md文件，重点关注：
README.md- 项目介绍docs/目录 - 文档PROJECT.md- 项目描述和目标REQUIREMENTS.md- 需求清单ROADMAP.md- 路线图STATE.md- 状态追踪- 模板目录（如
get-shit-done/templates/）
原因: 原描述太笼统，没有指定 spec-driven 仓库特有的文件类型
优化完成后，生成以下文件结构：
./optimization-records/<timestamp>/
├── target.md # 目标内容
├── knowledge-points.json # 解析后的知识点清单
├── repo-url.txt # 分析的仓库 URL
├── iterations/
│ ├── 01/
│ │ ├── extracted.md # 第 1 轮提取结果
│ │ ├── evaluation.json # 第 1 轮评估
│ │ └── changes.md # 第 1 轮修改建议
│ ├── 02/
│ │ └── ...
│ └── N/
├── final-report.md # 最终优化报告
└── SKILL.md.final # 优化后的最终版本
| 文件 | 说明 |
|---|---|
target.md | 用户提供的期望输出内容 |
knowledge-points.json | 从目标内容解析的知识点清单 |
iterations/N/extracted.md | 第 N 轮 skill 执行的输出 |
iterations/N/evaluation.json | 第 N 轮的评估结果 |
iterations/N/changes.md | 第 N 轮对 SKILL.md 的修改 |
final-report.md | 完整的优化报告 |
SKILL.md.final | 最终优化后的 skill 文件 |
优化完成后，生成 final-report.md：
# {skill-name} 优化报告
## 基本信息
- **优化日期**: {timestamp}
- **目标仓库**: {repo_url}
- **迭代次数**: {iterations}
- **最终状态**: {success/failed}
## 评估结果
### 初始状态
- 覆盖度: {initial_coverage}%
- 深度: {initial_depth}
### 最终状态
- 覆盖度: {final_coverage}%
- 深度: {final_depth}
### 改进幅度
- 覆盖度提升: +{coverage_improvement}%
- 深度提升: +{depth_improvement}
## 迭代历史
| 轮次 | 覆盖度 | 深度 | 主要修改 |
|------|--------|------|----------|
| 1 | 60% | 2.5 | 添加文件体系提取规则 |
| 2 | 75% | 3.0 | 细化工作流程描述 |
| 3 | 90% | 3.6 | 添加深度要求 |
## 主要优化点
1. {优化点1}
2. {优化点2}
3. {优化点3}
## 未解决的问题
- {问题1}（建议后续处理）
- {问题2}（需要更多测试案例验证）
## 后续建议
- {后续改进建议}
目标内容 (target.md):
## GSD 工作流核心知识点
### 一、AI 编程工作流的重要性
- 上下文过长问题
- 需求分散问题
- 主代理负载过重
### 二、GSD 概述
- 规范驱动的 AI 编程工作流
- 30+ 个命令
### 三、GSD 文件体系
- PROJECT.md
- REQUIREMENTS.md
- ROADMAP.md
- STATE.md
### 四、完整工作流程
1. 初始化项目
2. 需求讨论
3. 生成计划
4. 执行编码
5. 验收测试
...
执行命令:
/optimize-skill spec-analyzer \
--target ./target.md \
--repo https://github.com/gsd-build/get-shit-done \
--threshold-coverage 90 \
--threshold-depth 3.5 \
--max-iterations 5
执行过程:
=== 迭代优化开始 ===
目标: spec-analyzer
仓库: https://github.com/gsd-build/get-shit-done
阈值: 覆盖度 90%, 深度 3.5
[迭代 1]
- 调用 spec-analyzer...
- 评估: 覆盖度 65%, 深度 2.8
- 未达标，生成优化建议...
- 应用修改: 添加文件体系提取规则
[迭代 2]
- 调用 spec-analyzer...
- 评估: 覆盖度 78%, 深度 3.2
- 未达标，生成优化建议...
- 应用修改: 细化工作流程描述
[迭代 3]
- 调用 spec-analyzer...
- 评估: 覆盖度 92%, 深度 3.7
- 达标！
=== 优化完成 ===
最终报告: ./optimization-records/20260313-143022/final-report.md
优化后 Skill: ./optimization-records/20260313-143022/SKILL.md.final
SKILL.md.final 恢复可能原因：
解决方案：
可能原因：
解决方案：
# 设置 max-iterations 为 1
/optimize-skill spec-analyzer --target ./target.md --repo https://github.com/xxx/yyy --max-iterations 1