Menu
在审计 Claude 技能和命令质量时使用。支持快速扫描（仅变更的技能）和完整盘点模式，使用顺序子智能体批量评估。
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
Basé sur la classification professionnelle SOC
Kubernetes 工作负载模式、资源管理、RBAC、probes、autoscaling、ConfigMap/Secret 处理，以及面向生产级部署的 kubectl 调试。
完成任何非平凡任务后使用。智能体按 5 个维度自评输出——准确性、完整性、清晰度、可执行性、简洁性——每项都给出具体证据。生成结构化 1-5 评分卡和具体改进建议。
在 competitive-platform-analysis 产出分层竞品集合后使用。按九个加权维度（定位、声音、视觉工艺、offer packaging、证据、enterprise-readiness、thought leadership、定价、客户 strategic tension）为每个竞品评分，使用明确 1–5 rubrics 和 tension-plot。位于 competitive-report-structure 之前。
当品牌需要通过结构化多会话访谈发现或表达身份时使用。通过 laddering、5 Whys 和 projective techniques，覆盖目的、定位、受众、个性、声音、叙事以及 founder-brand 张力 8 个模块。产出可恢复 session、磁盘持久化状态和 master brandbook（90_SYNTHESIS.md）。
通过 CodeScene MCP 提供实时结构性 Code Health——编辑前审查，变更后验证分数变化，门控 commit 和 PR。用于代码质量审查、重构、检查 AI 变更是否降低文件质量，或 commit/PR 前。
用于界定竞争 landscape：在任何 benchmark 开始前，识别、分类并用分数过滤竞品集合。决定谁算竞品、属于哪个 tier、应挖哪些来源。三技能竞争分析流水线第一步；位于 benchmark-methodology 之前。
| name | skill-stocktake |
| description | 在审计 Claude 技能和命令质量时使用。支持快速扫描（仅变更的技能）和完整盘点模式，使用顺序子智能体批量评估。 |
| origin | ECC |
斜杠命令（/skill-stocktake），使用质量检查清单 + AI 综合判断审计所有 Claude 技能和命令。支持两种模式：快速扫描用于最近变更的技能，完整盘点用于全面审查。
该命令针对以下路径，相对于调用它的目录：
| 路径 | 描述 |
|---|---|
~/.claude/skills/ | 全局技能（所有项目） |
{cwd}/.claude/skills/ | 项目级技能（如果目录存在） |
在阶段 1 开始时，命令会明确列出找到和扫描的路径。
要包含项目级技能，从该项目的根目录运行：
cd ~/path/to/my-project
/skill-stocktake
如果项目没有 .claude/skills/ 目录，仅评估全局技能和命令。
| 模式 | 触发条件 | 持续时间 |
|---|---|---|
| 快速扫描 | results.json 存在（默认） | 5-10 分钟 |
| 完整盘点 | results.json 不存在，或 /skill-stocktake full | 20-30 分钟 |
结果缓存： ~/.claude/skills/skill-stocktake/results.json
仅重新评估自上次运行以来有变更的技能（5-10 分钟）。
~/.claude/skills/skill-stocktake/results.jsonbash ~/.claude/skills/skill-stocktake/scripts/quick-diff.sh \ ~/.claude/skills/skill-stocktake/results.json
（项目目录从 $PWD/.claude/skills 自动检测；仅在需要时显式传递）[]：报告"自上次运行以来无变更。"并停止bash ~/.claude/skills/skill-stocktake/scripts/save-results.sh \ ~/.claude/skills/skill-stocktake/results.json <<< "$EVAL_RESULTS"运行：bash ~/.claude/skills/skill-stocktake/scripts/scan.sh
该脚本枚举技能文件、提取 frontmatter 并收集 UTC 修改时间。
项目目录从 $PWD/.claude/skills 自动检测；仅在需要时显式传递。
从脚本输出呈现扫描摘要和清单表：
扫描中：
✓ ~/.claude/skills/ (17 个文件)
✗ {cwd}/.claude/skills/ (未找到 — 仅全局技能)
| 技能 | 7天使用 | 30天使用 | 描述 |
|---|
启动一个 Agent 工具子智能体（通用智能体），携带完整清单和检查清单：
Agent(
subagent_type="general-purpose",
prompt="
根据检查清单评估以下技能清单。
[清单]
[检查清单]
为每个技能返回 JSON：
{ \"verdict\": \"Keep\"|\"Improve\"|\"Update\"|\"Retire\"|\"Merge into [X]\", \"reason\": \"...\" }
"
)
子智能体读取每个技能、应用检查清单，并返回每个技能的 JSON：
{ "verdict": "Keep"|"Improve"|"Update"|"Retire"|"Merge into [X]", "reason": "..." }
分块指导： 每次子智能体调用处理约 20 个技能以保持上下文可管理。每个分块后将中间结果保存到 results.json（status: "in_progress"）。
所有技能评估完成后：设置 status: "completed"，进入阶段 3。
恢复检测： 如果启动时发现 status: "in_progress"，从第一个未评估的技能恢复。
每个技能根据此检查清单评估：
- [ ] 已检查与其他技能的内容重叠
- [ ] 已检查与 MEMORY.md / CLAUDE.md 的重叠
- [ ] 已验证技术参考的新鲜度（如果存在工具名称/CLI 标志/API，使用 WebSearch）
- [ ] 已考虑使用频率
判决标准：
| 判决 | 含义 |
|---|---|
| Keep | 有用且最新 |
| Improve | 值得保留，但需要具体改进 |
| Update | 引用的技术已过时（用 WebSearch 验证） |
| Retire | 质量低、过时或成本不对称 |
| Merge into [X] | 与另一个技能有实质性重叠；命名合并目标 |
评估是综合 AI 判断 — 不是数字评分标准。指导维度：
原因质量要求 — reason 字段必须自包含且支持决策：
"已被替代""disable-model-invocation: true 已设置；被 continuous-learning-v2 替代，后者涵盖所有相同模式加上置信度评分。没有剩余的独特内容。""与 X 重叠""42 行薄弱内容；chatlog-to-article 的步骤 4 已涵盖相同工作流。将'article angle'提示作为注释集成到该技能中。""太长""276 行；'框架比较'部分（L80-140）与 ai-era-architecture-principles 重复；删除以达到约 150 行。""未更改""mtime 已更新但内容未更改。独特的 Python 参考被 rules/python/ 显式导入；未发现重叠。"| 技能 | 7天使用 | 判决 | 原因 |
|---|
~/.claude/skills/skill-stocktake/results.json：
evaluated_at：必须设置为评估完成的实际 UTC 时间。
通过 Bash 获取：date -u +%Y-%m-%dT%H:%M:%SZ。绝不使用仅日期的近似值如 T00:00:00Z。
{
"evaluated_at": "2026-02-21T10:00:00Z",
"mode": "full",
"batch_progress": {
"total": 80,
"evaluated": 80,
"status": "completed"
},
"skills": {
"skill-name": {
"path": "~/.claude/skills/skill-name/SKILL.md",
"verdict": "Keep",
"reason": "具体、可操作、对 X 工作流有独特价值",
"mtime": "2026-01-15T08:30:00Z"
}
}
}