Xpersona
agentCLAWHUBUnverified

Luban Skill

鲁班.Skill（luban Skill）：工业级智能体技能优化器。当用户提及以下关键词时调用：“优化skill”、“skill评分”、“自动优化”、“auto optimize”、“skill质量检查”、“小鲁班”、“luban”、“优化技能”、“帮我改skill”、“skill怎么样”、“提升skill质量”、“skill review”、“skill打分”。 Skill: Luban Skill Owner: ebandao777-oss Summary: 鲁班.Skill（luban Skill）：工业级智能体技能优化器。当用户提及以下关键词时调用：“优化skill”、“skill评分”、“自动优化”、“auto optimize”、“skill质量检查”、“小鲁班”、“luban”、“优化技能”、“帮我改skill”、“skill怎么样”、“提升skill质量”、“skill review”、“skill打分”。 Tags: latest:0.1.0 Version history: v0.1.0 | 2026-08-15T17:29:24.245Z | auto 鲁班.Skill 1.0.0 全新发布——工业级智能体技能优化器。 - 首次发布，系统性阐述设计哲学，明确“12条原则”及双模式（Quick/Full）自适应流程。 - 引入 10 维度 Rubric 综合评估体系，细

OpenClaw
View on ClawHubHomepage

Rank

62

Safety

84

Downloads

1.5k

Updated

Oct 10, 2026

Version

0.1.0

Source

CLAWHUB

About

What it does, and when to use it.

Capability contract not published. No trust telemetry is available yet. 1.5K downloads reported by the source. Last updated 10/10/2026.

Avoid when

  • Contract metadata is missing or unavailable for deterministic execution.

Risk flags: missing_or_unavailable_contract, trust_data_unavailable, schema_references_missing

Public facts

Every fact links back to the source it came from.

Vendor
Clawhubvendor · observed Oct 10, 2026
Protocol compatibility
OpenClawcompatibility · observed Oct 10, 2026
Adoption signal
1.5K downloadsadoption · observed Oct 10, 2026
Latest release
0.1.0release · observed Aug 15, 2026
Handshake status
UNKNOWNsecurity

Install and run

Setup complexity: low.

clawhub skill install s17en637qww2q9z3kz1ep6w79988dec4:luban-skill-2
  1. Setup complexity is LOW. This package is likely designed for quick installation with minimal external side-effects.
  2. Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data.

Contract: missing

curl -s "https://www.xpersona.co/api/v1/agents/clawhub-ebandao777-oss-luban-skill-2/snapshot"

Documentation

CLAWHUB

71,371 characters of source documentation, loaded on request.

Extracted files

5 files captured from the source.

SKILL.md

---
name: luban-skill
version: "1.0.0"
author: "智慧半岛"
description: "鲁班.Skill（luban Skill）：工业级智能体技能优化器。当用户提及以下关键词时调用：“优化skill”、“skill评分”、“自动优化”、“auto optimize”、“skill质量检查”、“小鲁班”、“luban”、“优化技能”、“帮我改skill”、“skill怎么样”、“提升skill质量”、“skill review”、“skill打分”。"
---

# 鲁班.Skill

> 天工开物 工匠鲁班

---

## 设计哲学

autoresearch + SkillOpt 场景自适应。

### 12 条原则

1. **单一可编辑资产**：每次只改一个 SKILL.md
2. **双重评估**：结构评分（静态分析）+ 效果验证（实际跑测试看输出）
3. **棘轮机制**：只保留改进，自动回滚退步
4. **独立评分**：评分用子 agent，消除「自己改自己评」的偏差
5. **人在回路**：每个 skill 优化完暂停，用户确认再继续
6. **文本学习率预算**：每次编辑字符变化量 ≤ 原文件 10%
7. **拒绝编辑缓冲区**：被回滚的方案留作负反馈，后续绕行
8. **Epoch Meta-Review**：跨 skill 汇总优化规律，沉淀可迁移经验
9. **场景自适应双模**：Quick（轻量 Self-Refine）/ Full（完整循环 + 仪表盘监控）
10. **ROI 前置评估**：基线分 ≥85 且最低维度分 ≥7 跳过（天花板已近）
11. **消费者能力基线**：Full 模式先测目标模型裸能力，低于阈值直接阻断
12. **全链路审计**：Full 模式所有操作记录 git commit 可追溯

### 路径约定

- `luban-workspace` = 本 SKILL.md 所在目录（即本 skill 目录本身是一个 git 仓库）
- `skills 目录` = 父目录
- 分支命名 `auto-optimize/YYYYMMDD-HHMM`
- 被优化技能的数据文件（`diagnostics.tsv` / `rejected_edits.md` / `test-prompts.json` / `results.tsv`）放在**被优化 skill 自己的目录**下
- 鲁班全局文件（`meta_learnings.md` / `luban-profile.json` / `optimization-registry.tsv`）放在 `luban-workspace/`

### 架构底座：L0-L4 分层治理

5 个正交层级，按场景模式动态激活：

| 层级 | 名称 | Quick | Full |
|:---|:---|:---|:---|
| L0 | 确定性执行层 | 启用 | 启用 |
| L1 | 多智能体协作层 | 按需 | 按需 |
| L2 | 技能自适应优化层 | 启用（鼓励探索） | 严格审查后启用 |
| L3 | 价值对齐层 | 软性约束（风格对齐） | 硬性约束（合规对齐） |
| L4 | 元认知审计层 | 不激活 | 激活（跨 skill 经验沉淀） |

**L0 原子操作**（所有编辑必须走这三步）：

1. **读**：`read_text` 读取目标 SKILL.md 全文
2. **改**：`edit_file` 执行编辑（Quick 模式直接用 `.bak` 备份；Full 模式先 `git commit` 暂存）
3. **验**：按 Rubric 逐项自检本次改动影响的维度（dim1/4/7a/9 按评分标准逐条核对，dim2/3/5 通读确认未引入新问题），不通过则回退

---

## 📋 阅读导航

| 如果你想… | 读哪里 | 预计耗时 |
|:---|:---|:---|
| 只想快速开始 | [QUICKSTART.md](./QUICKSTART.md) | 2 分钟 |
| 知道怎么评分 | [评估 Rubric](#评估-rubric10-维度总分-100) | 5 分钟 |
| 了解优化全流程 | [优化流程（Phase 0-3）](#优化流程phase-0-3) | 10 分钟 |
| 遇到错误不知道怎么处理 | [异常与边界条件](#异常与边界条件) / [反模式与FAQ](#反模式与faq) | 3 分钟 |
| 查某个模块做什么 | [资源文件速查](#资源文件速查) | 2 分钟 |
| 查优化策略怎么选 | [优化策略库](#优化策略库) | 5 分钟 |
| 了解学术背景 | [学术依据](#学术依据) | 1 分钟 |

---

> 📍 你在这里: 鲁班.Skill > 评估 Rubric

## 评估 Rubric（10 维度，总分 100）

> SkillLens（arXiv 2605.23899）实证 LLM-as-judge 准确率仅 46.4%，加入 meta-skill 三维度后提升到 73.8%。

### 评分类型

| 维度 | 权重 | 类型 | 评分方式 |
|:---|:---:|:---|:---|
| dim1 Frontmatter质量 | 7 | 确定性 | name 规范、description 含做什么+何时用+触发词、≤1024 字符、禁结尾空话。三项全过=10，任一缺失=0 |
| dim2 工作流清晰度 | 12 | LLM | 步骤明确可执行、有序号、每步有明确输入/输出 |
| dim3 失败模式编码 | 12 | LLM | 显式编码失败模式（"如果 X 失败 → Y"）；有 fallback 路径和错误恢复。只写正向流程不写失败分支扣 ≥3 分 |
| dim4 检查点设计 | 6 | 确定性 | 正则 `/CHECKPOINT\|STOP\|🔴\|⛔/`：≥1 处 STOP 级=10，仅 CHECKPOINT=5，无=0 |
| dim5 可执行具体性 | 17 | LLM | 有具体参数/格式/示例；前置扫描软化词（建议/可考虑/根据情况/灵活把握/视情况而定/可能/大概）注入评分上下文。HASP 模块独立产出 dim5 确定性子分 3/17。 |
| dim6 资源整合度 | 4 | LLM | references/assets 引用正确、路径可达。SkillOps 模块独立产出 dim6 确定性子分 3/4。 |
| dim7 整体架构 | 12 | 混合 | **7a 结构合规(6)**：确定性，标题层级连续不跳跃 + 含 ≥3/4 必含章节→6 分，每缺一项 −2。<br>**7b 语义质量(6)**：LLM judge，冗余段落/AI 腔废话（"说白了/换句话说/首先其次综上"/花叔禁用词）/重复描述→一处 −1，下限 0 |
| dim8 实测表现 | 20 | LLM | 子维度：**8a 意图完成度(8)**——

README.md

# 鲁班.Skill

> 天工开物 工匠鲁班 —— 工业级智能体技能优化器
> 任何的技能自进化原则上依然是线性回归动作，高度依赖模型的自身能力
> 请尽量在可使用的模型里使用最高的模型去优化技能，尽量使用Claude GPT-5.4 Pro GLM-5.1这种高性能模型作为基础优化底座模型

鲁班.Skill 是一套技能自进化系统，基于 **EvoSkill / SkillOps / CASCADE / Skill Distill / HASP / MUSE-Autoskill** 六篇论文构建。它为 AI Agent 技能（SKILL.md）提供全生命周期优化：从静态质量评估、自动化缺陷检测、多评委评分，到规则硬化、知识更新、精简瘦身和回归测试。

---

## 核心能力

| 能力 | 说明 | 依赖说明 |
|------|------|----------|
| **十维 Rubric 评分** | 100 分制量化技能质量，确定性维度 + LLM 维度混合评估 | 无脚本依赖，纯 agent 逻辑 |
| **六模块缺陷检测** | SkillOps / EvoSkill / HASP / CASCADE / Distill / Sentinel 静态扫描产出子分 | 依赖 `scripts/skillops_scanner.py` / `hasp_hardener.py` / `cascade_updater.py` / `distill_analyzer.py` / `security_audit.py` |
| **双模优化引擎** | Quick（轻量 Self-Refine）和 Full（多评委 + git 分支 + 仪表盘）自适应 | 无额外脚本依赖；Full 模式需 git 环境 |
| **安全审计** | Sentinel 检测恶意指令、硬编码凭据、Prompt 注入、数据外泄、权限越权 | 依赖 `scripts/security_audit.py` |
| **棘轮回滚** | 自动保留改进，退步回滚，反例黑名单防止重复踩坑 | Quick 模式靠 `.bak` 文件，Full 模式靠 git |
| **跨技能经验沉淀** | Epoch Meta-Review 提炼可迁移优化规律 | 纯 agent 逻辑，无脚本依赖 |

---

## 文档导航

| 文档 | 内容 |
|------|------|
| [README.md](./README.md) | 项目概览（当前文档） |
| [QUICKSTART.md](./QUICKSTART.md) | 5 分钟快速上手 |
| [REFERENCE.md](./REFERENCE.md) | 完整技术参考（Rubric / Phase 流程 / 模块 / 数据结构） |
| [SKILL.md](./SKILL.md) | 技能主文件（Agent 执行指令） |
| [references/SA-DM.md](./references/SA-DM.md) | 设计方法论论文 |

---

## 触发词

说以下任意关键词即可激活鲁班：
"优化skill"、"skill评分"、"自动优化"、"skill质量检查"、"小鲁班"、"luban"、"优化技能"、"帮我改skill"、"skill怎么样"、"提升skill质量"、"skill review"、"skill打分"

---

## 快速使用

```
# 评估一个技能
"给 prompt-optimizer 评个分"

# 优化一个技能
"帮我优化 make-to-markdown"

# 批量优化
"优化所有 skills"

# 安全审计
"安全审计 luban-skill"
```

详细命令见 [QUICKSTART.md](./QUICKSTART.md)。

---

## 架构总览

```
                          ┌──────────────────────────────────────┐
                          │      鲁班.Skill 技能自进化调度器       │
                          └────────────────┬─────────────────────┘
                                           │
              ┌────────────────────────────┼────────────────────────────┐
              │                            │                            │
    ┌─────────┴──────────┐      ┌─────────┴──────────┐      ┌─────────┴────────────┐
    │   模块层（缺陷检测）   │    │ 核心引擎（评分+修复）│      │   事件钩子（旁路）    │
    │ SkillOps / EvoSkill │      │  Phase 0  初始化   │      │  MUSE 回归 / 错误反馈 │
    │ HASP / CASCADE      │───→  │  Phase 0.3 模块检测│      │  HASP 硬化 / 规则忽略│
    │ Distill / Sentinel  │      │  Phase 1  基线评估 │      └──────────────────────┘
    └────────────────────┘      │  Phase 2  优化循环 │
                                │  Phase 3  汇总报告 │
                                └────────────────────┘
```

---

## 学术依据

| 论文 | arXiv | 核心贡献 |
|------|-------|---------|
| EvoSkill | [2603.02766](https://arxiv.org/abs/2603.02766) | 失败驱动的技能缺口发现与修补 |
| SkillOps | [2605.13716](https://arxiv.org/abs/2605.13716) | 技能库运维框架，五维健康诊断 |
| CASCADE | [2512.23880](https://arxiv.org/abs/2512.23880) | 持续学习 + 自我反思驱动进化 |
| Skill Distill | [2604.01608](https://arxiv.org/abs/2604.01608) | 指标自由度 F 驱动的精简决策 |
| HASP | [2605.17734]

_meta.json

{
  "ownerId": "kn7096hdmqr56bh0825xpz8ft188dh24",
  "slug": "luban-skill-2",
  "version": "0.1.0",
  "publishedAt": 1786814964245
}

references/faq.md

# 反模式与FAQ

> 将分散在各章节的反例黑名单、架构红线、异常场景、指令映射集中于此，方便一次性查阅。

---

### FAQ：常见问题速查

**Q: 我想给一个 skill 打分，但不想修改它，怎么做？**
A: 说"评估 {skill_name} 质量"或"给 {skill_name} 评个分"。鲁班会走 Phase 0.5-1（仅评估不改），输出十维评分卡。

**Q: 优化卡住了怎么办？**
A: 查看[异常与边界条件](#异常与边界条件)表，找到对应场景，按"处理动作"列操作。常见卡住原因：不在 git 仓库、results.tsv 损坏、子 agent 不可用。

**Q: Quick 和 Full 模式有什么区别？**
A: Quick 模式轻量快速（3 轮、dry_run 推演、.bak 回退），适合日常快速检查。Full 模式深度完整（5 轮、多评委、git 分支、安全门控），适合生产级优化。鲁班默认 Quick，分数低或有 revert 记录时自动升级。

**Q: 优化后分数下降了怎么办？**
A: 鲁班的棘轮机制会自动回滚退步——如果新分不如旧分，会自动 `git checkout` 恢复到优化前状态。你不需要手动干预。

**Q: 哪些指令触发哪个模块？**
A: 见下表：

| 指令 | 触发模块 |
|------|----------|
| "优化所有 skills" | 鲁班核心引擎 Phase 0-3（全量） |
| "优化 {skill_name}" | 鲁班核心引擎 Phase 0-3（单个） |
| "评估所有 skills 质量" | Phase 0.5-1（仅评估不改） |
| "检查技能健康" | SkillOps 巡检 |
| "这个技能有问题 / 不对" | EvoSkill 失败修补 |
| "更新技能知识" | CASCADE 知识更新 |
| "精简技能 / 瘦身" | Skill Distill |
| "规则硬化 / 硬一点" | HASP 规则硬化 |
| "安全审计 / 安全检查" | Sentinel 安全扫描 |
| "看看优化历史" | 读取 optimization-registry.tsv |

**Q: dim8 得分很低怎么办？**
A: dim8（实测表现）占 20 分权重最高。低分通常意味着 skill 在实际使用时效果差。检查：①是否在 dry_run 模式（降权严重）；②是否触发了编辑同源检测（×0.5）；③测试 prompt 是否合理。

**Q: 什么是"触顶信号"？**
A: 连续 2 轮优化后总分提升 < 2 分 → 说明当前 skill 已经接近天花板，继续优化收益很低，鲁班会自动停止。

**Q: 优化后的 skill 怎么恢复到优化前？**
A: Full 模式下在 git 分支上操作，用 `git checkout` 回到优化前的 commit。Quick 模式下用 `.bak` 备份文件恢复。

---

### 反模式黑名单（操作层面）

来自早期 40 次 0 revert 的教训。每轮 Phase 2 Step 2 改动前对照一次。

| # | 反模式 | 为什么是坑 | 正确做法 |
|---|--------|-----------|----------|
| 1 | 同一 context 自评自改 | 既当运动员又当裁判，评分天然偏高 | 必须 spawn 独立子 agent 评分 |
| 2 | `git reset --hard` 当回滚 | 销毁历史记录，无法追溯"改了什么→为什么回滚" | 用 `git checkout` 保留追溯链 |
| 3 | 为凑分增冗余 | 总分涨了但 skill 变臃肿，实际可用性下降 | 触顶信号（连续 2 轮 Δ<2）→ break，见好就收 |
| 4 | 跳过 test-prompts 直接评分 | dim8 没有实测支撑，效果分纯靠猜 | Phase 0.5 强制设计 2-3 prompts |
| 5 | 轮内改多个维度 | 多处改动混杂，无法判断哪个有效哪个是噪声 | 每轮只改 1 个维度 |
| 6 | dry_run 比例 > 30% | 大量评分基于推演而非实测，分数虚高 | 强制至少跑 1 个 full_test |
| 7 | 静默跳过异常 | 用户完全不知道出了问题，误以为一切正常 | 异常表 fallback 必须先告知用户 |
| 8 | 忽视维度相关性单独优化 | dim2/3/4 是相关簇，单修 dim3 时 dim2 常跟涨，反过来单修 dim2 可能拉低 dim3 | 看相关簇短板再决定先修哪个 |

---

### 架构红线（运行时检测）

违反任一条即触发阻断或降权：

| # | 红线 | 为什么是坑 | 检测后果 |
|---|------|-----------|----------|
| 1 | 禁止 self-edit-self-evaluate | 同一 agent 编辑后又评分，缺乏独立视角 | dim8 降权 ×0.5 |
| 2 | 禁止跨维度打包修改 | 一轮改动多个维度，无法归因效果 | 整轮回滚 |
| 3 | 禁止 dry_run 冒充 full_test | dim8 全靠推演等于没测效果 | results.tsv 标记 invalid |
| 4 | 禁止 bypass gate | P0 安全问题没修就进入下一 phase | 中断流程，必须回头修 |

---

### 异常场景速查

| 场景 | 触发条件 | 处理动作 | 通俗解释 |
|:---|:---|:---|:---|
| 不在 git 仓库 | `git rev-parse` 失败 | 询问用户：`git init` 或文件备份 | 找不到 Git 仓库，优化历史无法记录 |
| results.tsv 缺失 | 文件不存在 | 新建并写表头 | 第一次跑优化，自动创建评分记录 |
| results.tsv 损坏 | 列数不匹配 | 备份后重建 | 评分记录格式坏了，旧文件备份再建新的 |
| 分支已存在 | `git checkout -b` 失败 | 分支名加 `-2`/`-3` | Git 分支名冲突，自动换名重试 |
| git revert 失败 | 冲突/工作树脏 | `git stash` 重试；仍失败手动恢复 | 回滚冲突，先暂存再试，不行就手动覆盖 |
| MAX_ROUNDS 触顶 | 已达上限 | 询问用户继续/重写/收工 | 轮数到上限，让你决定要不要加轮 |
| 优化后超 150% 体积 | 新文件 > 原 ×1.5 | 拒绝提交，先精简 | 文件膨胀太厉害，先瘦身 |
| test-prompts.json 已存在 | 文件已存在 | 复用/重写/追加三选一 | 测试题已有，问你怎么处理 |
| SKILL.md 找不到 | 目录无主文件 | 终止此 skill，继续下一个 | 目录里没有主文件，跳过 |
| 消费者基线失败 | 模型能力不足 |

references/modules.md

# 模块与调度器参考

## CASCADE 知识更新

### 触发条件

- 定时任务：每季度自动执行
- 用户指令："更新技能知识""补最新""刷新 references"
- 技能 references 中引用外部知识且距上次更新 > 90 天

### 执行流程

```
Step 1: 扫描 references/ 目录
  - 工具化扫描：`scripts/cascade_updater.py <skill_dir> --threshold 90` 自动提取 arXiv/URL/标准引用并判定过时
  - 识别所有外部引用（arXiv ID、API 文档 URL、标准编号等）
  - 记录每个引用的最后更新日期（优先 git log，回退至文件 mtime）

Step 2: 筛选过时引用
  - 距上次更新 > 90 天（可通过 --threshold 调整）→ 标记待更新
  - 优先处理用户最近高频使用的技能

Step 3: 知识检索
  - 论文：搜索引用 arXiv ID，检查是否有新版本
  - API：抓取最新文档，对比 changelog
  - 标准：搜索是否发布了新版本

Step 4: 自我反思（内省）
  - 对比新旧知识差异
  - 判断是否影响技能规则的有效性
  - 仅在有实质性变化时生成更新

Step 5: 追加式更新
  - 追加新知识（不删除旧内容，标注版本号）
  - 格式：## [YYYY-MM-DD] 更新：xxx → 新内容

Step 6: 写入诊断记录
  - 每个过时引用追加一行到目标技能的 diagnostics.tsv（仅当确实找到更新时）
  - 格式：CASCADE | dim6 | 子分 | 文件 | 行号 | 详情
```

### 关键设计

- 只追加不删除：旧知识的废弃留给 SkillOps 的 `retire` 动作
- 标注版本：每次更新附带日期和版本号
- 不自动修改规则：仅更新 references，不自动改 SKILL.md 中的规则引用

---

## Distill 精简

### F_approx 计算公式

```
F_approx = 1 - (模块被规则引用的次数 / 模块总字符数归一化)

归一化方式：模块总字符数 / 所有模块总字符数的均值。分母过小时取 max(均值, 100)。
```

- F ≈ 1：模块内容庞大但很少被引用 → 可精简
- F ≈ 0：模块内容紧凑且多处引用 → 保留
- F_approx ≥ 0.7：标记「可精简」；≤ 0.3：标记「核心资产」

### 精简优先级

| 优先级 | 类型 | 处理 |
|--------|------|------|
| P0 | 完全未被引用的 references | 直接建议删除 |
| P1 | 文件大但仅 1-2 处引用 | 提取引用段落到 SKILL.md，删原文件 |
| P2 | 多处重复的示例代码块 | 合并为一个 reference |
| P3 | 历史版本累积的旧内容 | 归档到 archive/ 子目录 |

### 执行流程

```
Step 1: 构建引用矩阵
  - 执行 `scripts/distill_analyzer.py <skill_dir>` 自动扫描引用关系
  - SKILL.md 每条规则 → 引用了 references/ 的哪些段落
  - 计算每个 references 文件的「有效引用密度」

Step 2: 计算 F_approx，分级标记

Step 3: 生成精简方案
  - 展示「删除后文件大小变化」预估
  - 标注「保留的核心内容」
  - 🔴 CHECKPOINT：待用户确认后执行

Step 4: 写入诊断记录
  - 确认执行后，每个 P0 删除 / P1-P3 精简项追加一行到目标技能的 diagnostics.tsv
  - 格式：Distill | dim7b | 子分 | 文件 | 行号 | 详情
```

---

## HASP 硬化规则

> 论文：[arXiv:2605.17734](https://arxiv.org/abs/2605.17734)
> 核心理念：技能升格为可执行程序函数（PF），含 should_activate + intervene，从"建议"变"硬纠正"。

### 触发条件

- 同一规则在同一场景下连续 2 次以上被忽略
- 用户指令："规则硬化""硬一点""这个规则总被忽略"

### 硬化层级

#### 层级 1：Should → Must（措辞强化）

```
原文：建议在生成 SKILL.md 时控制文件大小在 30KB 以内

硬化后：强制约束：SKILL.md 文件大小不得超过 30KB。
超限时，必须将详细内容拆分到 references/，SKILL.md 仅保留导航链接。
```

#### 层级 2：Should → PF（可执行程序函数）

在 SKILL.md frontmatter 中追加硬规则元数据：

```yaml
hard_rules:
  - id: rule_001
    should_activate: "SKILL.md 文件大小 > 30KB"
    intervene:
      type: "block_and_restructure"
      action: "禁止继续在 SKILL.md 追加内容，将超出部分写入新 reference 文件"
    severity: "critical"
    last_violated: "2026-06-10"
    violation_count: 3
```

### 执行流程

```
Step 1: 执行日志分析
  - 工具化扫描：`scripts/hasp_hardener.py <skill_dir> [--results <results.tsv>]` 自动提取软规则、匹配违规历史
  - 从 `results.tsv` 和 EvoSkill 失败捕获记录中提取规则违规实例
  - 识别「规则被忽略」的实例（同一场景下规则未被遵循）

Step 2: 分级处理
  - 工具自动判定 T0（基线）/ T1（措辞强化，违规 2 次）/ T2（PF 硬化，违规 ≥3 次）
  忽略 1 次 → 暂不处理
  忽略 2 次 → 生成措辞强化建议（层级 1：建议 → 必须）
  忽略 ≥3 次 → 生成 PF 硬化建议（层级 2：注入 hard_rules YAML 块）

Step 3: 硬化规则注入
  - 定义 should_activate 条件 + intervene 动作
  - 🔴 CHECKPOINT：待用户确认后执行

Step 4: 写入诊断记录
  - 确认执行后，追加一行到目标技能的 diagnostics.tsv
  - 违规 ≥2 次：subtype=wording_harden；违规 ≥3 次：subtype=pf_harden
  - 格式：

Related agents

Same protocol, similar job.

Github ReposUpdated 17h agoRank 70

AionUi

Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!

MCPOPENCLAW
Github ReposUpdated 6mo agoRank 70

activepieces

AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents

OPENCLAW
Github ReposUpdated 6mo agoRank 70

cherry-studio

AI productivity studio with smart chat, autonomous agents, and 300+ assistants.

MCPOPENCLAW
Github ReposUpdated 7mo agoRank 70

CopilotKit

The Frontend for Agents & Generative UI. React + Angular

OPENCLAW

Machine-readable data

The same record, as JSON, for agents and crawlers.

{
  "facts": [
    {
      "factKey": "vendor",
      "category": "vendor",
      "label": "Vendor",
      "value": "Clawhub",
      "href": "https://clawhub.ai/ebandao777-oss/skills/luban-skill-2",
      "sourceUrl": "https://clawhub.ai/ebandao777-oss/skills/luban-skill-2",
      "sourceType": "profile",
      "confidence": "medium",
      "observedAt": "2026-10-10T10:03:37.525Z",
      "isPublic": true
    },
    {
      "factKey": "protocols",
      "category": "compatibility",
      "label": "Protocol compatibility",
      "value": "OpenClaw",
      "href": "https://www.xpersona.co/api/v1/agents/clawhub-ebandao777-oss-luban-skill-2/contract",
      "sourceUrl": "https://www.xpersona.co/api/v1/agents/clawhub-ebandao777-oss-luban-skill-2/contract",
      "sourceType": "contract",
      "confidence": "medium",
      "observedAt": "2026-10-10T10:03:37.525Z",
      "isPublic": true
    },
    {
      "factKey": "traction",
      "category": "adoption",
      "label": "Adoption signal",
      "value": "1.5K downloads",
      "href": "https://clawhub.ai/ebandao777-oss/luban-skill-2",
      "sourceUrl": "https://clawhub.ai/ebandao777-oss/luban-skill-2",
      "sourceType": "profile",
      "confidence": "medium",
      "observedAt": "2026-10-10T10:03:37.525Z",
      "isPublic": true
    },
    {
      "factKey": "latest_release",
      "category": "release",
      "label": "Latest release",
      "value": "0.1.0",
      "href": "https://clawhub.ai/ebandao777-oss/luban-skill-2",
      "sourceUrl": "https://clawhub.ai/ebandao777-oss/luban-skill-2",
      "sourceType": "release",
      "confidence": "medium",
      "observedAt": "2026-08-15T17:29:24.245Z",
      "isPublic": true
    },
    {
      "factKey": "handshake_status",
      "category": "security",
      "label": "Handshake status",
      "value": "UNKNOWN",
      "href": "https://www.xpersona.co/api/v1/agents/clawhub-ebandao777-oss-luban-skill-2/trust",
      "sourceUrl": "https://www.xpersona.co/api/v1/agents/clawhub-ebandao777-oss-luban-skill-2/trust",
      "sourceType": "trust",
      "confidence": "medium",
      "observedAt": null,
      "isPublic": true
    }
  ],
  "events": [
    {
      "eventType": "release",
      "title": "Release 0.1.0",
      "description": "鲁班.Skill 1.0.0 全新发布——工业级智能体技能优化器。 - 首次发布，系统性阐述设计哲学，明确“12条原则”及双模式（Quick/Full）自适应流程。 - 引入 10 维度 Rubric 综合评估体系，细化权重与评分标准，结合 LLM 和确定性指标判分。 - 完善分层治理（L0-L4），区分不同优化场景并动态激活关键能力。 - 明确全流程路径、分支管理、资源文件规范和自动回滚棘轮机制。 - 集成多模块（SkillOps/HASP/Distill/Sentinel/CASCADE/EvoSkill）产出维度子分，实现评分、优化、验证一体化。 - 丰富异常处理、反例约束、dry_run 测试评价和安全门控细则，确保可追溯与可迁移性。",
      "href": "https://clawhub.ai/ebandao777-oss/luban-skill-2",
      "sourceUrl": "https://clawhub.ai/ebandao777-oss/luban-skill-2",
      "sourceType": "release",
      "confidence": "medium",
      "observedAt": "2026-08-15T17:29:24.245Z",
      "isPublic": true
    }
  ]
}

Record generated Oct 10, 2026.

Sponsored

Ads related to Luban Skill and adjacent AI workflows.