| name | master-skill |
| description | 大师.skill — 输入「我做的细分行业」，自动完成行业大佬调研 / 工具地图 / 工作流 / 知识正典 / 信息源 / 术语标准 六轨深度调研，提炼为可运行的「行业 Master OS」skill。
生成的 {industry}.master skill 是自包含目录，所有 hermit agent / Claude Code agent / OpenClaw / Codex 都能安装，让 AI 立刻进入「这行的资深人」模式。
触发词：「造大师」「做个 X 的 master skill」「我是 X 行业」「让 agent 变成 X 大师」「update 大师 X」「大师 X」「我做 X，帮我蒸一个」。
|
| allowed-tools | Read, Write, Edit, Bash, WebSearch, WebFetch |
大师 · 行业蒸馏术
「同事.skill 蒸馏一个人，女娲.skill 蒸馏一种思维方式，大师.skill 蒸馏一整个行业的 OS。」
核心理念
一个好的行业 master skill 不是行业百科，是可运行的行业认知操作系统：
- 这行的人用什么心智模型看问题？（镜片）
- 这行的标准playbook 是什么？（决策启发式）
- 这行的人怎么沟通？（行业表达 DNA）
- 什么算好工作？（质量基准）
- 外行才会犯什么错？（反模式）
- 这行的工具栈和工作流今年怎么变的？（时效层）
关键区分：捕捉的是 HOW the field thinks，不是 WHAT happens to be in the news this week。
范围约束（重要）
- 粒度：一个 master skill 覆盖一个细分领域（例：「LLM agent 基础设施」「跨境电商运营」「足踝外科」），不要试图覆盖整个泛行业（「软件」「医疗」会让 OS 稀薄到没用）
- 目标用户：行业内 / 想入行 / 服务这行的人。不是给完全外行做扫盲
- 不替代实操工具：master skill 是「思维顾问」，不是 RPA。不要在里面塞「自动操作 X 后台」之类
- 版权安全：不存全本书 / 完整字幕 / 长段原文。只保留结构化摘要 + 来源元数据 + 极短引用
路径占位符 (iter 24 重要)
prompts 里两个不同的目录占位符:
| 占位符 | 含义 | 例子 |
|---|
{master_skill_dir} | master-skill 仓库 (本仓库) 的 skill/ 目录, 工具脚本住在这里 | ~/master-skill/skill/ 或 /Users/foo/master-skill/skill/ |
{skill_dir} | 当前正在生成 / 更新 的行业 skill 目录, 调研笔记 / SKILL.md / sub-skills 都写到这里 | ~/.claude/skills/llm-agent-infra-master/ |
工具脚本 (source_verifier.py / cold_detector.py / quality_check.py / collectors / ingest / transcribe) 不复制到生成的行业 skill 目录, agent 直接调 {master_skill_dir}/tools/.... 行业 skill 只装载 prompts + research notes + SKILL.md + sub-skills + cli/.
如果运行环境的 master-skill 路径变了, agent 替换占位符即可; 不需要改任何工具源代码.
执行流程
Phase 0: 入口分流
收到用户输入后判断路径：
| 用户输入 | 路径 | 示例 |
|---|
| 明确的细分行业 | 直接路径 → Phase 0A | 「我做跨境电商，给我做一个 master skill」 |
| 模糊的需求 | 诊断路径 → Phase 0B | 「我想转 AI 行业，但不知道哪个细分」 |
| 已存在的 skill | 更新路径 → Phase 0C | 「update 大师 LLM-agent-infra」 |
Phase 0A: 行业澄清（直接路径）
确认 6 个维度（用户没主动提的字段就问，主动给的就不要重问）：
- 行业 / 细分领域（必填）— 例：
LLM agent infra，不是 AI；跨境电商运营，不是 电商
- 聚焦方向（可选）— 全景画像 vs 某个角度优先（例：技术视角 vs 商业视角）
- 地域 / 语言区（可选）— global / 中文圈 / 美国 / 欧洲。影响信源选择
- 用户身份（可选）— 从业者 / 学习者 / 投资人 / 咨询。影响 master skill 的语气与决策视角
- 本地素材（强烈推荐询问）— 「你手上有这行的一手素材吗？行业报告 PDF / 内部文档 / 你写过的文章 / 长访谈 transcript / 视频字幕？有的话直接丢给我，比网上搜到的二手转述质量高得多」
- 新建 or 更新（可选）— 检查
~/.claude/skills/{slug}-master/ 是否已存在
用户没主动给 → 默认全景 + global + 从业者视角 + 无本地素材，确认后推进。
用户提供了本地素材 → 标记为本地语料模式，Phase 1 采集策略相应调整。
确认后 → Phase 0.5。
Phase 0B: 需求诊断（模糊路径）
用户不确定要蒸哪个细分时，反推合适的范围。
Step 1: 锚定核心目标
最多 1-2 轮追问，定位用户真正的需求维度：
| 维度 | 典型表达 | 反推方向 |
|---|
| 谋生 / 转行 | 「想入行 X」「做这个能赚钱吗」 | 商业生态视角的 master skill |
| 提效 | 「这行的工作流我搞不清」「文档堆成山」 | 工作流视角的 master skill |
| 决策 | 「不知道该选 A 还是 B」 | 工具选型 + 标准 playbook |
| 学习 | 「想系统学这行」 | 知识正典视角 |
| 创业 | 「想做 X 方向的产品」 | 行业 OS + 信息源（找未被满足的需求） |
Step 2: 反推候选
基于用户表达，提议 2-3 个具体的细分领域。每个候选要回答：
- 这个细分目前真有可调研的公开材料吗？（冷门领域的 master skill 质量必差）
- 它跟用户的需求多对齐？
- 它跟其他候选的差异在哪？
用户选定后 → Phase 0A 补全 6 个维度 → Phase 0.5。
Phase 0C: 更新路径
读取已存在的 {slug}-master/SKILL.md，从 frontmatter 找到 last_research_date。基于距今多久决定刷新强度：
| 距今 | 刷新策略 |
|---|
| < 1 月 | 拒绝刷新，告知用户最近刚更新过 |
| 1-3 月 | 仅 Track B（工具）+ Track C（工作流）+ Track E 中的「最新动态」节 |
| 3-6 月 | 加上 Track A（看 top figures 是否有大动作）+ Track F（标准是否有新版） |
| > 6 月 | 全部 6 轨重跑，但保留旧版 archive |
不要每次都重写整个 skill — 行业的核心 OS 通常 1-2 年才动一次，工具 / 工作流才是高频变量。
Phase 0.5: 创建 Skill 目录
在调研开始之前完成：
{HOST_SKILLS_ROOT}/{slug}-master/
├── SKILL.md # 最终产物
├── meta.json # 元数据 (industry, locale, profile, last_research_date, source_count)
├── scripts/ # 工具脚本（继承自 master-skill 仓库 + 行业特化）
└── references/
├── research/ # 6 轨调研结果（必存）
│ ├── 01-figures.md # 行业大佬
│ ├── 02-tools.md # 工具地图
│ ├── 03-workflows.md # 工作流 / SOP
│ ├── 04-canon.md # 知识正典（书 / 论文 / 课）
│ ├── 05-sources.md # 信息源（newsletter / podcast / 会议 / 社区）
│ └── 06-glossary.md # 术语 + 标准 + 法规
├── synthesis.md # Phase 2 提炼结果（行业 OS）
└── sources/ # 一手素材（用户提供 + 网络下载的字幕等）
├── books/
├── transcripts/
└── articles/
HOST_SKILLS_ROOT 解析：
- Claude Code:
~/.claude/skills
- OpenClaw:
~/.openclaw/skills
- Codex:
~/.codex/skills
- Hermes:
~/.hermes/skills
- 其他 / 不确定：在当前 cwd 下创建
./{slug}-master/，最后让用户决定装到哪
目录创建后立即检查：
关键规则（开源分发的核心）：
- 所有调研文件必须存在 skill 目录内部
references/research/，绝不存到外部目录
- skill 必须自包含：clone 整个目录就能用
- 每个 subagent 必须把调研写入对应文件。不存文件的调研等于没做
Phase 1: 多源信息采集（六轨 Agent Swarm，wave 结构）
模式判断
| 模式 | 触发 | 策略 |
|---|
| 纯网络搜索（默认） | 用户没给本地素材 | 6 个 Agent 全部走网络 |
| 本地语料优先 | 用户提供了 PDF / 行业报告 / transcript | 先按 6 轨分类本地素材，识别缺口，定向网络补充 |
| 纯本地语料 | 用户明确说「只用我给的」 | 只分析本地，不联网 |
Wave 结构（重要 — 不是纯并行）
iter 4 figures 跑通后发现：6 轨之间互相是 bootstrap 输入。Track 01 (figures) 的「最大几家公司创始人」依赖 Track 02 (tools) 找到的「关键工具」；Track 02 的「业内人吐槽过哪些工具」反过来依赖 Track 01 找到的人。强行纯并行 → 各轨都凭空猜起点。
执行结构：
Wave 1（并行）— 「广撒网」轨：
- Track 04 (canon) — 必读书 / 论文 / 课，搜索路径最独立（看 Goodreads / arXiv / 大学课程页就行）
- Track 05 (sources) — newsletter / podcast / 会议，搜索路径独立（搜「{industry} podcast」「{industry} newsletter」）
- Track 06 (glossary) — 术语 + 标准，从行业入门书 / 维基 / 标准化机构 page 抓
Wave 1 加速器：先跑 collectors 拉机械 seed (iter 24)
Wave 1 启动前 2 分钟跑这 4 个 collector, 拉到结构化 seeds.jsonl, 让 web search 不再凭空猜:
mkdir -p {skill_dir}/references/research/seeds
python3 {master_skill_dir}/tools/collectors/github_topics.py --topic {topic} \
--limit 30 --output {skill_dir}/references/research/seeds/github_repos.jsonl
python3 {master_skill_dir}/tools/collectors/arxiv_collect.py --query "cat:cs.AI AND all:agent" \
--max 30 --output {skill_dir}/references/research/seeds/arxiv_papers.jsonl
python3 {master_skill_dir}/tools/collectors/rss_collect.py --feed-list {skill_dir}/intake.feeds.txt \
--max 20 --output {skill_dir}/references/research/seeds/rss_items.jsonl
python3 {master_skill_dir}/tools/collectors/podcast_rss.py --apple-id {N} \
--max 30 --output {skill_dir}/references/research/seeds/podcast_episodes.jsonl
Wave 1 subagent 必须先 cat 这些 jsonl 再启动 web search. 例如 Track 05 (sources) 看 podcast_episodes.jsonl 里反复出现的 host / show 直接进 retain 候选; Track 04 (canon) 看 arxiv_papers.jsonl 的 author 网络. 这把「凭直觉撒网」换成「从机械 seed 撒网」, 漏掉的高密度一手少很多.
Seeds JSONL 通用 schema (collectors 都遵守):
type: github_repo / arxiv_paper / rss_item / podcast_episode (必填, agent 根据它路由)name / title: 实体名url: 一手 URL (跑 source_verifier classify 取 bucket)author / host / show_host: 主创published / pushed_at / last_activity: ISO 时间戳 (用于 freshness)- 类型特有字段: stars/forks (github), authors/abstract (arxiv), guests/duration_sec (podcast), summary (rss)
- 任何 collector 输出都可作 seed; agent 在合并时用
url 去重
Wave 2（并行，用 Wave 1 的产出做 seed）— 「人 + 工具」轨：
- Track 01 (figures) — 用 Wave 1 的 canon 作者 + sources 嘉宾名单作为初始候选
- Track 02 (tools) — 用 Wave 1 的 sources 中频繁讨论的工具 + canon 中点名的工具作为初始候选
Wave 3（用前两 wave 的产出做 seed）— 「整合」轨：
- Track 03 (workflows) — 综合 figures 怎么干活 + tools 怎么用 + canon 中描述的流程，提炼当前 SOP
每个 wave 内可并行启动 subagent。Wave 之间串行，但每 wave 跑完不阻塞用户 —— 模型并行 swarm 的内部时间预算 ≤ 3 min / wave，整体 Phase 1 应在 10-15 min 内拿到完整 6 个 research note 文件。
Wave seed fallback 统一规则（findings iter 7+8 unified）：
| 上 wave 总产出 seed 数 | 下 wave 启动策略 |
|---|
| ≥ 8 seeds | 正常启动，按 seed 撒大网 |
| 5-7 seeds | 警告但启动，subagent 模板被指示「seed 偏少，加权 web search 兜底」 |
| 1-4 seeds | 启动前先回头检查上 wave subagent 是否还在跑 / 是否失败；如确定失败 → 启动当前 wave 但降级为「半 seeded 半 web search」 |
| 0 seeds | STOP，向用户报告：「上 wave 信号 0，可能行业极冷僻 / 闭源主导 / 输入有误。要继续吗？」用户决定 (a) 等待重试 (b) 切纯 web search 模式 (c) 收回 industry 重新选 |
如果某 wave 内某 track 失败（5 min 没产出有效 source），不阻塞下一 wave，但 seed 总数减少。子 wave 自动按上表表行降级。
启动 wave 1 的 3 个 subagent；Wave 1 完成后启动 wave 2 的 2 个；Wave 2 完成后启动 Wave 3 的 1 个。每个 subagent 任务模板（以 Track A 为例）：
你的任务：调研「{industry}」行业的 {track_topic}。
{track-specific 搜索方向}
强制约束：
- 调研结果必须写入 {skill_dir}/references/research/{NN-track}.md
- 每条信息标注来源 URL 和可信度（一手 > 二手 > 推测）
- 区分一手（行业人自己说的）vs 二手（别人转述的）vs 推断（你的判断）
- 发现矛盾保留，不和稀泥
- 不要存全本书 / 长字幕 / 大段原文 — 只存结构化摘要 + 来源
- 信源黑名单：{locale-specific blacklist}
- 信源优先级：用户本地一手素材 > 行业人本人输出 > 长访谈 > 行业经典著作 > 权威媒体长稿 > 社交媒体短稿 > 二手转述
6 个 Agent 的任务分配
| Agent | Track | 搜索目标 | 提取重点 | 输出 |
|---|
| 1 | Figures | top 10-15 thought leaders | 各自的「核心一句话」、代表作品、值得读 / 听 / 看的 3 件事、争议、最近 12 个月动态 | 01-figures.md |
| 2 | Tools | canonical 工具 + 新兴工具 | 用什么场景、相对优劣、近 12 个月有没有出现颠覆性新工具、选型决策树 | 02-tools.md |
| 3 | Workflows | SOP / 方法论 / pipeline | 入门人怎么走完一个完整任务、资深人怎么走、近期工作流变化（AI / 工具升级带来的） | 03-workflows.md |
| 4 | Canon | 必读书 / 论文 / 课 / 核心概念 | 「这行的人都读过」的清单（≥3 个独立来源都点过）、核心 20-30 个概念 | 04-canon.md |
| 5 | Sources | 信息源 | newsletter（前 5）、podcast（前 5）、会议（前 3-5）、社区（前 3-5）、dataset（如适用）、定期更新频率 | 05-sources.md |
| 6 | Glossary | 术语 + 标准 | 高频黑话 / 缩写、合规框架、认证、最近一次行业标准更新 | 06-glossary.md |
音视频转文本（必备能力）
行业素材大量是访谈、conference talk、podcast。优先级：
- YouTube / B 站官方字幕：
yt-dlp --write-subs --skip-download，优先人工字幕 → 中文 → 英文 → 自动字幕
- podcast transcript 网站：podcastnotes.org、transcriber.io 等，搜「{podcast name} transcript」
- 本地 whisper fallback：仅当用户明确提供音频文件且没有公开 transcript 时使用
- 转写后存
sources/transcripts/{slug}.txt
注意：调研笔记中不要 paste 完整 transcript，只提取观点 + 引用极短句子。
信源黑名单（按 locale）
| Locale | 永远排除 |
|---|
| zh-CN | 知乎、微信公众号、百度百科、百度知道、CSDN（除非是作者本人原文） |
| en | Quora answers（除非作者认证）、ChatGPT-generated blog spam、内容农场 |
| 通用 | AI summaries 站（无原文链接的）、SEO 农场 |
利用已安装的辅助 skill
Phase 1 启动前扫描 ~/.claude/skills/（或宿主对应路径），如果有以下 skill 可调用，告知 subagent：
| Skill | 用途 |
|---|
agent-reach | 多平台信息获取（X / Reddit / YouTube / Bilibili / 小红书等） |
web-article-reader | 精读网页全文 |
pdf | 读 PDF 行业报告 |
gemini-video | 用户提供本地视频文件无字幕时转写 |
nuwa-skill | 关键：Phase 3 时调用它生成 top 3 figures 的 sub-skill |
Agent 失败 / 信息不足处理
- 单 Agent 跑 5 分钟无有价值结果 → 不等，继续推进，在诚实边界中标注
- 总来源 < 30 条 → 冷门领域协议：
- 心智模型限制为 2-3 个
- 工作流模块标注「基于有限信息」
- 扩大诚实边界
- 告知用户：「这个细分目前公开材料偏少，{N} 条来源。如果你能提供以下材料质量会显著提升：[列出关键缺口]」
Phase 1.5: 调研 Review 检查点
所有 Agent 完成后强制暂停，向用户展示结构化摘要：
┌──────────────────┬──────────┬─────────────────────────────────┐
│ Track │ 来源数 │ 关键发现 │
├──────────────────┼──────────┼─────────────────────────────────┤
│ 1 Figures │ N │ top: A / B / C；最近动态: ... │
│ 2 Tools │ N │ canonical: X / Y；新出: Z │
│ 3 Workflows │ N │ 当前 SOP: ...；近期变化: ... │
│ 4 Canon │ N │ 必读 top 3: ... │
│ 5 Sources │ N │ newsletter / podcast / 社区 │
│ 6 Glossary │ N │ 关键术语 N 个 │
├──────────────────┼──────────┼─────────────────────────────────┤
│ 矛盾点 │ N 处 │ Track1 说 X, Track4 说 Y │
│ 信息不足维度 │ [列表] │ 补充计划: ... │
│ 一手 / 二手比例 │ a:b │ 一手占比 X% │
│ 冷门领域? │ 是 / 否 │ │
└──────────────────┴──────────┴─────────────────────────────────┘
用户确认 OK → Phase 2。
用户觉得某轨不够 → 补完再继续，不能跳过。
这一关挡住的是：调研垃圾导致后续提炼全部失真。垃圾进垃圾出，在这里返工成本最低。
Phase 2: 框架提炼（Synthesis）
读取 6 轨 research 笔记，提炼行业 OS。
2.1 行业心智模型（3-7 个）
= 这行的人看问题的独特镜片。
三重验证筛选：
- 跨场景复现：在 ≥ 2 个不同案例 / 子领域 / 经典著作中出现？
- 生成力：能用它推断这行人对一个新问题的立场？
- 排他性：不是所有聪明人都会这样想？只有这行的人这样想？
三重通过 → 心智模型；仅 1-2 重 → 降级为决策启发式；0 重 → 丢弃。
每个模型记录：名称、一句话描述、≥ 2 处来源证据、应用方式、局限。
2.2 标准 playbook（5-10 条决策启发式）
= 这行的人面对 X 类问题时的快速规则。表述为「如果 {场景}，则 {决策方向}」，每条配 1-2 个具体案例。
2.3 工具栈与选型决策树
从 Track 02 提炼：
- 必备工具（≥ 80% 从业者用）
- 场景特化（不同子方向用不同的）
- 新兴 / 实验（近 12 个月出现，未必稳定）
- 避坑清单（外行容易选错的）
2.4 工作流 / pipeline
从 Track 03 提炼：
- 入门 SOP：完成一个最小完整任务的最少步骤
- 资深路径：跳过 / 优化哪些步骤
- 近期变化：AI / 新工具 / 法规变化带来的工作流改写
2.5 行业表达 DNA
从 Track 01 / 03 / 06 提炼：
- 这行人的高频用语 / 黑话
- 严肃讨论 vs 轻松吐槽的 register 差别
- 内部 vs 外部沟通时的差异
- 一个外行读起来「不像这行的」的常见破绽
2.6 质量基准 + 反模式
- 什么算「好」：3-5 条具体可验证的基准
- 什么是反模式：外行 / 入门常犯的 5-10 条错误
2.7 智识谱系
这个行业的几个主要流派 / 学派 → 各自的奠基人 → 当前代表人物 → 核心分歧。
2.8 诚实边界
必须明确写出的局限：
- 信息截止
{research_date}，工具 / 工作流模块衰减最快
- master skill 不能替代行业实操经验
- 公开信息有偏差（成功者发声多，失败者沉默）
- 这次调研的薄弱维度（如有）
2.9 Agentic Protocol 种子
为 Phase 3 准备：从 2.1 / 2.3 / 2.4 推导出「这行人面对一个新问题时，会按什么维度去做功课」。例如：
- 「跨境电商运营」 master 拿到「我要在德国上线一个新品类」 → 默认会研究：竞品定价（看 Helium 10）、目标市场习惯、税务（VAT / 一站式申报）、物流（FBA / 海外仓选型）、合规（CE / GS / 包装法）
写下 3-10 个（按行业复杂度调整）这行人面对新问题时的标准研究维度，每个维度配 1-2 个具体的搜索 / 查询动作。简单行业（窄 + 工具少）3-5 个；标准行业 5-7 个；复杂行业（宽 + 工具栈多 + 流派多）7-10 个。
Phase 2.5: 提炼确认检查点
向用户展示提炼摘要：
{industry} Master OS 提炼结果
─────────────────────────────────
心智模型：N 个
1. {名称} - {一句话}
2. ...
标准 playbook：N 条
工具栈：必备 N / 场景化 N / 新兴 N
工作流：入门 / 资深 / 近期变化
表达 DNA：{3-4 个关键特征}
质量基准：N 条
反模式：N 条
智识谱系：{N 个流派}
诚实边界：N 条
Agentic Protocol：N 个研究维度
─────────────────────────────────
确认进入 Skill 构建？还是某项要调？
用户确认 OK → Phase 3。
用户觉得某项不准 → 回到 Phase 2 调整。
Phase 3: Skill 构建
将 Phase 2 提炼组装为可运行的 SKILL.md。
Step 1: 读取生成模板
读取 references/skill-template.md（master-skill 仓库自带）获取标准结构。模板定义：
- frontmatter（name / description / triggers / industry / locale / last_research_date）
- 角色扮演规则
- Agentic Protocol（按行业研究维度做功课再答）
- 行业 OS 模块（心智模型 / playbook / 表达 DNA / 质量基准 / 反模式 / 智识谱系 / 诚实边界）
- 知识模块（figures / tools / workflows / canon / sources / glossary）
- 调研来源汇总
Step 2: 填充
按模板逐 section 填入 Phase 2 结果。
| 模板 Section | 填充来源 |
|---|
| frontmatter | meta.json + research summary |
| 角色扮演规则 | 直接用模板 default |
| Agentic Protocol | Phase 2.9 推导的研究维度 |
| 心智模型 | Phase 2.1 |
| 标准 playbook | Phase 2.2 |
| 工具栈 | Phase 2.3 |
| 工作流 | Phase 2.4 |
| 表达 DNA | Phase 2.5 |
| 质量基准 + 反模式 | Phase 2.6 |
| 智识谱系 | Phase 2.7 |
| 诚实边界 | Phase 2.8 |
| Figures / Tools / Workflows / Canon / Sources / Glossary | Track 01-06 整理后摘要 + 链接到 references/research/ |
| 调研来源 | 6 轨引用汇总 |
Step 3: Top Figures Sub-skill — cross-skill composition (v1.x)
大师.skill 调女娲.skill 蒸馏 top figures, 生成的 person sub-skill 嵌入 sub-skills/. 这是 cross-skill composition 的核心 — 大师不重新发明 person 蒸馏, 它委托给女娲.
3.0 先决条件
- 用户在 Phase 0A 选了「全景画像」或明确要求 sub-skill
- Track 01 (figures) 至少有 3 个 figures 已被多源认可（≥ 2 endorsement-evidence per figure）
- nuwa-skill 已安装 (
~/.claude/skills/nuwa-skill/ 或 ~/.openclaw/skills/nuwa-skill/); 没有则告知用户「装一下女娲.skill 才能展开 sub-skill 步骤」
如果用户选了「聚焦」或时间紧 → 跳过本步, 只在主 skill 中保留 figures 摘要 (Track 01 输出已足够).
3.1 选 Top 3 figures
读 references/research/01-figures.md, 按以下排序选 top 3:
| 优先级 | 标准 |
|---|
| 1 | endorsement count (≥ 3 个独立来源点过为优先) |
| 2 | long-form material 量 (有 ≥ 2 hour podcast / multiple book chapters / ≥ 5 long-form blog) |
| 3 | 思维方式独特度 (figures 之间观点重叠度低, 同一行业 3 个一样的 figure 没意义) |
| 4 | 当前活跃度 (最近 12 月有公开发声) |
反模式: 选「业内最有名」(可能只是 PR 强), 而忽略「思维最锐利」.
3.2 准备每个 figure 的素材包
为每个 top figure 准备:
- 基础事实: 姓名 / 公司 / 角色 / 主要观点 (从 01-figures.md 的「核心一句话」字段)
- 长素材: ≥ 2 个 long-form material 的 transcript / 长文 (优先用
tools/transcribe/youtube.sh 处理 podcast / talk)
- 代表作品: 文章 / 演讲题目 / 书 (URL 可)
- 争议立场: figure 的非 mainstream 观点 (这部分通常最能体现思维方式)
把这些写到一个临时 prompt blob, 用 prompts/sub-skill-figures.md 模板填充.
3.3 spawn subagent 调用 nuwa-skill
spawn subagent (general-purpose):
prompt: 「{prompts/sub-skill-figures.md 填充后的内容}」
working_directory: {slug}-master/sub-skills/{figure-slug}/
subagent 拿到任务后:
- 读
~/.claude/skills/nuwa-skill/SKILL.md (或者其他 host 的 nuwa 安装路径)
- 走 nuwa-skill 的 5 步流程 (intake → 思维素材采集 → 三轨提炼 → 生成 → 验证)
- 把生成的 person sub-skill 写到
{slug}-master/sub-skills/{figure-slug}/
- subagent 完成后回主 agent, 报告写入文件清单
主 agent 跑 3 个 subagent 并行 (3 个 figures 互不依赖, 可并发).
3.4 在主 SKILL.md 中绑定 sub-skill
主 SKILL.md 「智识谱系」节末尾自动插入:
### Sub-skills (女娲蒸馏的 top figures)
需要某位 figure 的视角时, 加载对应 sub-skill:
| Figure | Sub-skill 路径 | 何时调用 |
|--------|--------------|---------|
| {figure-1} | `sub-skills/{slug-1}/SKILL.md` | 当问题涉及 {topic-1} 时 |
| {figure-2} | `sub-skills/{slug-2}/SKILL.md` | 当问题涉及 {topic-2} 时 |
| {figure-3} | `sub-skills/{slug-3}/SKILL.md` | 当问题涉及 {topic-3} 时 |
skill_writer.py 的 meta.json 同步更新 sub_skills 字段 (slug + path 列表).
3.5 失败模式
| 失败场景 | 应对 |
|---|
| nuwa-skill 没装 | 告知用户安装 + 暂时跳过 sub-skill 步骤, 完整大师 skill 仍能交付 |
| figure 的 long-form material 不够 | 跳过这个 figure, 选第 4 名顶上, 或降级为只在 01-figures.md 中保留摘要 |
| nuwa-skill subagent 超时 | 30 min 没完成单个 figure → 标记 timeout, 主 agent 决定是否等; 不阻塞 Step 4 写入主 skill |
| 三个 figures 思维高度重叠 | 选 2 个差异大的, 第 3 个换成持反对立场的 figure (即使排名靠后) |
Step 4: 写入
调 tools/skill_writer.py create（v0.3+），它会：
- 写
{skill_dir}/SKILL.md（自动注入 synthesis body）
- 写
{skill_dir}/meta.json（自动算 source ratio + decay registry）
- 复制 6 个
references/research/0X-*.md 到 skill 内部
- 复制
references/synthesis.md（自包含）
python3 tools/skill_writer.py create \
--skill-dir <output> \
--intake <intake.json> \
--synthesis <synthesis.md> \
--template references/skill-template.md \
--research-dir <research/>
Step 5: CLI 工具流子树 (v0.6+)
skill_writer.py 在写完 SKILL.md / meta.json 后，自动调 tools/cli_writer.py emit 生成 cli/ 子树：
| 脚本类别 | 来源 | 输出 |
|---|
cli/protocol/agentic.sh | synthesis Section 9 (Agentic Protocol) | 拿到新问题时按 N 维度做功课的交互脚本 |
cli/decision/{cluster}.sh | synthesis Section 2 (Playbook 规则聚类) | 决策树（每个聚类 ≥ 1 条规则） |
cli/workflow/{wf-slug}.sh | research/03-workflows.md | SOP 走查 + 失败模式自检 |
每个生成脚本支持 --help / --explain / --dry-run / --json 标准接口。完整 spec: references/cli-spec.md。
如果用户不要 CLI（例如纯演示）：skill_writer.py create --no-cli.
Phase 4: 质量验证
生成后用子 agent 独立测试（避免自评偏差）：
4.1 已知测试（Sanity Check）
挑 3 个这行有共识答案的问题，spawn 子 agent 带着新 skill 回答。对比业内共识：
- 方向一致 → PASS
- 偏离 → 回 Phase 2 调整
4.2 边缘测试（Edge Case）
挑 1 个这行人没特别讨论过但相关的问题，让 skill 推断。
- 期望：「基于 {心智模型 X} 和 {playbook Y} 推断，可能 ...; 但需要 {具体来源} 确认」
- 不应该斩钉截铁
4.3 风格测试（Voice Check）
让 skill 写 100 字行业短评。盲测能否被识别为「这行的人写的」。
4.4 通过标准
| 检查项 | 通过 | 不通过 |
|---|
| 心智模型数 | 3-7 | < 3 或 > 10 |
| 每个模型有局限 | ✓ | 只写优点 |
| 表达 DNA 辨识度 | ✓ | 像通用 ChatGPT |
| 诚实边界 | ≥ 3 条具体 | 只有「不能替代真人」 |
| 一手来源占比 | ≥ 50% | 主要二手转述 |
| Agentic Protocol | ≥ 5 个研究维度 | < 3 |
| 时效性标注 | ≥ 1 处 last_updated | 无 |
不通过 → 标注薄弱维度回 Phase 2 迭代。最多 2 轮，仍不通过则在诚实边界中明确标注，交付当前最优版本。
Phase 5: 双 Agent 精炼（标准后置）
Phase 4 通过后，并行启动两个评审 agent：
Agent A（auto-skill-optimizer 视角）：
- 评 SKILL.md 的工作流清晰度、边界条件、检查点设计、指令具体性
- 干跑 3 个典型 prompt，评估有效性
- 输出最弱 2 个维度的具体改进建议（带改后文本示例）
Agent B（skill-creator 视角）：
- 评激活触发条件是否覆盖真实场景
- 评角色扮演规则的可操作性
- 识别缺失的关键信息
- 输出 2-3 处具体改动建议（带改后文本示例）
主 agent 综合两份报告，应用不冲突的改进，向用户展示变更摘要请求确认。
精炼标准：让 skill「激活即执行」，不是「内容更多」。
更新已有 Skill
走 Phase 0C 路径。重点：
- 读
meta.json 中 last_research_date
- 按距今时长决定哪几轨重跑
- 旧的
references/research/ 文件移到 references/research/archive/{date}/
- 重跑选定的 track，但保留旧版本可参考
- Phase 2 重新提炼时，明确对比新 vs 旧：
- 新信息加强现有模型 → 补充案例
- 新信息与旧模型矛盾 → 标记 changed，更新模型，在诚实边界写「{date} 起 {模型 X} 改为 ...」
- 出现新模型 → 加入
- 旧模型彻底过时 → 标记 deprecated，移到「历史模型」节
- 写
CHANGELOG.md 记录这次更新动了什么
- 不重写整个 skill，只增量更新
品味守则（速查）
| 原则 | 一句话 |
|---|
| 长访谈 > 金句 | 1 小时 podcast 比 50 条推文更揭示行业 OS |
| 争议 > 共识 | 流派分歧最能揭示行业的真问题 |
| 工具栈年更 vs OS 年更 | Phase 3 的工具 / 工作流模块每 3-6 月可衰减；心智模型 1-2 年才动 |
| 一手 > 二手 | 行业人本人发的内容 > 别人写他的 |
| 本地素材 > 网络搜索 | 用户手上的行业报告 PDF / 内部文档 > 任何网络爬来的 |
绝不做的事
- 编造行业 figures 没说过的话 / 没写过的书
- 把通用商业道理包装成「{X 行业的} 独特见解」
- 忽略行业的真实争议、骗局、黑历史
- 在公开材料 < 30 条时强行生成「全维度 master skill」
与其他 skill 的关系
| Skill | 用途 |
|---|
| 同事.skill (dot-skill) | 蒸馏一个具体的人（同事 / 合作方） |
| 女娲.skill | 蒸馏一种思维方式 / 名人 OS。大师.skill 在 Phase 3 调用它生成 top figures 的 sub-skill |
| 大师.skill（本 repo） | 蒸馏一个细分行业的 OS |
层级：dot < nuwa < master，覆盖范围一层比一层大，调研深度逐层下降。
