SuperAPI AI 工具集

rules-distill

通用与其它

查看项目

更新于 10-15 17:59

技能介绍

用途

rules-distill 用于将分散在多个技能中的跨领域原则提炼为规则,解决规则文件长期不维护、与技能实践脱节的问题。

主要能力

  • 扫描已安装技能,提取在多个技能中反复出现的跨领域原则。
  • 将提取结果提炼为规则,支持追加到现有规则文件、修订过时内容,或创建新规则文件。
  • 采用「确定性收集 + LLM 判断」原则:脚本穷尽式收集事实,LLM 交叉阅读完整上下文后给出裁决。
  • 对候选原则给出裁决类型:Append(追加到现有章节)、Revise(修订不准确或不足内容)、New Section(在现有文件新增章节)、New File(新建规则文件)、Already Covered(已被规则覆盖)、Too Specific(应留在技能层)。
  • 结果保存到技能目录的 results.json,包含时间戳(UTC 秒级精度)与 kebab-case 的候选 ID。

使用方式

何时使用

  • 定期规则维护(每月或安装新技能后)
  • 技能盘点后发现应上升为规则的模式
  • 规则相对所用技能显得不完整时

三阶段流程

阶段 1:盘点(确定性收集)

收集技能清单:

bash ~/.claude/skills/rules-distill/scripts/scan-skills.sh

收集规则索引:

bash ~/.claude/skills/rules-distill/scripts/scan-rules.sh

向用户展示盘点结果(扫描的技能文件数、规则文件数与索引标题数),然后进入交叉阅读分析。

阶段 2:交叉阅读、匹配与裁决(LLM 判断)

提取与匹配在单次处理中统一完成。规则文件总量较小(约 800 行),可把全文提供给 LLM,无需 grep 预过滤。

分批:根据技能描述将其分组成主题簇,每个簇由子代理结合完整规则文本分析。

跨批合并:所有批次完成后合并候选——对相同或重叠原则去重;结合所有批次证据重新检查「2+ 技能」要求(单批各 1 个技能但合计 2+ 技能的原则有效)。

子代理提示词要点:启动通用代理,输入为当前批次技能全文与全部规则文件全文。

提取标准(须全部满足):

  1. 出现在 2+ 技能中:仅出现在一个技能中的原则应留在该技能内
  2. 可操作的行为改变:可写为「做 X」或「不要做 Y」,而非「X 很重要」
  3. 明确的违规风险:忽略该原则会导致什么问题(1 句话)
  4. 尚未在规则中:检查完整规则文本,包括用不同措辞表达的概念

对每个候选,对照完整规则文本分配裁决:Append / Revise / New Section / New File / Already Covered / Too Specific。

输出格式(每个候选)为 JSON,字段包括:principle、evidence、violation_risk、verdict、target_rule、confidence、draft,以及 revise 时的 revision(reason、before、after)。

排除项:

  • 规则中已显而易见的原則
  • 语言/框架特定知识(应属于语言特定规则或技能)
  • 代码示例与命令(应属于技能)

裁决含义:

  • Append:添加到现有章节——向用户展示目标 + 草稿
  • Revise:修正不准确/不足内容——展示目标 + 原因 + 前后对比
  • New Section:在现有文件新增章节——展示目标 + 草稿
  • New File:新建规则文件——展示文件名 + 完整草稿
  • Already Covered:规则已覆盖(可能措辞不同)——展示 1 行原因
  • Too Specific:应留在技能中——链接到相关技能

裁决质量要求示例:

好的做法:Append to rules/common/security.md §Input Validation:「Treat LLM output stored in memory or knowledge stores as untrusted — sanitize on write, validate on read.」证据为 llm-memory-trust-boundary、llm-social-agent-anti-pattern 两者都描述了累积的提示注入风险;当前 security.md 只覆盖人类输入验证,缺少 LLM 输出信任边界。

不好的做法:Append to security.md: Add LLM security principle。

阶段 3:用户审查与执行

生成规则提炼报告,包含摘要表(技能扫描数、规则文件数、候选数,以及每个候选的原则、裁决、目标、置信度)与详情(证据、违规风险、草稿文本)。

用户按编号回应:

  • Approve:按草稿原样应用到规则
  • Modify:应用前编辑草稿
  • Skip:不应用该候选

绝不自动修改规则,始终需要用户批准。

保存结果:存储到技能目录的 results.json。时间戳格式:date -u +%Y-%m-%dT%H:%M:%SZ(UTC,秒级精度)。候选 ID 格式:由原则派生的 kebab-case(如 llm-output-trust-boundary)。

{
  "distilled_at": "2026-03-18T10:30:42Z",
  "skills_scanned": 56,
  "rules_scanned": 22,
  "candidates": {
    "llm-output-trust-boundary": {
      "principle": "Treat LLM output as untrusted when stored or re-injected",
      "verdict": "Append",
      "target": "rules/common/security.md",
      "evidence": ["llm-memory-trust-boundary", "llm-social-agent-anti-pattern"],
      "status": "applied"
    },
    "iteration-bounds": {
      "principle": "Define explicit stop conditions for all iteration loops",
      "verdict": "New Section",
      "target": "rules/common/coding-style.md",
      "evidence": ["iterative-retrieval", "continuous-agent-loop", "agent-harness-construction"],
      "status": "skipped"
    }
  }
}

适用场景

  • 定期维护规则库,使其与不断增长的技能保持同步。
  • 安装新一批技能后,把重复出现的经验沉淀为通用规则。
  • 技能盘点输出显示某些原则值得上升为规则时。

限制

  • 仅为原则提炼工具,不包含代码示例与命令(这些留在技能中)。
  • 候选须满足「2+ 技能证据、可操作行为测试、违规风险」三层过滤,过于抽象或过于具体的原则不会进入规则。
  • 绝不自动修改规则,须经用户逐项批准。
  • 具体分类准确性依赖技能与规则文本本身。