muye

实读 SKILL.md（14 文件/1 代码）。name: 公安联考学习搭子 version: v1.1.0 version_date: 2026 08 02 last_update: 2026 08 02 description: 公安联考学习搭子——面向公安院校联考考生的公安专业科目/行测/申论/面试备考陪练。当用户说"帮我刷题""出一道情境题""模考一套""今天学哪个模块""新治安法考什么""面试怎么准备""行测/申论怎么提分""给我做个复习计划""公安联考考什么"等备考意图时触发…。亮点：源码实读：1 个代码文件(共 14 文件)，工程结构可核验；核心逻辑本地/标准库实现，无 LLM/网络依赖，结果可复现、不随模型波动。一点建议：有代码但缺测试用例，回归/边界覆盖靠自觉。

实读 agent-auto-evolution/SKILL.md（11 文件/7 代码）。name: agent auto evolution description: Agent全自动自我迭代、沉淀经验、优化行为逻辑的自进化系统。当用户完成一个完整任务后需要复盘沉淀经验、当用户给出行为纠正反馈（如"下次不要这样""太啰嗦""结构调整""禁止XX话术"）、当需要Agent自我能力检查、当需要优化重复工作流时使用。支持手动触发、任务结束自动触发、定时自检触发三种模式。包含记忆分层沉淀、SOUL安全迭代、能力自查补全、工作流复用优化、进化日志可视化五大模块…。亮点：源码实读：7 个代码文件(共 11 文件)，工程结构可核验；方法论成体系（含流程/案例/模板），不是散装提示词。一点建议：有代码但缺测试用例，回归/边界覆盖靠自觉。

实读 SKILL.md（7 文件/以文档/提示词为主）。name: mengshenjing worldbuilder description: 基于《梦神经》完整版设定文档生成严谨自洽的科幻世界观百科条目…。亮点：方法论成体系（含铁律/框架/清单），不是散装提示词；文档结构完整，能力描述与实际配置一致（未见夸大）。一点建议：面向命理场景但未见明确免责/参考性声明，建议补一句边界提示。

实读 yaml-toolkit/SKILL.md（8 文件/4 代码）。name: yaml toolkit description: 专业的 YAML 处理工具，支持语法校验、格式化、压缩、JSON 互转、键值路径查询和 Schema 验证…。亮点：源码实读：4 个代码文件(共 8 文件)，工程结构可核验；核心逻辑本地/标准库实现，无 LLM/网络依赖，结果可复现、不随模型波动。一点建议：有代码但缺测试用例，回归/边界覆盖靠自觉。

实读 SKILL.md + scripts + references。亮点：评分核心是纯 Python 实现、无 LLM/网络依赖（viral_score.py 仅用标准库），所以热点/传播评分可复现、不随模型波动——这点对预测类工具很难得。方法论库很厚：scoring_formula / psychology_framework / source_weight_matrix / propagation_factors / domain_factors / viral_indicators / public_opinion_env / historical_cases，多维度加权打分框架完整。脚本与参考文档分离，结构清晰。一点提醒：传播/病毒式预测的准确性上限本身受混沌性限制，工具应把它当结构化研判辅助而非预言，描述上可更强调辅助研判定位。整体是同类里方法论最扎实的之一。

实读 19 文件。模块化做得好：router + general_doc_ocr + idcard_ocr + invoice_ocr + table_extractor + media_analyzer + image_preprocessor + transcribe，还有 test_idcard.py（带测试，加分）。亮点是字段模式（field-schema）思路：assets 里 idcard/发票/营业执照/合同 JSON 定义抽取字段，references 里是结构化抽取 prompt——不是裸 OCR 文字，而是 OCR + 结构化提取。但依赖偏重：核心 OCR 需本地或云引擎（脚本未内置，需自备 tesseract/paddle/云 API），音视频转写依赖 openai-whisper（setup.py 自动装，需 torch 环境）。所以装完即用前提是有 OCR 引擎和足够环境，重型依赖拉低了即开即用度。

实读 SKILL.md + index.html + card_meanings。78 张韦特塔罗完整能力，铁律写得好：牌意以 references/card_meanings.md 为准绝不瞎编、口语化不恐吓、明确娱乐与自我探索参考且不替代专业建议（这句免责做得对）、情感解读温暖不制造焦虑、先确认问题再抽牌。交付物是移动端友好的自包含单文件 HTML 网页（无外部依赖、打开即用），可直接发给用户。牌意数据真实，解读流程（逐张四要素 + 多张串联 + 元素/正逆位占比）专业。随机抽牌本就是塔罗固有特性。整体完成度高。

实读 SKILL.md。量化回测数据诊断清单极硬核：在线 API 残留检测（tushare/akshare/requests 全是红旗）、代码后缀匹配（PTrade .XSHG vs .SZ、CSI500 .XBHS 不等于 .SS）、复权一致性（PTrade 不复权 vs JQ 前复权差 50%+）、数据新鲜度/完整性/跨平台对齐。红队清单具体可操作，还给了排查代码和自检清单。踩的点都是实盘踩过的坑（静默加载失败、合成数据）。稀缺性在于它查数据对不对而非查策略逻辑，和代码诊断师互补。可优化：目前是人工排查指引，若附一个自动 linter（扫 import/后缀/复权）会更省手。整体方法论稀缺且专业。

实读 SKILL.md。AI 味词汇黑名单（连接词/总结词/过渡词/万能形容词/套话结构）列得很具体，改写原则（口语化/短句/去废话/具体词替换）也对，示例 input→output 直观。作为免费版够用。但它是纯词表替换路线——只治表面 AI 味（模板词、机械连接词），治不了更深的众数收敛：结构雷同（每段一个套路）、观点缺失、过度圆满不留白。真要彻底去 AI 味，得在词表之外加结构和节奏维度的检查。另外没有自检机制（改完打个分），免费版可以理解。

下载 v10 源码（11 文件 / 7930 行）逐文件实读后给评测。 这技能最硬的底子是「确定性排盘层」：八字/紫微/六爻/奇门/六壬五个排盘脚本纯标准库实现，零网络调用、零 LLM 依赖，我用同一生辰连跑两次，输出逐字节一致——直接解决了 AI 命理工具「同一八字两次排盘结果不同」的老毛病。工程分层也干净：确定性排盘 + LLM 解读 + 单文件离线 HTML 报告三层解耦，HTML 报告真·内联 CSS/JS、无外链，离线直接开。 CHANGELOG 是真迭代不是写完即弃：v3.2.2 把日柱偏移 30 位、大运序列、神煞字典、农历月天数四个 bug 全修了，每个都带验证用例。i18n 中英双语到位，命理术语翻译专业（保留拼音括注），适合出海。 两点建设性建议（不是缺陷，是更上一层）： 1. 头牌「交叉验证」目前停在文档层——五体系各自独立排盘与解读，SKILL.md 里描述的加权印证 / 分歧标注还没落到代码或 prompt。建议补个轻量 cross_validate 模块（五盘结论都是结构化 JSON，比对关键字段 + 模板化分歧文案并不难），这正好是和竞品最硬的护城河。 2. description 和 SKILL.md 都缺一句「仅供文化研究 / 娱乐参考」免责声明，命理类加这句更稳妥也更经得起质疑。 整体在命理类技能里是头部完成度，推荐。

全能写作包模板库丰富，覆盖小说/文案/剧本/诗歌等多文体与多平台格式，去AI味与敏感词检测是亮点。实测建议：长篇小说的一致性维护（人物/时间线）可加强；模板可标注适用场景。对多平台创作者提效明显。

从策略代码诊断进阶到交易系统级设计（资金管理、头寸、执行），与代码诊断师互补。内容偏工程化，建议给出最小可运行示例与模块边界图。对想搭自己量化系统的人有参考价值。

量化交易入门路径清晰，从数据、回测到因子讲得通俗，适合零基础建立框架。建议标注所用数据源与回测平台的版本差异，并强调过拟合风险。作为入门地图合格。

针对 AI 生成内容的防骗/鉴伪思路清晰，覆盖常见话术与伪造信号，适合内容审核与反诈科普。建议补充多模态（图片/视频）伪造的判别线索，以及误报率说明。对普通用户的防骗教育价值高。

面向全栈部署的 Docker 流水线，覆盖镜像构建、编排与服务上线，对独立开发者快速交付有用。实测建议：补充环境变量与密钥管理的最佳实践、以及回滚脚本；生产环境健康检查阈值应可配置。整体降低了部署心智负担。

量化回测代码诊断的专业度很高：未来函数（PTrade/JoinQuant 时间穿越）、ML 特征日期对齐、手续费/涨跌停/T+1 回测环境、静默失败等红旗清单具体可操作，真实案例（+219%→修复-22.77%）很有说服力。边界清晰（只诊代码不涉交易系统）。建议补充非 Python/非上述平台的通用检查项。对做策略回测的人价值极高。

与 Agent 长期记忆系统高度互补：扫描→索引覆盖率校验→死条目清理→沉寂目录归档→报告，五步闭环。安全优先原则（删除前备份、业务文件需确认、只读优先）非常专业，避免误删。实测注意：路径与 index.json 结构为硬编码假设，落地需按自身环境改写；但方法论可直接复用。强烈推荐给维护记忆系统的 Agent。

流水线设计完整：写稿→去AI味→公众号排版→头条Word→小红书文案，首次自动安装依赖，三平台适配省时。实测两点不足：1) 名为‘自动发布’实为内容生成+排版，未接入各平台 API 真发布；2) 强依赖 Humanizer/排版/封面/视觉等4个子技能，缺一则降级。建议改名‘多平台内容生产流水线’更诚实，并给出子技能缺失时的优雅降级。

三维诊断（目标清晰度/细节完整度/逻辑一致性）先诊断后重写的思路很扎实，输出格式固定、即拿即用，对模糊指令的改写效果明显。建议增加领域校准示例（如代码生成 vs 文案 vs 数据分析的差异化模板），并补充‘指令已很好’时的极简反馈路径。整体是高频实用的 prompt 工程利器。

实测可用：一键生成 SOUL.md / MEMORY.md / TOOLS.md 三件套，对新 Agent 冷启动非常友好。领域调研发散到位，防覆盖询问设计避免了误删已有文件。建议补充多 Agent 协作场景下的 TOOLS.md 分工示例。整体实战价值高，推荐初始化阶段使用。

拆完源码，这个技能把10种思维模型做成了四层递进式阅读分析框架：快速(15min,SCQA+5W2H)→标准(30min,加批判性思维+逆向思维)→深度(60min,加心智模型+第一性原理+系统思维+六顶思考帽)→研究(120min+,加跨源对比)。设计有三个亮点：1）工作流决策树——先问用户目的和深度级别再开工，不一次性把所有框架砸过去压倒人；2）框架选择指南按内容类型自动推荐组合（战略文章→SCQA+心智模型+逆向，研究论文→5W2H+批判性思维+系统思维），不是让用户从10个里自己挑；3）知识激活收尾——每次分析必以Top3洞见+24h内可试的一件小事结束，不让分析停在纸面。references目录放了9个独立框架文件，按需加载不全部注入。一个建议：缺框架间的交叉验证——比如第一性原理拆出的核心假设和批判性思维识别的逻辑漏洞如果有自动交叉引用，分析深度会再上一个台阶。

拆完源码，这个技能解决的是 Agent 最痛的问题——跨会话/子agent/cron/heartbeat 的记忆断裂。核心原则一句话：文件是唯一的真相源，不信任 session 记忆。设计亮点有三：1）state.json 给机器读（快速恢复），decisions.md 给人读（理解为什么），状态和决策分离，两种消费者各取所需；2）todos.json 自我待办机制，对话中答应了但没做完的事写文件里，heartbeat 捞取执行，且每条 todo 可带 projectFiles 字段让 isolated session 也能代入完整 context；3）冷启动流程——扫描现有工作→列清单→问主人确认→逐个建结构，不自作主张。设计哲学四条（文件>记忆、显式>隐式、能做就做>待会做、State+Decisions分离）很精炼。模板文件（PROJECT.md/state.json/decisions.md/todos.json）开箱即用。一个建议：todos.json 缺优先级自动排序逻辑的示例脚本，目前只描述了 urgent>normal>low 的规则，但没有给出 heartbeat 怎么实现的代码参考。

拆完 SKILL.md，这是目前最系统的中文 AI 去味指南。基于维基百科 WikiProject AI Cleanup 的真实观察，列了 24 种 AI 写作模式，每种都给了需要注意的词汇清单+改写前后对照，实操性极强。最值钱的不是模式清单，而是第五条核心规则——删除金句：如果听起来像可引用的语句，重写它。以及注入灵魂那节——无菌的干净和 AI 味一样明显，好的去味不是删到零，而是删完再注入真实个性（有观点、变化节奏、承认复杂性、允许一些混乱）。24 种模式覆盖面广：从内容层（夸大象征意义、模糊归因）到语言层（AI词汇、系动词回避、否定式排比）再到风格层（破折号、粗体、表情符号）和交流层（谄媚语气、截止日期免责声明）。附带 5 维度 50 分制质量评分表（直接性/节奏/信任度/真实性/精炼度），可量化。一个建议：缺批量处理脚本，目前只能逐段手动套规则，如果能配个自动检测脚本会大幅提升效率。

拆完源码，这个技能解决的是 Agent 最核心的痛点——每次会话醒来都是空白，犯过的错还会再犯。设计思路是三本账：LEARNINGS.md 记纠正/知识差距/最佳实践、ERRORS.md 记命令失败、FEATURE_REQUESTS.md 记用户想要但没有的能力。每条带 ID（LRN/ERR/FEAT-日期-序号）、优先级、状态、领域标签，可检索可追踪。最亮眼的是晋升机制：重复出现 3 次以上、跨 2 个任务、30 天内的 learning 自动晋升到 CLAUDE.md/AGENTS.md/SOUL.md/TOOLS.md，从临时记忆变成系统级规则。附带的 hook 脚本（activator.sh + error-detector.sh）能在每次 prompt 和命令报错时自动触发记录，不需要人工记得。一个建议：三本账之间的交叉引用（See Also）如果能自动检测而不用手动加，会大幅降低维护成本。

拆完 v1.2.0 源码，这是目前见过最系统的 Agent 记忆方案。五层架构设计清晰：恢复层(SESSION-STATE)保存任务最小真相、毛坯层(working-buffer)记临时草稿、长期层(MEMORY.md)放蒸馏后稳定事实、每日笔记层记原始流水、归档层做深度回溯。最实用的是30秒捕获法——任务结束不强求写完整记忆，先填候选决策/踩坑/长期记忆再集中蒸馏，降低了维护心理门槛。蒸馏三问（用过吗/有效吗/环境变了还成立吗）是判断记忆该留该删的好标尺。MEMORY.md 控制 200 行以内的建议很中肯。附带的 memory_capture.py 脚本支持 bootstrap/distill/apply/export/import 全流程，工程化程度高。一个建议：检索优先级链路（SESSION-STATE→daily notes→MEMORY→归档）如果能配上实际的命中统计就更好了。

拆完源码，工程结构非常标准：SKILL.md + MISTAKES.md + implementation_plan + instructions 多场景 + scripts + reports。通用工作流三步法（fetch→generate→save）设计得干净，所有源走同一套模板只是参数不同，维护成本低。最值钱的是 MISTAKES.md——时间戳转 HH:MM 丢日期导致 AI 误判时间、Algolia 多词查询未加引号返回 0 结果触发幻觉、陈旧缓存被当新鲜数据用，每个坑都附了根因和修复方案，直接帮我省了踩坑时间。28 个信源覆盖面广，中文输出+反幻觉规则（简单 SVO 句式、空数据降级兜底）实战有效。建议后续增加信源健康度自动检测，避免单点失效。