Files

T

Leroy d3e9bd45bd LeMetaSkill v1.1.0：跨 runtime（ZCode/Claude Code/Codex）的 Agent Skill 创建与迭代工坊

- SKILL.md 双工作流（创建/迭代）+ 两道门（验料/通用化）+ 三档位
- 7 篇方法论 references + 3 个纯标准库脚本（scaffold/validate/trigger_eval）
- 自身触发用例 16 条 + 先例研究/创建/迭代证据报告
- 方法论吸收自 qiaomu-meta-skill 与 luban-skill，取舍见 reports/prior-art.md

2026-10-05 12:09:22 +08:00

4.1 KiB

Raw Permalink Blame History

迭代工坊——改进已有 Skill

改一个 skill，比新建一个更容易翻车：它已经有用户（哪怕用户只有 Leroy 自己），改坏了触发就断了。迭代的核心纪律是可回退、可比较、单面推进。

第一步：冻结基线

动任何刨子之前：

有 git：开分支或记录当前 commit；
没 git：cp -r <skill> <项目根>/.baseline/<skill>-<日期>/。

两条纪律（实战教训）：

基线必须放在发现路径之外。 放进 .agents/skills/ 或 ~/.claude/skills/ 里的基线副本会被 runtime 当成另一个 skill 发现，制造幽灵触发。
复制完立即验证。 head 一下基线的 SKILL.md 确认是旧版本——有些执行环境里文件写入跨调用不可靠，没验证过的基线等于没有基线。

之后所有候选改动都与基线比。基线是裁判，不是怀旧品。

第二步：诊断三把尺

尺	量什么	怎么量
结构尺	写得清不清楚	`python3 scripts/validate_skill.py <目录>`，FAIL/WARN 直接转差距条目
触发尺	该触发时触不触发、不该触发时误不误伤	`python3 scripts/trigger_eval.py <目录>` + 真实对话原话抽测
活体尺	真实任务里跑不跑得出结果	拿 2–3 个真实任务实际用一遍。"看起来能触发"不等于"跑得出结果"——静默失败比文档烂致命

活体尺最常被跳过，也最值钱。 大部分真问题（输出格式其实不稳定、某个步骤总卡住、引用的脚本跑不通）只有真实运行才暴露。

第三步：六维评分，定位最该刨的面

每维 0–10 分，每个分数必须给证据（哪条用例、哪次运行、哪行源码），凭手感打分作废：

维度	权重	量什么
触发与边界	25	description 覆盖、负触发、误伤/漏触发记录
可执行具体性	20	步骤是否可直接照做、示例是否字面可用
工作流清晰度	15	分步结构、何时读哪个 reference
失败模式与停手点	15	出错怎么办、何时问用户，有没有编码
实测表现	15	活体尺结果
资源纪律	10	有没有不承重的文件、悬空引用、超长正文

总分不是用来攀比的，是用来排序的：最低分且权重高的维度，就是本轮唯一要刨的面。

第四步：单面慢刨

一轮只改一个面（只修触发、或只重构工作流、或只补失败模式）。
用户批量授权（"都修了吧"）后，升级为单面单提交——每个改动独立过验证门，绝不把两个面塞进一次改动。
改动前先写下：本轮只刨 X；改动边界：只改 X，不动 Y；预期提升是什么。

第五步：验证门

候选改动全部满足才保留，否则回刀（恢复基线，重新想）：

比基线多通过至少 2 条测试原话（触发用例或真实任务）；
没有把 skill 写得更长但更难用——行数增加必须换来可执行性；
没有引入私有路径、密钥、不可复现依赖；
没有破坏原有通过项——基线能过而现在过不了的，是退化；
通过 validate_skill.py 全绿。

验收时换独立验收视角：假装是第一次见到这个 skill 的陌生模型，只读交付物，不知道改动过程。刨子和尺子不能握在同一只手里。

第六步：交付与回炉

交付改动报告（改了哪个面、验证证据、行数变化），并留回炉清单：

本轮"不做"的事和理由（下一轮入口）；
已知边界损耗（哪些用例还是过不了）；
沉淀机会：这次手写的验证手段，值得固化成 scripts/ 工具或 evals/ 用例吗？值得就顺手沉淀——验证不是脚手架，是交付物的一部分。

迭代时机

用户带着"它又翻车了"的原话回来 → 先把原话收编成用例，再修。
隔了一个月没动 → 先跑三把尺再决定刨哪里，不要凭上次印象。
多次小修仍不稳 → 怀疑是定位问题（验料没做对），回到第一道门重新定位，而不是继续打补丁。

4.1 KiB Raw Permalink Blame History Unescape Escape