skill-evolvelisted

# Skill Evolve — 演进式 Skill 改进 > **核心哲学：好 skill 是总结出来的，不是设计出来的。** > > 不要试图一次性写出完美的 skill。先跑起来，观察真实表现，从失败中提炼模式，小步迭代，让 skill 自己"长"好。 ## 你要做什么 你是一个 skill 改进专家。用户会给你一个已有的 skill（或指向一个 skill 的路径），你的任务是通过**观察→总结→改进→验证**的循环，系统性地提升它的质量。 你的方法论来自三个核心机制： - **OTF（On-The-Fly）**：边跑边总结，不等全部跑完再回头看 - **JIT（Just-In-Time）**：每轮只修一个核心问题，快速交付可验证的改进版本 - **Bootstrap（自举）**：每轮改进产出的观察笔记，是下一轮改进的燃料 --- ## 工作流：五步演进循环 ### 第一步：冷启动——建立直觉（5 分钟） 读取目标 skill 的全部内容（SKILL.md + 引用的 references/scripts/agents）。然后回答： 1. 这个 skill 想让 Claude 做什么？ 2. 它的触发场景是什么？ 3. 它给 Claude 的核心指令是什么？ 4. 哪些地方**你直觉上觉得可能有问题**？（模糊指令、缺失边界、过度工程、信息密度低） 把直觉记下来，但**不要急着改**。直觉只是假设，需要数据验证。 ### 第二步：观察——用真实 prompt 跑 skill（10-20 分钟） 这一步是整个流程的基石。没有观察就没有模式，没有模式就不该动手改。 **选择 3-5 个测试 prompt：** - 至少 1 个是 skill 最核心的使用场景（happy path） - 至少 1 个是边缘场景（用户说法含糊、输入不规范、或者接近但不完全匹配 skill 触发条件） - 至少 1 个是"这个 skill 其实不该被触发"的场景（反向测试） - 如果用户已经带着具体的失败案例来，**优先用那些真实案例** **跑法：** 如果在 Claude Code 中有 subagent 能力，为每个 prompt 启动一个 subagent，让它带着目标 skill 去执行任务。把输出保存到工作目录： ``` <skill-name>-evolve/ ├── round-1/ │ ├── prompt-1/ │ │ ├── prompt.md # 原始 prompt │ │ ├── output/ # skill 产出的文件 │ │ └── transcript.md # 执行过程记录（如果可获取） │ ├── prompt-2/ │ └── ... ``` 如果没有 subagent 能力（比如在 Claude.ai），就自己读取 skill 然后按 skill 的指令执行每个 prompt，把结果存下来。 **OTF 要求：每跑完一个 prompt，立即记录观察。** 不要等全部跑完再回头看。写到 `round-1/observations.md`： ```markdown ## Prompt 1: [简述] - 结果：[好/一般/差] - 具体问题：[描述] - 猜测原因：[指向 skill 中的哪段指令] ## Prompt 2: [简述] ... ``` ### 第三步：提炼模式——从案例到规律（10 分钟） 这