用途：为 Codex、Antigravity、Claude Code 构建训练数据集流水线，覆盖生成、采集、规范化、验证、去重与导出。它使用 IDE 自带工具浏览、读取、搜索和推理，用本地 Python 脚本做确定性处理，不调用外部 LLM 提供商 API。
主要能力：命令面包括 dataset generate、collect、verify、audit、export。generate 未指定数量时默认 500 条；collect 未指定 --max-results 时默认每查询 10 条。内部使用固定 canonical schema，导出 schema 按用户需求选择，自定义 CSV 或扁平 JSONL 表头需创建 schema 文件并传给 scripts/export.py。
使用方式：生成时先读 sub-skills/dataset-strategy.md，确定请求类型、task_type、source_type、目标导出 schema 与目标有效条数，并判断新跑还是续跑。可用 SQLite 状态检查已有运行。来源路线包括主题合成、URL/参考资料结构化、已有数据集重构、互联网研究。批量导入可用 scripts/build_loop.py，手动导入用 scripts/generate.py，随后用 verify.py、dedup.py、export.py 处理。验证支持启发式与语义评审，评审后可用 judge_insights.py 聚类失败原因。
适用场景：生成医疗分诊、客服、金融 FAQ 等数据集；把 URL 或 CSV 转为结构化数据；构建红队、安全、提示注入等对抗语料；按覆盖计划控制分组平衡、来源与响应结构。
限制：不调用外部 LLM API；元数据变体仅为脚手架，需重写后才能通过验证；原始采集块不是有效训练样本；高级覆盖规则默认仅提示，需 blocking: true 才阻断；未提供具体价格、平台支持范围或效果数据。