Menü
扫描技能以提取跨领域原则并将其提炼为规则——追加、修订或创建新的规则文件
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Basierend auf der SOC-Berufsklassifikation
| name | rules-distill |
| description | 扫描技能以提取跨领域原则并将其提炼为规则——追加、修订或创建新的规则文件 |
| origin | ECC |
扫描已安装的技能，提取在多个技能中出现的通用原则，并将其提炼成规则——追加到现有规则文件中、修订过时内容或创建新的规则文件。
应用"确定性收集 + LLM判断"原则：脚本详尽地收集事实，然后由LLM通读完整上下文并作出裁决。
规则提炼过程遵循三个阶段：
bash ~/.claude/skills/rules-distill/scripts/scan-skills.sh
bash ~/.claude/skills/rules-distill/scripts/scan-rules.sh
规则提炼 — 第一阶段：清点
────────────────────────────────────────
技能：扫描 {N} 个文件
规则：索引 {M} 个文件（包含 {K} 个标题）
正在进行交叉阅读分析...
提取和匹配在单次处理中统一完成。规则文件足够小（总计约800行），可以将全文提供给LLM——无需grep预过滤。
根据技能描述，将技能分组为主题集群。每个集群在一个子智能体中进行分析，并提供完整的规则文本。
所有批次完成后，合并各批次的候选规则：
使用以下提示启动通用智能体：
你是一位通过交叉阅读技能来提取应提升为规则的原则的分析师。
## 输入
- 技能：{本批次技能的全部文本}
- 现有规则：{所有规则文件的全部文本}
## 提取标准
**仅当**满足以下**所有**条件时，才包含一个候选原则：
1. **出现在 2+ 项技能中**：仅出现在一项技能中的原则应保留在该技能中
2. **可操作的行为改变**：可以写成“做 X”或“不要做 Y”的形式——而不是“X 很重要”
3. **明确的违规风险**：如果忽略此原则，会出什么问题（1 句话）
4. **尚未存在于规则中**：检查全部规则文本——包括以不同措辞表达的概念
## 匹配与裁决
对于每个候选原则，对照全部规则文本进行比较并给出裁决：
- **追加**：添加到现有规则文件的现有章节
- **修订**：现有规则内容不准确或不充分——提出修正建议
- **新章节**：在现有规则文件中添加新章节
- **新文件**：创建新的规则文件
- **已涵盖**：现有规则已充分涵盖（即使措辞不同）
- **过于具体**：应保留在技能层面
## 输出格式（每个候选原则）
```json
{
"principle": "1-2 句话，采用 '做 X' / '不要做 Y' 的形式",
"evidence": ["技能名称: §章节", "技能名称: §章节"],
"violation_risk": "1 句话",
"verdict": "追加 / 修订 / 新章节 / 新文件 / 已涵盖 / 过于具体",
"target_rule": "文件名 §章节，或 '新建'",
"confidence": "高 / 中 / 低",
"draft": "针对'追加'/'新章节'/'新文件'裁决的草案文本",
"revision": {
"reason": "为什么现有内容不准确或不充分（仅限'修订'裁决）",
"before": "待替换的当前文本（仅限'修订'裁决）",
"after": "提议的替换文本（仅限'修订'裁决）"
}
}
```
## 排除
- 规则中已存在的显而易见的原则
- 语言/框架特定知识（属于语言特定规则或技能）
- 代码示例和命令（属于技能）
| 裁决 | 含义 | 呈现给用户的内容 |
|---|---|---|
| 追加 | 添加到现有章节 | 目标 + 草案 |
| 修订 | 修复不准确/不充分的内容 | 目标 + 原因 + 修订前/后 |
| 新章节 | 在现有文件中添加新章节 | 目标 + 草案 |
| 新文件 | 创建新规则文件 | 文件名 + 完整草案 |
| 已涵盖 | 规则中已涵盖（可能措辞不同） | 原因（1行） |
| 过于具体 | 应保留在技能中 | 指向相关技能的链接 |
# 良好做法
在 rules/common/security.md 的§输入验证部分添加：
"将存储在内存或知识库中的LLM输出视为不可信数据——写入时进行清理，读取时进行验证。"
依据：llm-memory-trust-boundary 和 llm-social-agent-anti-pattern 均描述了累积式提示注入风险。当前security.md仅涵盖人工输入验证；缺少LLM输出的信任边界说明。
# 不良做法
在security.md中追加：添加LLM安全原则
# 规则提炼报告
## 概述
已扫描技能数：{N} | 规则文件数：{M} | 候选规则数：{K}
| # | 原则 | 判定结果 | 目标文件/章节 | 置信度 |
|---|-----------|---------|--------|------------|
| 1 | ... | 追加 | security.md §输入验证 | 高 |
| 2 | ... | 修订 | testing.md §测试驱动开发 | 中 |
| 3 | ... | 新增章节 | coding-style.md | 高 |
| 4 | ... | 过于具体 | — | — |
## 详情
（各候选规则详情：证据、违规风险、草拟文本）
用户通过数字进行回应以：
切勿自动修改规则。始终需要用户批准。
将结果存储在技能目录中（results.json）：
date -u +%Y-%m-%dT%H:%M:%SZ（UTC，秒精度）llm-output-trust-boundary）{
"distilled_at": "2026-03-18T10:30:42Z",
"skills_scanned": 56,
"rules_scanned": 22,
"candidates": {
"llm-output-trust-boundary": {
"principle": "Treat LLM output as untrusted when stored or re-injected",
"verdict": "Append",
"target": "rules/common/security.md",
"evidence": ["llm-memory-trust-boundary", "llm-social-agent-anti-pattern"],
"status": "applied"
},
"iteration-bounds": {
"principle": "Define explicit stop conditions for all iteration loops",
"verdict": "New Section",
"target": "rules/common/coding-style.md",
"evidence": ["iterative-retrieval", "continuous-agent-loop", "agent-harness-construction"],
"status": "skipped"
}
}
}
$ /rules-distill
规则提炼 — 第一阶段：清点
────────────────────────────────────────
技能：已扫描 56 个文件
规则：22 个文件（已索引 75 个标题）
正在进行交叉阅读分析...
[子代理分析：批次 1 (agent/meta skills) ...]
[子代理分析：批次 2 (coding/pattern skills) ...]
[跨批次合并：已移除 2 个重复项，1 个跨批次候选被提升]
# 规则提炼报告
## 摘要
已扫描技能：56 | 规则：22 个文件 | 候选：4
| # | 原则 | 判定 | 目标 | 置信度 |
|---|-----------|---------|--------|------------|
| 1 | LLM 输出：重用前进行规范化、类型检查、清理 | 新章节 | coding-style.md | 高 |
| 2 | 为迭代循环定义明确的停止条件 | 新章节 | coding-style.md | 高 |
| 3 | 在阶段边界压缩上下文，而非任务中途 | 追加 | performance.md §Context Window | 高 |
| 4 | 将业务逻辑与 I/O 框架类型分离 | 新章节 | patterns.md | 高 |
## 详情
### 1. LLM 输出验证
判定：在 coding-style.md 中新建章节
证据：parallel-subagent-batch-merge, llm-social-agent-anti-pattern, llm-memory-trust-boundary
违规风险：LLM 输出的格式漂移、类型不匹配或语法错误导致下游处理崩溃
草案：
## LLM 输出验证
在重用 LLM 输出前，请进行规范化、类型检查和清理...
参见技能：parallel-subagent-batch-merge, llm-memory-trust-boundary
[... 候选 2-4 的详情 ...]
按编号批准、修改或跳过每个候选：
> 用户：批准 1, 3。跳过 2, 4。
✓ 已应用：coding-style.md §LLM 输出验证
✓ 已应用：performance.md §上下文窗口管理
✗ 已跳过：迭代边界
✗ 已跳过：边界类型转换
结果已保存至 results.json
See skill: [name] 引用，以便读者能找到详细的"如何做"。Use after a complex task, failure, or when reviewing what was learned. Teaches how to write growth logs that extract reusable patterns — not diary entries.
Design a goal-oriented agent loop, and review it for the ways loops go wrong — spinning and burning tokens, Goodhart-gaming the verifier, or running a wrong answer to completion. Two actions: (1) WRITE a loop — gate whether to build it, define a machine-decidable goal, pick the loop type, pick a skeleton; (2) REVIEW a loop — run it past five failure modes plus decidability, boundaries, fallback, judge independence, and keep-judgment-with-the-human red lines. Use when designing an autonomous agent loop, or when you already have one and worry it will spin, cheat, or run a wrong answer to the end. Complements the mechanism-layer loop skills (autonomous-loops, continuous-agent-loop) by covering the judgment layer they don't. 中文触发：写 loop、设计 loop、做一个 loop、检查 loop 对不对、loop 体检、loop 会不会跑飞、可判定目标、五个崩法、plan build judge。English triggers: design an agent loop, write a loop, check a loop, loop review, prevent a runaway loop, goal-oriented loop, decidable goal, plan/build/judge.
Stop hook that blocks Claude from finishing until quality checks pass. Detects rationalization patterns (surface text heuristics), stale learning logs (filesystem mtime), and low disk space. Complements self-audit by mechanically enforcing learning capture habits.
React Native and Expo app patterns — Expo Router navigation, state separation (server/client/route/form), TanStack Query data fetching with Zod, performant lists, NativeWind/StyleSheet styling, native APIs, and secure storage. Use when building or editing React Native / Expo screens, components, navigation, or data layers.
Instinct-based learning system that observes sessions via hooks, creates atomic instincts with confidence scoring, and evolves them into skills/commands/agents. v2.1 adds project-scoped instincts to prevent cross-project contamination.
Use this skill when writing new features, fixing bugs, or refactoring code. Enforces test-driven development with 80%+ coverage including unit, integration, and E2E tests.