rules-distill

rules-distill 技能總覽

rules-distill 的用途

rules-distill 是一個維護型技能，用來把已安裝技能中反覆出現的模式，整理成可重複使用的規則。它專為你發現多個地方都在講同一套指引、想把這些內容收斂成更乾淨的規則集，而不是讓它們散落在各處形成 prompt 債的時刻而設計。

誰適合安裝它

這個 rules-distill skill 很適合 Skill Author、prompt library 維護者，以及任何正在整理成長中的 .claude/skills 設定的人。當你已經安裝了好幾個技能，並且需要一套可重複的方法來判斷哪些內容應該變成規則、哪些要修訂、哪些要新增時，它特別有用。

它的突出之處

它最主要的差異，在於把「確定性蒐集」和「LLM 判斷」拆開處理。rules-distill 會先做掃描，再讓模型交叉閱讀完整上下文並產出判定。這讓它比那種模糊的「幫我檢視技能」prompt 更值得安裝，因為整個流程是明確設計來降低漏看範圍與臨時判斷失準的風險。

什麼情況下最適合用

當你的規則感覺不完整、做完一次技能盤點之後，或是在固定的維護週期中，都很適合用 rules-distill。它比起一次性的技能建立，更適合拿來做規則治理；而且當來源集合夠大、人工閱讀會變慢或變得不一致時，它的效果最明顯。

如何使用 rules-distill 技能

安裝並定位這個技能

先用 repository 的 skill loader 執行 rules-distill install 步驟，然後把安裝後的路徑當成這個技能的工作上下文。repo 中的標準安裝指令是：
npx skills add affaan-m/everything-claude-code --skill rules-distill

先看會影響行為的檔案

如果你要做實際的 rules-distill usage，請先讀 SKILL.md，接著再檢查 scripts/scan-skills.sh 和 scripts/scan-rules.sh。這些 scripts 會顯示這個技能實際盤點什麼、以及它如何結構化輸入；如果你要的是可靠結果，這些資訊比高層描述更重要。

提供真正的維護需求

給 rules-distill for Skill Authoring 的 prompt，應該明確寫出目標範圍、變更目的與限制。例如：「掃描我已安裝的技能，找出至少在三個技能中出現的跨技能原則，並且只對會影響未來輸出的模式提出新增規則建議。」這比「幫我改進規則」更好，因為它清楚告訴技能什麼才算得上值得寫成規則的模式。

依照技能預期的流程使用

repo 的指引核心是「先盤點，再交叉閱讀」。實務上，先讓技能收集技能清單與規則索引，再來要求判定。如果你已經知道想要的輸出格式，也要一開始就說清楚：是要附加到現有規則、修訂過時內容，還是建立新的規則檔。這樣可以減少來回溝通，也能幫助技能選擇正確動作，而不只是整理發現。

rules-distill 技能 FAQ

rules-distill 只適合大型 repository 嗎？

不是。安裝的技能越多，它的價值通常越高，但 rules-distill skill 在較小的設定中也很有用，特別是當你想用一套有紀律的方法來判斷某個模式是否值得變成規則時。如果你只有一兩個技能，更簡單的 prompt 可能就夠了。

這和一般 prompt 有什麼不同？

一般 prompt 可以要求 LLM「找出模式」，但 rules-distill 多了可重複的蒐集階段和由 script 支援的盤點流程。這代表它更不依賴記憶、抽樣偏差更少，也比較不會漏掉檔案。對重視一致性的使用者來說，這就是選擇這個技能的主要理由。

初學者一定要先懂 scripts 嗎？

不必完全懂，但至少要知道這些 scripts 會收集什麼、以及為什麼要收集。初學者可以先照著安裝與盤點步驟使用這個技能，再讀那兩個掃描 scripts 來建立信心。如果你跳過這些背景脈絡，可能還沒確認證據是否夠廣，就先要求改規則。

什麼情況下不該用 rules-distill？

不要拿它來做一次性的 prompt 潤飾、狹窄的程式碼修改，或是不需要規則治理的任務。如果你的來源材料太少，無法支撐跨技能模式，它也不適合。在這些情況下，安裝 rules-distill 只會多一層流程，回報卻不夠。

如何改進 rules-distill 技能

提供更好的證據

最強的輸入會同時寫出技能名稱、問題模式，以及採取動作的門檻。與其說「找出有用的規則」，不如說「找出 onboarding、安全性與格式化技能中的重複慣例，但只把會跨多個來源重現、且會影響輸出品質的模式升級為規則」。這會給 rules-distill 一個具體的納入標準。

要求正確類型的變更

如果你明確指出輸出要是附加、修訂還是新增，這個技能通常會更有用。這個選擇很重要，因為重複出現的模式不一定都該變成新規則；有時候它應該只是既有規則的修正。先講清楚要執行的動作，比要求更長的分析，更能提升寫規則的結果。

留意常見失敗模式

最常見的失敗模式，是從薄弱訊號過度泛化。如果你想要更好的 rules-distill usage，就要求模型在提出規則建議前先引用重複出現的證據。這能讓技能專注於跨技能原則，而不是單一偏好或風格上的小差異。

第一次結果後要再迭代

先用第一輪蒸餾找出缺口，接著再用更窄的問題重跑，例如：「哪一條規則重複了？」「哪一條規則已經過時？」「還缺哪一種反覆出現的行為？」這種回饋迴圈，是讓 rules-distill for Skill Authoring 長期產出更銳利、更容易維護的規則檔，最快的方法。