rules-distill

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

规则提炼

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。

使用时机

• 定期规则维护（每月或安装新技能后）
• 技能盘点后，发现应成为规则的模式时
• 当规则相对于正在使用的技能感觉不完整时

工作原理

规则提炼过程遵循三个阶段：

阶段 1：清点（确定性收集）

1a. 收集技能清单

bash ~/.claude/skills/rules-distill/scripts/scan-skills.sh

1b. 收集规则索引

bash ~/.claude/skills/rules-distill/scripts/scan-rules.sh

1c. 呈现给用户

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...

阶段 2：通读、匹配与裁决（LLM判断）

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。

分批处理

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。

跨批次合并

所有批次完成后，合并各批次的候选规则：

• 对具有相同或重叠原则的候选规则进行去重
• 使用所有批次合并的证据重新检查"2+技能"要求——在每个批次中只在一个技能里发现，但总计在2+技能中出现的原则是有效的

子智能体提示

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）

裁决参考

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

裁决质量要求

# 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

阶段 3：用户审核与执行

摘要表

# 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）

用户操作

用户通过数字进行回应以：

• 批准：按原样将草案应用到规则中
• 修改：在应用前编辑草案
• 跳过：不应用此候选规则

切勿自动修改规则。始终需要用户批准。

保存结果

将结果存储在技能目录中（results.json）：

• 时间戳格式：date -u +%Y-%m-%dT%H:%M:%SZ（UTC，秒精度）
• 候选ID格式：基于原则生成的烤肉串式命名（例如 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"
       
         
       
    
  

示例

端到端运行

$ /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

设计原则

• 是什么，而非如何做：仅提取原则（规则范畴）。代码示例和命令保留在技能中。
• 链接回源：草案文本应包含 See skill: [name] 引用，以便读者能找到详细的"如何做"。
• 确定性收集，LLM判断：脚本保证详尽性；LLM保证上下文理解。
• 反抽象保障：三层过滤器（2+技能证据、可操作行为测试、违规风险）防止过于抽象的原则进入规则。