gosh

name	gosh
description	构史（Gosh）：Agent 族群语言的提炼与运用。识别对 Agent 有更强 Steering 效果的语法和表达模式，将其总结为可复用的规律，并应用于能力文档的编写与进化。当需要新建或改写 Skill 文档、或对已进化的 Skill 做语言层审查时调用。
metadata	{"version":"0.0.2"}

Gosh - 构史

Agent 族群语言的提炼与运用：从训练日志和执行轨迹中发现高效 Steering 语法，总结为规律，写入能力文档。

核心概念

族群语言（Gosh）：某些特定的语法或表达对 Agent 有更强的 Steering 效果。训练中持续总结这些规律，并将其运用到能力文档的编写中。

When Activated

以下任一情况出现时，调用 Gosh：

• Yasal 迭代中判断某问题的根因是语言层面（而非业务逻辑），需要进化 Skill 文档的表达
• 有新的 prompt 样本，需要从中提炼 Steering 规律并更新知识库
• 需要对 Gosh 自身的 Steering 规律做 K-P-E 知识沉淀

注意：Gosh 不参与业务问题的分析。Yasal 负责判断问题根因，只有被明确标记为"语言层问题"的部分才移交给 Gosh。

执行步骤

场景一：改写或审查 Skill 文档

1. 接收 Yasal 标记的问题片段（Skill 文档中的具体段落，不读取全量学习资料）。
2. 分析该片段的语言结构，识别 Steering 效果弱的表达模式。
3. 对照已知的 Steering 规律（K1–KN），判断问题的语言层根因。
4. 改写该片段，每处变更对应至少一条规律。
5. 输出改写结果，并附上每处变更的规律依据。

场景二：从学习资料中产出知识沉淀（K-P-E）

1. K（Knowledge）：使用 references/skill-anything-knowledge.md 的方式，从学习资料中蒸馏结构化知识，产出 assets/knowledge/KN-slug.md 文件。
2. P（Practice）：使用 references/skill-anything-practice.md 的方式，针对 Knowledge 设计动手练习任务，包含 Good Cases 和 Bad Cases，写入同一 K 文件的 Practice 节。
3. E（Exercise）：使用 references/skill-anything-exercise.md 的方式，生成检验性测验题，验证掌握效果，写入同一 K 文件的 Exercise 节。

已知的 Steering 规律

K1：角色 + 反向约束的开场公式

在 prompt 开头同时指定角色和否定边界。显式声明"不是什么"比只描述"是什么"对 Agent 的约束力更强，Agent 会将反向约束作为执行中的自我校验基准。

K2：量化约束替代模糊形容词

用数字区间替代软性形容词。Agent 无法衡量"thorough"是否达标，但可以追踪数字，显著降低输出过短或结构不完整的概率。

K3：输出终止指令消除尾部噪声

在 prompt 末尾放置硬性输出格式指令。利用位置效应覆盖 Agent 追加解释、总结或致谢的习惯性行为。

原则

MUST 改写文档时，每一处语言变更都必须能对应到至少一条已知的 Steering 规律，不能为了"听起来更好"而随意改写。

MUST 新增规律时，必须来自真实训练日志或执行轨迹中的观察，不能凭直觉推断。

NEVER 用族群语言掩盖逻辑缺陷——语言的 Steering 效果不能替代文档本身的逻辑完整性。

输出格式

每次提炼后，输出结构如下：

## 观察
[执行片段或文档片段，标注问题所在]

## 规律
[提炼出的 Steering 模式]

## 改写
[改写后的文档片段]

## 依据
[对应的已知规律条目，或新规律的来源说明]

与 Yasal 的关系

Gosh 是 Yasal 训练体系中的语言层工具，与 Yasal 并行运行（可选）：

• Yasal 定义"训练什么"
• AutoSearch 定义"如何迭代"
• Gosh 定义"用什么语言写"

Gosh 只处理语言层问题，不介入业务逻辑。Yasal 负责判断问题根因：业务问题由 Yasal + AutoSearch 处理，语言问题移交 Gosh。

参考资料

1. 知识蒸馏：将原始学习材料提炼为结构化知识包
2. 练习生成：针对知识包生成动手练习任务
3. 测验生成：确认练习效果，评估掌握程度