菜单
復盤 + 把新觀察寫入 rubric_notes。這是校準循環的反饋環節——不復盤的預測等於占星。觸發詞："復盤 [path]"/"retro this"/"這次迭代復盤"/"bug 修好了"/"迭代 #N 完成"/"程式跑通了"/"功能完成了"。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
把「感覺」變成可校準預測的執行循環。打分 → 盲預測 → 執行 → 復盤 → 進化 rubric。內置三套 rubric：日常工作任務（CL/IM/PR/SC/FO）、日常學習（RE/PK/AP/DL/AC）、AI Coding（SP/LV/TS/CO/IR）。觸發詞："初始化"/"打分這篇"/"啟動預測"/"復盤"/"升級 rubric"/"狀態"。首次使用必須先跑 /cheat-init。
提議並執行 rubric 或 bucket 升級。兩種模式：**完整 rubric bump**（最高風險動作，5 步強制 + 跨模型審核）和 **--bucket-only 輕量重校**（只換 bucket 邊界，不動 rubric 公式）。**Phase 2 強制走 cheat-score-blind sub-agent 給校準池重打分**——不接受 self-scored fallback。觸發詞："升級 rubric"/"bump rubric"/"更新公式"/"我想加一個維度"/"調整權重"/"重校桶"/"recalibrate bucket"。
AI Coding 的 debug 輔助 skill。用戶說出 bug 症狀時自動建立快照 + 迭代記錄，每次嘗試後判斷好壞，連續 3 次更差強制建議回滾。debug 結束後輸出結構化摘要供 cheat-retro 和 cheat-predict 校準使用。觸發詞："我遇到 bug"/"debug 這個"/"有個錯誤"/"程式跑不起來"/"回滾"/"越改越糟"。
cheat-on-content 的首次 onboarding 與腳手架創建器。預設 AI Coding 域，只問一個問題（要不要裝 hook）。觸發詞："初始化"/"init"/"首次使用"/"setup cheat-on-content"。必須在用戶第一次會話執行；其他子 skill 在 .cheat-state.json 不存在時自動路由到此。
把老用户的 .cheat-state.json 升级到当前 schema_version。读 migrations/registry.md 算迁移链，按顺序应用每一步迁移文件。幂等：跑两次结果一样。失败停在中间版本不前进。触发词："迁移"/"升级 state"/"migrate"/"我的 state 是老版本"/"schema 版本不对"。
給任務/學習主題/Coding Session 寫一份 immutable 盲預測日誌。是 cheat-on-content 整個校準循環的核心動作——預測段一旦寫完不可改，由 hook 強制。打分通過 Task tool 委派給 cheat-score-blind sub-agent（context-isolated channel B），主 Claude review 後落盤。觸發詞："啟動預測"/"start prediction"/"寫預測日誌"。
| name | cheat-retro |
| description | 復盤 + 把新觀察寫入 rubric_notes。這是校準循環的反饋環節——不復盤的預測等於占星。觸發詞："復盤 [path]"/"retro this"/"這次迭代復盤"/"bug 修好了"/"迭代 #N 完成"/"程式跑通了"/"功能完成了"。 |
不復盤的預測等於占星。每次 bug 修復後立刻復盤，不批量補、不跳過。
[用戶："bug 修好了" / "迭代 #N 完成" / "程式跑通了"]
↓
[Phase 0: 確認預測文件 + 識別復盤類型]
↓
[Phase 1: 收集本次迭代實績]
↓
[Phase 2: 對比預測——哪裡對、哪裡錯]
↓
[Phase 3: 修正剩餘 K/RW 預測]
↓
[Phase 4: 落盤到預測文件]
↓
[Phase 5: 若最終復盤，填完整分析 + bump 觸發檢測]
迭代復盤（每次 bug 修復後）：
最終復盤（程式完整跑通 / 功能 ship 後）：
## 預測 段存在，immutable——絕不修改### 迭代 #N）從對話上下文自動提取，或詢問用戶：
1. Bug 描述：什麼壞了？
2. 根因：為什麼會這樣？（AI 邏輯錯誤 / API 誤用 / 版本不兼容 / 規格不清）
3. 修復方法：怎麼改的？
4. 這段代碼是 AI 生成的還是自己寫的？
5. 修復花了多少時間（粗估）？
從 prediction 文件的推理因素表找出本次 bug 所在模組，判定：
格式：
**對比預測**:
| 項目 | 預測 | 實際 | 判定 |
|---|---|---|---|
| [模組名] | [預測說什麼] | [實際發生什麼] | ✅/❌ |
基於本次迭代新信息，更新剩餘未測試部分的 K/RW：
格式：
**修正預測（迭代 #N 後）**:
- K 中樞：[前值] → [新值]（原因：[一句話]）
- RW 中樞：[前值] → [新值]（原因：[一句話]）
- 新增風險：[如有，否則寫"無"]
追加到 prediction 文件的 ## 復盤（迭代式） 段（如不存在則新建）：
### 迭代 #N — [Bug 一句話描述]
**發生時間**: YYYY-MM-DD，[觸發情境]
**Bug**: [具體錯誤訊息或現象]
**根因**: [技術根因]
**修復**: [修復方法]
**對比預測**:
| 項目 | 預測 | 實際 | 判定 |
|---|---|---|---|
| [模組] | [預測] | [實際] | ✅/❌ |
**校準更新**: [這次學到什麼，對 AI 能力的認識有何更新]
**修正預測（迭代 #N 後）**:
- K 中樞：X% → Y%（原因）
- RW 中樞：X% → Y%（原因）
- 新增風險：[如有，否則寫"無"]
**迭代 #N 狀態**: [已驗證 / 尚未驗證]
追加 ### 最終復盤 段：
### 最終復盤
**完成時間**: YYYY-MM-DD
**總迭代次數**: N 次
**實際 K（AI 保留率）**: X%
**實際 RW（返工率）**: X%
**實際 Bucket**: [高槓桿/中槓桿/低槓桿/反效果]
**預測 vs 實際**:
| 指標 | 初始預測中樞 | 最終修正預測 | 實際 | 偏差 |
|---|---|---|---|---|
| K | X% | Y% | Z% | [+/-]P% |
| RW | X% | Y% | Z% | [+/-]P% |
**關鍵校準假設驗證**: [初始押注的假設成立了嗎]
**本次最大校準發現**: [一句話，對未來預測最有價值的新認識]
**Prompt 分析**:
- 最有效的 Prompt：[原文 + 為什麼有效]
- 最差的 Prompt：[原文 + 問題在哪]
**AI 失敗模式分類**（勾選本次出現的）:
- [ ] API 使用順序/細節錯誤（AI 知道 API 但不知使用禁忌）
- [ ] 語言版本行為差異（AI 訓練資料的版本行為不同）
- [ ] 冷門套件幻覺（AI 編造不存在的 API）
- [ ] 邏輯理解偏差（AI 理解了需求但設計錯了）
- [ ] 規格不清導致跑偏（SP 太低，這是 Spec 的問題）
- [ ] 其他：___
**下次同類任務的 Spec 建議**: [給自己的改進提示]
連續 ≥3 次預測同一模組「安全」但實際出問題 → 提議 /cheat-bump 重新評估 LV 維度評分邊界
## 預測 段，只追加復盤段/cheat-bump