用途
create-skill-autoresearch 是一个“工厂”型技能，用于锻造生产级、经过基准测试、可自主改进并经验证的智能体技能（agent skills）。它面向需要创建高质量技能的场景，通过金标准驱动的自动研究、多智能体验证和结构化共识来完成。
主要能力
该工厂编排 4 种智能体角色，走完 5 个阶段：
- 访谈（Interview）：由 ORCHESTRATOR 发现目的、金标准与范围。
- 研究（Research）：由 RESEARCHER（N 个并行）研读领域材料、构建档案、提出评分标准。
- 起草（Draft）：由 BUILDER 设计结构、生成 SKILL.md、测量基线。
- 自动研究（Autoresearch）：由 BUILDER + autoresearch 技能，依据金标准迭代技能（LLM 作为评判者，或对程序性技能使用客观真实世界指标）。
- 验证（Verify）：由 PANEL（3 个子智能体）进行事前验尸、小组评分、共识、发布或迭代。
关键约束：BUILDER 与 PANEL 从不共享上下文。评审小组只接收技能输出、金标准和评分标准，不受构建过程偏见影响。
与 create-skill 的关系
该工厂扩展而非替代官方单次生成式技能创建器（Anthropic 的 Skills 最佳实践与 skill-creator；Cursor 的 create-skill）。它增加了单次生成器无法提供的内容：研究档案、金标准基准测试、自主改进循环和独立多智能体验证。其产出的技能遵循相同的官方约定。
配套技能
工厂在运行时编排这些同级技能：autoresearch（第 4 阶段改进循环）、premortem（第 5 阶段风险检查）和 handoff（跨会话连续性）；第 5 阶段的小组/共识设计借鉴 llm-council。在此 harness 中它们被 vendored 到 .agents/skills/ 下。若单独安装此技能，需一并安装这些配套技能。工厂的 craft 层（references/skill-craft-principles.md）提炼自 writing-great-skills（mattpocock/skills，MIT），harness 将其 vendored 到 .agents/skills/ 下。第 5 阶段在 tribunal 安装后会委托给它。
使用方式
第 1 阶段：访谈
通过结构化问题发现用户需求，不要假设——要提问。一次问一个主题并记录答案。
需要发现的内容包括：目的与领域、金标准、研究材料、范围与约束、是否已有现成技能。金标准最少 3 个，少于 3 个存在风险，需警告用户并提供替代方案。
确认后，在 builds/<skill-name>/ 创建构建工作区，含三个归属区：input/（用户放入金标准与研究材料）、work/（工厂生成的一切）、output/<skill-name>/（完成的技能，可发布）。
第 2 阶段：研究
在编写任何技能代码前彻底研究领域。按相关性聚类研究材料，每个聚类启动一个 explore 子智能体。聚类上限 5-7 个，最少 2 个。每个子智能体深入阅读材料，将发现提炼为 work/research/ 中的研究笔记。之后综合为 00-synthesis.md，并起草 work/evaluation/rubric.yaml。
评分标准始终包含这些通用维度：correctness、completeness、clarity、consistency、predictability。再添加 3-5 个领域特定维度（共 5-10 个）。
第 3 阶段：起草
先设计后编写，先编写后测量。创建 DESIGN.md，对设计进行对抗性拷问，然后生成 SKILL.md 草稿。写前运行预检清单（硬约束）：name <= 64 字符、description <= 1024 字符、正文 < 500 行、渐进式披露、文件引用仅一层深等。
构建评估脚本 work/evaluation/evaluate.sh，接收金标准测试用例路径，提取输入，调用技能（以 SKILL.md 作为系统提示调用 LLM），用 LLM 作为评判者与金标准比较，输出 METRIC 行。
确定性评估与 LLM 评判：并非每个维度都需要 LLM 评判。尽可能优先使用确定性检查（行数、frontmatter 验证、链接完整性、模式覆盖、结构一致性）。仅在需要主观判断的维度使用 LLM 作为评判者。若无 LLM API，回退到仅确定性评分并记录警告。
程序性/智能体技能：有些技能不一次性生成产物，而是指示智能体对真实产物执行多步任务。对这些技能，应通过针对真实产物的执行和客观真实世界指标来评估。
多评判者评估（预算允许时推荐）：用 2-3 个不同 LLM 模型作为评判者，平均其各维度分数，跟踪每个评判者的方差。
测量基线：在测试用例上运行 evaluate.sh，记录基线分数（实验 0）。
第 4 阶段：自动研究
调用 autoresearch 技能，依据评估评分标准迭代技能草稿。配置参数包括目标、指标命令、主指标、方向、范围内/外文件、约束、预算、检查。
数据划分：金标准 >= 10 时，70% 训练、20% 验证、10% 测试；3-9 时采用留一法轮换。
过拟合检测：自适应地对验证集运行 evaluate.sh。若训练提升而验证下降超过 0.05，警告用户。
结束循环是工厂的决定，不是循环的。置信度合格的平台期是终止性的。
第 5 阶段：验证
进行事前验尸、小组评分、共识、发布或迭代。
适用场景
适用于需要创建生产级、经过基准测试和验证的智能体技能的场景，尤其是需要金标准驱动、自主改进循环和独立多智能体验证的复杂技能开发。
限制
- 金标准最少 3 个，少于 3 个存在风险。
- 大型金标准集（100+）成本较高，需采用采样策略。
- 若无 LLM API，回退到仅确定性评分。
- 单独安装时需一并安装配套技能（autoresearch、premortem、handoff）。
- 具体收费、价格、平台等信息暂未提供。