Rules Distill

affaan-m/ECC/docs/zh-CN/skills/rules-distill

作者 affaan-mef648e01899ba3e8dc6371642deaaf64b4477775無授權條款275K 個星標收錄於 2026年10月9日更新於 2026年10月9日儲存庫4 天前更新

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

僅含說明AI & Agents

AI 產生的概覽

掃描已安裝技能，擷取跨領域原則並提煉為規則檔案，交由使用者審核。

功能: 此技能先清點已安裝的技能與現有規則檔案，再交叉閱讀，找出出現在兩項以上技能中的通用原則。它會為每個候選原則給出裁決：附加、修訂、新章節、新檔案、已涵蓋或過於具體，並產出包含證據、違規風險與草案文字的报告。規則不會自動修改，需由使用者逐條批准、修改或略過，結果儲存到 results.json。
適用情境: 適用於定期規則維護，例如每月一次或安裝新技能之後。也適用於技能盤點後發現應提升為規則的模式，或現有規則相對於使用中的技能顯得不足時。
執行需求: 需在具備技能與規則檔案的 Claude 類技能環境中執行；文件提到技能目錄下的 scan-skills.sh 與 scan-rules.sh 指令稿，但本套件未附帶指令稿。依賴子代理進行分批分析，並寫出 results.json。未說明需要憑證或網路存取。

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

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...

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）

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

# 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）

# 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）

json

{  "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"    }  }}

{  "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

$ /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。

來源與署名

來源：affaan-m/ECC位於docs/zh-CN/skills/rules-distill提交ef648e0

授權條款：無授權條款

內容歸原作者所有。SourceWeft 從公開儲存庫中收錄這些內容。

檢舉或申請下架

Rules Distill

规则提炼

使用时机

工作原理

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）

分批处理

跨批次合并

子智能体提示

裁决参考

裁决质量要求

阶段 3：用户审核与执行

摘要表

用户操作

保存结果

示例

端到端运行

设计原则

來源與署名

更多來自 affaan-m/ECC 的技能

Unified Notifications Ops

Verification Loop

Ui To Vue

Unified Memory

Visa Doc Translate

Team Builder

更多AI & Agents技能

Discernment Nudge

Ppt Template Creator

Skill Development

Plugin Structure

Command Development

Claude Md Improver