用途：将面向高能力模型（Opus）编写的技能，转换为可在低成本模型（Sonnet、Haiku）上稳定执行的确定性工作流。其核心思路是技能编码的是可复用任务结构而非模型专属产物，只要指令足够确定，低能力模型也能照做。
主要能力：按复杂度分析、轨迹收集、模式提取、蒸馏改写、目标模型验证、跨模型报告六个阶段处理。把多分支决策树转为 if/then 查找表，把“使用判断”等模糊指令替换为具体启发式规则，把多步推理拆成编号原子步骤，并提取工具调用序列与少样本示例。
使用方式：源技能须存在且通过 package-evaluator 且得分不低于 70%；需同时可访问源模型与目标模型，并依赖 surrogate-verifier 技能做跨模型断言检查。用 Opus 在 5 个代表性任务上执行源技能并采集轨迹，再改写 SKILL.md，最后在目标模型上跑同样任务并比较断言通过率、加权得分、输出完整性与格式合规率。若目标模型得分低于源模型的 80%，最多迭代 3 次。
适用场景：适合结构清晰、可枚举步骤的技能蒸馏。
限制：无法蒸馏在多个决策点依赖开放式自适应推理或多轮推理的技能；视觉/交互类技能（HTML 生成、浏览器自动化）可能蒸馏效果不佳；蒸馏优化确定性而非创造性，写作、头脑风暴类技能不适合；轨迹收集需实际模型执行，会产生 API 成本。源技能低于 70% 时拒绝蒸馏；无轨迹时需先生成合成任务；蒸馏后比源技能更长时需复查合并模式。