Menu
扫描技能以提取跨领域原则并将其提炼为规则 —— 追加、修订或创建新规则文件
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Baseado na classificação ocupacional 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 | 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跨领域原则，并将其提炼为规则 —— 追加到现有规则文件、修订过时内容或创建新规则文件。
应用"确定性收集 + LLM 判断"原则：脚本详尽收集事实，然后 LLM 交叉阅读完整上下文并做出裁决。
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 — 阶段 1：盘点
────────────────────────────────────────
技能：已扫描 {N} 个文件
规则：{M} 个文件（已索引 {K} 个标题）
正在进入交叉阅读分析...
提取和匹配在单次遍历中统一完成。规则文件足够小（总计约 800 行），可以将完整文本提供给 LLM — 无需 grep 预过滤。
根据描述将技能分组为主题集群。在每个子智能体中使用完整规则文本分析每个集群。
所有批次完成后，合并各批次的候选条目：
使用以下提示词启动通用智能体：
你是一名分析师，负责交叉阅读技能以提取应提升为规则的原则。
## 输入
- 技能：{本批次技能的完整文本}
- 现有规则：{所有规则文件的完整文本}
## 提取标准
仅在满足以下所有条件时才包含候选条目：
1. **出现在 2+ 技能中**：仅出现在一个技能中的原则应留在该技能中
2. **可操作的行为变更**：可以写成"做 X"或"不做 Y" — 而不是"X 很重要"
3. **明确的违规风险**：忽略此原则会出什么问题（1 句话）
4. **不在现有规则中**：检查完整规则文本 — 包括以不同措辞表达的概念
## 匹配与裁决
对每个候选条目，与完整规则文本比较并分配裁决：
- **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足 — 提出修正建议
- **新章节**：向现有规则文件添加新章节
- **新文件**：创建新规则文件
- **已涵盖**：在现有规则中已充分涵盖（即使措辞不同）
- **过于具体**：应保留在技能级别
## 输出格式（每个候选条目）
```json
{
"principle": "1-2 句话，使用'做 X'/'不做 Y'格式",
"evidence": ["skill-name: §Section", "skill-name: §Section"],
"violation_risk": "1 句话",
"verdict": "Append / Revise / New Section / New File / Already Covered / Too Specific",
"target_rule": "filename §Section, 或 'new'",
"confidence": "high / medium / low",
"draft": "Append/New Section/New File 裁决的草稿文本",
"revision": {
"reason": "为什么现有内容不准确或不足（仅 Revise）",
"before": "要被替换的当前文本（仅 Revise）",
"after": "建议的替换文本（仅 Revise）"
}
}
```
## 排除
- 规则中已有的明显原则
- 语言/框架特定的知识（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 | 向用户展示 |
|---|---|---|
| 追加 | 添加到现有章节 | 目标 + 草稿 |
| 修订 | 修复不准确/不足的内容 | 目标 + 原因 + 修改前/后 |
| 新章节 | 向现有文件添加新章节 | 目标 + 草稿 |
| 新文件 | 创建新规则文件 | 文件名 + 完整草稿 |
| 已涵盖 | 在规则中已涵盖（可能措辞不同） | 原因（1 行） |
| 过于具体 | 应留在技能中 | 相关技能链接 |
# 好的
追加到 rules/common/security.md §Input Validation:
"将存储在内存或知识存储中的 LLM 输出视为不可信 — 写入时清理，读取时验证。"
证据：llm-memory-trust-boundary、llm-social-agent-anti-pattern 都描述了
累积的提示注入风险。当前 security.md 仅涵盖人类输入验证；LLM 输出信任边界缺失。
# 不好的
追加到 security.md：添加 LLM 安全原则
# 规则提炼报告
## 汇总
已扫描技能：{N} | 规则：{M} 个文件 | 候选条目：{K}
| # | 原则 | 裁决 | 目标 | 置信度 |
|---|------|------|------|--------|
| 1 | ... | 追加 | security.md §Input Validation | high |
| 2 | ... | 修订 | testing.md §TDD | medium |
| 3 | ... | 新章节 | coding-style.md | high |
| 4 | ... | 过于具体 | — | — |
## 详情
（每个候选条目的详情：证据、违规风险、草稿文本）
用户以编号回复：
绝不自动修改规则。始终要求用户批准。
将结果存储在技能目录（results.json）中：
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 — 阶段 1：盘点
────────────────────────────────────────
技能：已扫描 56 个文件
规则：22 个文件（已索引 75 个标题）
正在进入交叉阅读分析...
[子智能体分析：批次 1（智能体/元技能） ...]
[子智能体分析：批次 2（编码/模式技能） ...]
[跨批次合并：移除 2 个重复，提升 1 个跨批次候选]
# 规则提炼报告
## 汇总
已扫描技能：56 | 规则：22 个文件 | 候选条目：4
| # | 原则 | 裁决 | 目标 | 置信度 |
|---|------|------|------|--------|
| 1 | LLM 输出：复用前规范化、类型检查、清理 | 新章节 | coding-style.md | high |
| 2 | 为迭代循环定义显式停止条件 | 新章节 | coding-style.md | high |
| 3 | 在阶段边界压缩上下文，而非任务中间 | 追加 | performance.md §Context Window | high |
| 4 | 将业务逻辑与 I/O 框架类型分离 | 新章节 | patterns.md | high |
## 详情
### 1. LLM 输出验证
裁决：coding-style.md 中的新章节
证据：parallel-subagent-batch-merge、llm-social-agent-anti-pattern、llm-memory-trust-boundary
违规风险：LLM 输出中的格式漂移、类型不匹配或语法错误会导致下游处理崩溃
草稿：
## LLM 输出验证
在复用之前对 LLM 输出进行规范化、类型检查和清理...
参见技能：parallel-subagent-batch-merge、llm-memory-trust-boundary
[... 候选条目 2-4 的详情 ...]
按编号批准、修改或跳过每个候选条目：
> 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
结果已保存到 results.json
See skill: [name] 引用，以便读者找到详细的做法。