rules-distill

name rules-distill description 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 origin ECC 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 bash ~/.claude/skills/rules-distill/scripts/scan-skills.sh 1b. 收集规则索引 bash ~/.claude/skills/rules-distill/scripts/scan-rules.sh 1c. 呈现给用户 规则提炼 — 第一阶段：清点 ──────────────────────────────────────── 技能：扫描 {N} 个文件 规则：索引 {M} 个文件（包含 {K} 个标题） 正在进行交叉阅读分析... 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： 你是一位通过交叉阅读技能来提取应提升为规则的原则的分析师。 ## 输入 - 技能：{本批次技能的全部文本} - 现有规则：{所有规则文件的全部文本} ## 提取标准 **仅当**满足以下**所有**条件时，才包含一个候选原则： 1. **出现在 2+ 项技能中**：仅出现在一项技能中的原则应保留在该技能中 2. **可操作的行为改变**：可以写成“做 X”或“不要做 Y”的形式——而不是“X 很重要” 3. **明确的违规风险**：如果忽略此原则，会出什么问题（1 句话） 4. **尚未存在于规则中**：检查全部规则文本——包括以不同措辞表达的概念 ## 匹配与裁决 对于每个候选原则，对照全部规则文本进行比较并给出裁决： - **追加**：添加到现有规则文件的现有章节 - **修订**：现有规则内容不准确或不充分——提出修正建议 - **新章节**：在现有规则文件中添加新章节 - **新文件**：创建新的规则文件 - **已涵盖**：现有规则已充分涵盖（即使措辞不同） - **过于具体**：应保留在技能层面 ## 输出格式（每个候选原则） ```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"], "violation_risk": "1 句话", "verdict": "追加 / 修订 / 新章节 / 新文件 / 已涵盖 / 过于具体", "target_rule": "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）" } } ``` ## 排除 - 规则中已存在的显而易见的原则 - 语言/框架特定知识（属于语言特定规则或技能） - 代码示例和命令（属于技能） 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 # 良好做法 在 rules/common/security.md 的§输入验证部分添加： "将存储在内存或知识库中的LLM输出视为不可信数据——写入时进行清理，读取时进行验证。" 依据：llm-memory-trust-boundary 和 llm-social-agent-anti-pattern 均描述了累积式提示注入风险。当前security.md仅涵盖人工输入验证；缺少LLM输出的信任边界说明。 # 不良做法 在security.md中追加：添加LLM安全原则 阶段 3：用户审核与执行 摘要表 # 规则提炼报告 ## 概述 已扫描技能数：{N} | 规则文件数：{M} | 候选规则数：{K} | # | 原则 | 判定结果 | 目标文件/章节 | 置信度 | |---|-----------|---------|--------|------------| | 1 | ... | 追加 | security.md §输入验证 | 高 | | 2 | ... | 修订 | testing.md §测试驱动开发 | 中 | | 3 | ... | 新增章节 | coding-style.md | 高 | | 4 | ... | 过于具体 | — | — | ## 详情 （各候选规则详情：证据、违规风险、草拟文本） 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 ） { "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" } } } 示例 端到端运行 $ /rules-distill 规则提炼 — 第一阶段：清点 ──────────────────────────────────────── 技能：已扫描 56 个文件 规则：22 个文件（已索引 75 个标题） 正在进行交叉阅读分析... [子代理分析：批次 1 (agent/meta skills) ...] [子代理分析：批次 2 (coding/pattern skills) ...] [跨批次合并：已移除 2 个重复项，1 个跨批次候选被提升] # 规则提炼报告 ## 摘要 已扫描技能：56 | 规则：22 个文件 | 候选：4 | # | 原则 | 判定 | 目标 | 置信度 | |---|-----------|---------|--------|------------| | 1 | LLM 输出：重用前进行规范化、类型检查、清理 | 新章节 | coding-style.md | 高 | | 2 | 为迭代循环定义明确的停止条件 | 新章节 | coding-style.md | 高 | | 3 | 在阶段边界压缩上下文，而非任务中途 | 追加 | performance.md §Context Window | 高 | | 4 | 将业务逻辑与 I/O 框架类型分离 | 新章节 | patterns.md | 高 | ## 详情 ### 1. LLM 输出验证 判定：在 coding-style.md 中新建章节 证据：parallel-subagent-batch-merge, llm-social-agent-anti-pattern, llm-memory-trust-boundary 违规风险：LLM 输出的格式漂移、类型不匹配或语法错误导致下游处理崩溃 草案： ## LLM 输出验证 在重用 LLM 输出前，请进行规范化、类型检查和清理... 参见技能：parallel-subagent-batch-merge, llm-memory-trust-boundary [... 候选 2-4 的详情 ...] 按编号批准、修改或跳过每个候选： > 用户：批准 1, 3。跳过 2, 4。 ✓ 已应用：coding-style.md §LLM 输出验证 ✓ 已应用：performance.md §上下文窗口管理 ✗ 已跳过：迭代边界 ✗ 已跳过：边界类型转换 结果已保存至 results.json 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。