技能提升

人工智能 社区

技能解读

当前原文的自动摘译,尚未人工审校。

工作流程

使用来自真实项目痛点的证据来提高现有技能(.ai-engineering/evals/下的先前评估语料库,通过MemoryPort、LESSONS.md操作员笔记、决策存储、直觉、建议进行印迹交叉会话观察)。该技能拥有疼痛诊断和重写策略;它将评估/等级/基准管道委托给 Anthropic 的skill-creator。输出仅是 PR 评论——从不自动合并(sub-007 M6)。

何时使用

尽管指令正确,但技能仍会产生错误的输出。您已经在 LESSONS.md 中积累了技能应该已经知道的更正。经过一批相同的技能模式重复失败的训练后。定期卫生:每月发展一次十大技能。不适合从头开始创造新技能——使用/ai-scaffold。

常见错误

在阅读疼痛概况之前重写。在批次中跳过--dry-run(您将消耗速率限制)。发明反映技能自身示例的测试提示(无漂移信号)。不运行第 5 阶段评估并声明技能“已改进”。

示例 1——从累积的痛苦中进化出单一技能

用户:“/ai-plan 技能不断产生忽略约束 X 的分解。改进它。”从 LESSONS.md 和proposals.md 加载疼痛上下文,在 5 个维度上对人工智能计划进行评分,生成 2-3 个测试提示来练习失败模式,重写 SKILL.md,交给技能创建者进行评估,报告增量。

示例 2 — 试运行批量预览

用户:“在我投入时间运行评估之前预览改进每项技能会发生什么变化”按优先级顺序遍历每项技能,显示每项技能建议的差异,并停止运行评估管道。

流狐档案 运行与权限由流狐静态检查推断,不代表作者声明或实际测试结果。
领域
人工智能
作者声明的智能体
未找到明确声明;不据此推断已兼容或已测试
静态检查
100 / 100 · 启发式扫描,不代表运行安全
运行环境证据
未执行;当前没有隔离运行测试证据
作者 / 版本 / 许可证
@arcasilesgroup · MIT
上下文用量评级
低消耗
接入复杂程度
即装即用
是否需要外部接口密钥
不需要
兼容的系统
未声明(默认跨平台)
运行环境要求
Python
检测到的文件与系统行为
  • 只读
  • 允许写入 / 修改
网络行为
仅限本地
安装命令数
无(仅作为资料)
输出预览 ai-skill-improve.preview
/ai-skill-improve ai-plan          # evolve one skill
/ai-skill-improve all --dry-run    # preview every skill
/ai-skill-improve all              # batch evolve with evals

讨论

基于 GitHub Discussions。登录 GitHub 即可参与讨论、点赞、订阅更新。