メニュー
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/loulanyue/awesome-claude-notes --skill rules-distillコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics
Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates.
Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing.
SOC 職業分類に基づく
SKILL.md を表示中
| 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 |
| source_path | skills/rules-distill/SKILL.md |
| 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"
$ /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"。