技能合规检查

文档 社区

技能解读

当前原文的自动摘译,尚未人工审校。

支持的目标

技能(skills/*/SKILL.md):工作流技能,如搜索优先、TDD 指南 规则(rules/common/*.md):强制性规则,如 testing.md、security.md、git-workflow.md 代理定义(agents/*.md):代理是否在预期时被调用(内部工作流验证尚不支持)

何时激活

用户运行 /skill-comply <path> 用户询问"这条规则是否真的被遵循?" 添加新规则/技能后,验证代理合规性 作为质量维护的一部分定期执行

关键概念:提示独立性

测量技能/规则是否在提示未明确支持时仍被遵循。

报告内容

报告是自包含的,包括: 预期行为序列(自动生成的规范) 场景提示(每个严格程度级别询问的内容) 每个场景的合规性评分 带有 LLM 分类标签的工具调用时间线

高级(可选)

对于熟悉钩子的用户,报告还包含针对合规性较低的步骤的钩子提升建议。此为参考信息——主要价值在于合规性本身的可见性。

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
文档
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
88 / 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
@affaan-m · 未声明许可证
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
网络行为
仅限本地
安装命令数
无(仅作为资料)

需要注意: 未声明工具权限范围;实际权限由运行环境决定。

作者说明文件(原文) SKILL.md

# skill-comply:自动化合规性测量

通过以下方式测量编码代理是否实际遵循技能、规则或代理定义:

1. 从任意 .md 文件自动生成预期行为序列(规范)
2. 自动生成提示严格程度递减的场景(支持性 → 中性 → 竞争性)
3. 运行 `claude -p` 并通过 stream-json 捕获工具调用轨迹
4. 使用 LLM(而非正则表达式)将工具调用分类到规范步骤
5. 确定性检查时间顺序
6. 生成包含规范、提示和时间线的自包含报告

## 支持的目标

* **技能**(`skills/*/SKILL.md`):工作流技能,如搜索优先、TDD 指南
* **规则**(`rules/common/*.md`):强制性规则,如 testing.md、security.md、git-workflow.md
* **代理定义**(`agents/*.md`):代理是否在预期时被调用(内部工作流验证尚不支持)

## 何时激活

* 用户运行 `/skill-comply <path>`
* 用户询问"这条规则是否真的被遵循?"
* 添加新规则/技能后,验证代理合规性
* 作为质量维护的一部分定期执行

## 使用方法

```bash
# Full run
uv run python -m scripts.run ~/.claude/rules/common/testing.md

# Dry run (no cost, spec + scenarios only)
uv run python -m scripts.run --dry-run ~/.claude/skills/search-first/SKILL.md

# Custom models
uv run python -m scripts.run --gen-model haiku --model sonnet <path>
```

## 关键概念:提示独立性

测量技能/规则是否在提示未明确支持时仍被遵循。

## 报告内容

报告是自包含的,包括:

1. 预期行为序列(自动生成的规范)
2. 场景提示(每个严格程度级别询问的内容)
3. 每个场景的合规性评分
4. 带有 LLM 分类标签的工具调用时间线

### 高级(可选)

对于熟悉钩子的用户,报告还包含针对合规性较低的步骤的钩子提升建议。此为参考信息——主要价值在于合规性本身的可见性。

讨论

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