Agent skill · writing content · affaan-m
rules-distill
扫描技能以提取跨领域原则并将其提炼为规则——追加、修订或创建新的规则文件
Why this skill is useful
Adds a structured process for distilling rules from multiple skills, which the AI wouldn't reliably generate on its own.
What it needs
Requires bash installed locally. About 2k tokens when loaded. Last updated 2026-08-06. 238,342 stars on the source repository.
What this skill does
规则提炼 扫描已安装的技能，提取在多个技能中出现的通用原则，并将其提炼成规则——追加到现有规则文件中、修订过时内容或创建新的规则文件。 应用"确定性收集 + LLM判断"原则：脚本详尽地收集事实，然后由LLM通读完整上下文并作出裁决。 使用时机 定期规则维护（每月或安装新技能后） 技能盘点后，发现应成为规则的模式时 当规则相对于正在使用的技能感觉不完整时 工作原理 规则提炼过程遵循三个阶段： 阶段 1：清点（确定性收集） 1a. 收集技能清单 1b. 收集规则索引 1c. 呈现给用户 阶段 2：通读、匹配与裁决（LLM判断） 提取和匹配在单次处理中统一完成。规则文件足够小（总计约800行），可以将全文提供给LLM——无需grep预过滤。 分批处理 根据技能描述，将技能分组为主题集群。每个集群在一个子智能体中进行分析，并提供完整的规则文本。 跨批次合并 所有批次完成后，合并各批次的候选规则： 对具有相同或重叠原则的候选规则进行去重 使用所有批次合并的证据重新检查"2+技能"要求——在每个批次中只在一个技能里发现，但总计在2+技能中出现的原则是有效的 子智能体提示 使用以下提示启动通用智能体： json { "principle": "1-2 句话，采用 '做 X' / '不要做 Y' 的形式", "evidence": ["技能名称: §章节", "技能名称: §章节"], "violationrisk": "1 句话", "verdict": "追加 / 修订 / 新章节 / 新文件 / 已涵盖 / 过于具体", "targetrule": "文件名 §章节，或 '新建'", "confidence": "高 / 中 / 低", "draft": "针对'追加'/'新章节'/'新文件'裁决的草案文本", "revision": { "reason": "为什么现有内容不准确或不充分（仅限'修订'裁决）", "before": "待替换的当前文本（仅限'修订'裁决）", "after": "提议的替换文本（仅限'修订'裁决）" } } 裁决参考 裁决 含义 呈现给用户的内容 --------- --------- ------------------- 追加 添加到现有章节 目标 + 草案 修订 修复不准确/不充分的内容 目标 + 原因 + 修订前/后 新章节 在现有文件中添加新章节 目标 + 草案 新文件 创建新规则文件 文件名 + 完整草案 已涵盖 规则中已涵盖（可能措辞不同） 原因（1行） 过于具体 应保留在技能中 指向相关技能的链接 裁决质量要求 阶段 3：用户审核与执行 摘要表 用户操作 用户通过数字进行回应以： 批准：按原样将草案应用到规则中 修改：在应用前编辑草案 跳过：不应用此候选规则 切勿自动修改规则。始终需要用户批准。 保存结果 将结果存储在技能目录中（results.json）： 时间戳格式：date -u +%Y-%m-%dT%H:%M:%SZ（UTC，秒精度） 候选ID格式：基于原则生成的烤肉串式命名（例如 llm-output-trust-boundary） 示例 端到端运行 设计原则 是什么，而非如何做：仅提取原则（规则范畴）。代码示例和命令保留在技能中。 链接回源：草案文本应包含 See skill: [name]` 引用，以便读者能找到详细的"如何做"。 确定性收集，LLM判断：脚本保证详尽性；LLM保证上下文理解。 反抽象保障：三层过滤器（2+技能证据、可操作行为测试、违规风险）防止过于抽象的原则进入规则。
How to use it
Reference it in AdaL, Claude Code, Cursor or any coding agent — nothing to install:
@skills affaan-m/rules-distill--28a7c2