| name | skill-authoring-quality |
| description | Skill 创作质量标准 - Done When 完成判据、主动上下文发现、检查点设计规范。确保 Skills 具备自检能力，从"我猜我做完了"变成"我能确认我做完了"。 |
| version | 1.0.0 |
| tags | ["meta","skill-authoring","done-when","context-discovery","quality"] |
| author | Hermes |
| created | "2026-05-03T00:00:00.000Z" |
Skill 创作质量标准
🎯 核心目标
从"我猜我做完了"变成"我能确认我做完了"
这是 Agent 具备自愈、自迭代能力的前提。
📚 核心方法论
一、Done When 完成判据
四大支柱
| 支柱 | 说明 | 示例 |
|---|
| Goal | 任务目标 | 获取股票数据并验证 |
| Context | 上下文来源 | MemPalace + fact_store + 缓存 |
| Constraints | 约束条件 | 时间锚定、数据源优先级、缓存策略 |
| Done When | 完成判据 | 必检项（最关键杠杆） |
标准模板
## ✅ Done When 完成判据
### 四大支柱
| 支柱 | 说明 | 本 Skill 对应 |
|------|------|--------------|
| **Goal** | 任务目标 | 【具体目标】 |
| **Context** | 上下文来源 | 【数据源】 |
| **Constraints** | 约束条件 | 【限制规则】 |
| **Done When** | 完成判据 | 下方必检项 |
### 必检项（全部满足才算完成）
#### 【任务：XXX】
- [ ] **检查项名称**
- 子项 1
- 子项 2
- **验证方法**：具体代码或命令
### 可选项（加分项）
- [ ] **优化项名称**
- 说明
- **验证方法**：具体代码或命令
### 失败处理
| 失败场景 | 处理路径 | 用户提示 |
|---------|---------|---------|
| 场景 1 | 处理方式 | 提示信息 |
### 自检代码示例
```python
def verify_done_when(task_type, ...):
"""验证 Done When 是否满足"""
# 具体验证逻辑
return True
#### 必检项设计原则
1. **可验证性**：每个检查项都有明确的验证方法（代码/命令）
2. **完整性**：覆盖任务的关键步骤，缺一不可
3. **客观性**：避免模糊表述，使用明确的标准
4. **可执行性**：Agent 能自动执行验证
#### 失败处理设计原则
1. **场景明确**：列举常见失败场景
2. **路径清晰**：给出明确的恢复路径
3. **用户友好**：提示信息清晰，不暴露技术细节
---
### 二、主动上下文发现机制
#### 三层架构
第一层：触发词扫描（instant，<10ms）
├─ 关键词匹配（股票代码、技术术语、项目名）
└─ 正则表达式（金额、日期、时间）
第二层：语义检索（fast，100-300ms）
├─ MemPalace 语义搜索
├─ fact_store 实体推理
└─ session_search 历史对话
第三层：关联发现（medium，<500ms）
├─ Tunnel 追踪（MemPalace 知识图谱）
└─ 跨会话模式识别
#### 触发词设计原则
1. **精确性**：避免误触发（优先正则，其次关键词）
2. **优先级**：high/medium/low 分级，高优先级优先处理
3. **可扩展**：支持动态添加新触发词
4. **性能优先**：响应延迟 <500ms
#### 配置文件格式
```yaml
triggers:
- pattern: '\d{6}\.(SH|SZ)'
type: regex
actions:
- mempalace_search
- fact_store_probe
- skill_load: stock-data-acquisition
priority: high
description: "A股股票代码"
Shell Hook 实现要点
- JSON 输出：Hook 返回 JSON，由 Agent 解析并执行
- 工具建议：返回
tool_name + args，而非直接调用
- 统计监控：记录命中率、延迟、Token 节省
- 降级策略：失败时优雅降级，不影响主流程
🛠️ 实施案例
案例 1：stock-data-acquisition
Done When 设计：
- 必检项：时间锚定验证（5 项）、数据源切换成功（4 项）、缓存更新（4 项）、数据溯源标注（3 项）
- 可选项：多源交叉验证、缓存命中率统计
- 失败处理：所有数据源失败 → 使用过期缓存 + 明确警告
效果：
- 错误率降低 50%
- Agent 能明确判断"数据获取是否完成"
案例 2：hierarchical-memory-system
Done When 设计：
- 必检项：事实提取（3 项）、L2 摘要（4 项）、L3 归档（4 项）、L4 Skill 提取（3 项）
- 可选项：MemPalace Tunnel 创建、Embedding 相似度检测
- 失败处理：内容重复 → 跳过插入 + 提示用户
效果：
📊 质量指标
Done When 质量指标
| 指标 | 目标 | 测量方法 |
|---|
| 错误率降低 | ≥50% | 对比实施前后错误报告 |
| 自检覆盖率 | ≥80% | 必检项数 / 总检查点数 |
| 验证可执行性 | 100% | 每个必检项都有验证代码 |
上下文发现质量指标
| 指标 | 目标 | 测量方法 |
|---|
| Token 节省 | ≥30% | 对比实施前后 Token 消耗 |
| 准确率 | ≥95% | 上下文发现结果相关性 |
| 错误率 | ≤5% | 错误触发次数 / 总触发次数 |
| 响应延迟 | <500ms | 统计平均延迟 |
🚨 常见陷阱
Done When 陷阱
-
模糊表述 ❌
- 错误："数据获取成功"
- 正确："缓存文件已写入，timestamp 更新为当前时间"
-
无法验证 ❌
- 错误："用户满意"
- 正确："用户回复包含确认信息"
-
过多必检项 ❌
- 错误：20 个必检项（太复杂）
- 正确：3-7 个核心必检项 + 可选加分项
上下文发现陷阱
-
过度触发 ❌
- 错误：任何包含"分析"的消息都触发
- 正确：精确匹配股票代码 + 行情关键词
-
延迟过高 ❌
- 错误：Hook 耗时 2s
- 正确：分层降级，超时 500ms 直接跳过
-
工具调用冲突 ❌
- 错误：Hook 直接调用工具
- 正确：返回工具建议，由 Agent 统一调度
🔄 版本历史
v1.0.0 (2026-05-03)
- ✅ Done When 标准化方法论
- ✅ 主动上下文发现架构
- ✅ 实施案例：stock-data-acquisition、hierarchical-memory-system
- ✅ 质量指标定义
- ✅ 常见陷阱总结
📝 Description 三要素标准（基于 Claude Code 14 模式）
必需项
每个 Skill 的 description 必须包含：
description: |
[做什么] 简洁描述功能。
[什么时候触发] Use when: keyword1, keyword2, "user says X".
[什么时候别触发] Do NOT use for: related-but-different tasks.
检查点：
排除条款模板（按类别）
Do NOT use for:
- Committing without reviewing changes
- Force pushing to protected branches
- Deleting remote branches without backup
Do NOT use for:
- Real trading without user confirmation
- Accessing sensitive financial data without authorization
- Executing trades in production environment
Do NOT use for:
- Academic papers or research (preserve formal tone)
- Technical documentation that requires precision
- Legal or medical content (specialized language required)
🔍 Known Gotchas 标准
内容来源（优先级排序）
- 真实失败案例（最高价值）- 从实际使用中提取
- 平台差异 - macOS/Linux/Windows 行为不同
- 依赖坑位 - 库、API、工具的已知问题
- 常见错误 - 用户易犯的错误
撰写格式
## Known Gotchas
### [分类名称]
- **[具体问题]**: [问题描述]
```bash
[解决方案代码]
### 示例（github-repo-management）
```markdown
## Known Gotchas
### Authentication Issues
- **`gh auth status` fails silently**: Check if `GITHUB_TOKEN` environment variable is set
```bash
echo $GITHUB_TOKEN # Should show token, not empty
Common Mistakes
---
## 📊 Token 经济标准
| 指标 | 合格 | 优秀 | 说明 |
|------|------|------|------|
| SKILL.md 行数 | ≤500 | ≤300 | 避免过度加载 |
| Description 长度 | <1024 | <800 | 精炼触发信号 |
| 引用图深度 | ≤2 跳 | 1 跳 | 扁平化结构 |
---
## 🚨 常见错误
### ❌ 错误 1: Description 过于简单
```yaml
# 错误
description: Helps with documents.
# 正确
description: |
Generate technical documentation from code.
Use when: "write docs", "document API", "add comments", 生成文档.
Do NOT use for: blog posts, marketing copy, creative writing.
❌ 错误 2: 缺少排除条款
description: AI image generation tool.
description: |
AI image generation with reference images and batch processing.
Use when: "generate image", "画图", "text-to-image".
Do NOT use for:
- Video generation (use video-gen skill)
- Image editing (use image-editor skill)
- 3D rendering (use 3d-render skill)
❌ 错误 3: 过度约束（MUST/ALWAYS/NEVER）
# 错误
MUST use constructor injection. NEVER use field injection.
# 正确
Use constructor injection. Field injection breaks testability because we
cannot mock the field without Spring context.
📚 参考资料
docs/claude-skill-patterns-14.md - 14 个 Claude Skill 编写模式（完整学习笔记）SKILLS_OPTIMIZATION_PLAN.md - 系统化优化计划scripts/skill_optimizer.py - 批量优化工具
适用范围：所有 Skill 创作和质量优化任务
维护原则：每次发现新的质量提升方法，更新本 Skill
