rules-distill

rules-distill 技能概览

rules-distill 是做什么的

rules-distill 是一个维护型技能，用来把已安装技能中反复出现的模式提炼成可复用的规则。它专门解决这样一种场景：你发现同样的指导语在多个地方反复出现，想把它收拢成更干净的规则集，而不是继续散落成一堆 prompt 债务。

适合谁安装

这个 rules-distill skill 适合 Skill Authors、prompt 库维护者，以及任何在管理逐渐扩大的 .claude/skills 目录的人。它最有价值的时机，是你已经安装了多个技能，需要一种可重复的方法来判断哪些内容应该升级为规则、哪些该修订、哪些还需要补充。

它为什么更有优势

它最大的区别，在于把“确定性收集”和“LLM 判断”拆开了。rules-distill 会先完成扫描，再让模型交叉阅读完整上下文并给出结论。相比那种泛泛的“帮我审查技能”提示词，它更值得安装，因为整个流程就是为了减少漏看和临时拍脑袋式判断而设计的。

什么时候最适合用

当你的规则感觉不完整、做完一次技能盘点之后，或者在周期性的维护流程中，可以用 rules-distill。它更适合规则治理，而不是一次性的技能创建；而且当源集合足够大、人工阅读会变慢或不稳定时，它的价值最明显。

如何使用 rules-distill 技能

安装并定位技能

先用仓库的 skill loader 执行 rules-distill install 这一步，然后把安装后的路径当作该技能的工作上下文。仓库里的标准安装命令是：
npx skills add affaan-m/everything-claude-code --skill rules-distill

先看控制行为的文件

如果你想走一个实用的 rules-distill usage 流程，先读 SKILL.md，再查看 scripts/scan-skills.sh 和 scripts/scan-rules.sh。这些脚本会直接说明这个技能到底会盘点什么、输入是怎么组织的；如果你想要稳定结果，这些信息比高层描述更重要。

给它一份真正的维护简报

用于 rules-distill for Skill Authoring 的好提示词，应该明确目标范围、变更目标和约束条件。比如：“扫描我已安装的技能，找出至少在三个技能中重复出现的跨切面原则，并且只对会影响未来输出的模式提出规则新增建议。”这比“帮我改进规则”更好，因为它告诉技能什么才算值得成为规则的模式。

按技能预期的工作流来用

仓库里的指导思路是：先盘点，再交叉阅读。实际使用时，先让技能收集技能列表和规则索引，再要求它做判断。如果你已经知道想要的输出格式，也要一开始就说明：是追加到现有规则、修订过期内容，还是创建新的规则文件。这样能减少来回沟通，也能帮助技能选对动作，而不是只做总结。

rules-distill 技能常见问题

rules-distill 只适合大仓库吗？

不是。安装的技能越多，它的价值通常越高，但即使是较小的配置，rules-distill skill 也仍然有用——尤其当你想用一种更严谨的方法判断某个模式是否值得上升为规则时。如果你只有一两个技能，更简单的提示词可能已经够用。

它和普通提示词有什么不同？

普通提示词也可以让 LLM “找模式”，但 rules-distill 多了一层可重复的收集流程，以及脚本支持的盘点机制。这意味着对记忆的依赖更少、抽样偏差更小、漏文件的风险也更低。对重视一致性的人来说，这就是选择这个技能的核心原因。

初学者需要先懂脚本吗？

不需要完全懂，但最好知道脚本收集了什么、为什么这么收集。初学者可以先按安装和盘点步骤使用这个技能，再去读那两个扫描脚本建立信心。如果跳过这些背景，你可能会在证据还不够充分时，就急着要求改规则。

什么时候不该用 rules-distill？

不要把它用在一次性的 prompt 润色、范围很窄的代码修改，或者那些根本不需要规则治理的任务上。如果源材料太少，不足以支撑跨切面的模式识别，它也不合适。在这些情况下，rules-distill 的安装只会增加流程，却换不来足够收益。

如何改进 rules-distill 技能

提供更好的证据

最强的输入会同时说明技能名、问题模式，以及触发处理的阈值。不要只说“找有用的规则”，可以改成“找 onboarding、safety 和 formatting 技能里的重复约定，但只把那些在多个来源中反复出现、并且会影响输出质量的模式提升为规则”。这样 rules-distill 就有了明确的纳入标准。

让它做对类型的变更

当你明确说明输出是追加、修订还是创建时，这个技能通常最有用。这个选择很关键，因为重复出现的模式并不总是新规则；有时它更适合作为对现有规则的修正。把动作在前面说清楚，往往比要求更长的分析，更能提升规则写作结果。

注意常见失败模式

最常见的失败模式，是把薄弱信号过度泛化。如果你想获得更好的 rules-distill usage，就要求模型在推荐规则之前先引用重复出现的证据。这样可以把技能聚焦在跨切面的原则上，而不是被单个偏好或风格细节带跑。

第一轮之后继续迭代

先用第一轮提炼找出缺口，再带着更窄的问题重跑：Which rule is duplicated?、Which rule is outdated?，或者 Which recurring behavior is still missing?。这种反馈回路，是让 rules-distill for Skill Authoring 随时间产出更锋利、更易维护规则文件的最快方式。