master-skill

大师 · 行业蒸馏术

「同事.skill 蒸馏一个人，女娲.skill 蒸馏一种思维方式，大师.skill 蒸馏一整个行业的 OS。」

核心理念

一个好的行业 master skill 不是行业百科，是可运行的行业认知操作系统：

• •这行的人用什么心智模型看问题？（镜片）
• •这行的标准playbook 是什么？（决策启发式）
• •这行的人怎么沟通？（行业表达 DNA）
• •什么算好工作？（质量基准）
• •外行才会犯什么错？（反模式）
• •这行的工具栈和工作流今年怎么变的？（时效层）

关键区分：捕捉的是 HOW the field thinks，不是 WHAT happens to be in the news this week。

范围约束（重要）

• •粒度：一个 master skill 覆盖一个细分领域（例：「LLM agent 基础设施」「跨境电商运营」「足踝外科」），不要试图覆盖整个泛行业（「软件」「医疗」会让 OS 稀薄到没用）
• •目标用户：行业内 / 想入行 / 服务这行的人。不是给完全外行做扫盲
• •不替代实操工具：master skill 是「思维顾问」，不是 RPA。不要在里面塞「自动操作 X 后台」之类
• •版权安全：不存全本书 / 完整字幕 / 长段原文。只保留结构化摘要 + 来源元数据 + 极短引用

路径占位符 (iter 24 重要)

prompts 里两个不同的目录占位符:

工具脚本 (source_verifier.py / cold_detector.py / quality_check.py / collectors / ingest / transcribe) 不复制到生成的行业 skill 目录, agent 直接调 {master_skill_dir}/tools/.... 行业 skill 只装载 prompts + research notes + SKILL.md + sub-skills + cli/.

如果运行环境的 master-skill 路径变了, agent 替换占位符即可; 不需要改任何工具源代码.

执行流程

Phase 0: 入口分流

收到用户输入后判断路径：

Phase 0A: 行业澄清（直接路径）

确认 6 个维度（用户没主动提的字段就问，主动给的就不要重问）：

1. 行业 / 细分领域（必填）— 例：LLM agent infra，不是 AI；跨境电商运营，不是 电商
2. 聚焦方向（可选）— 全景画像 vs 某个角度优先（例：技术视角 vs 商业视角）
3. 地域 / 语言区（可选）— global / 中文圈 / 美国 / 欧洲。影响信源选择
4. 用户身份（可选）— 从业者 / 学习者 / 投资人 / 咨询。影响 master skill 的语气与决策视角
5. 本地素材（强烈推荐询问）— 「你手上有这行的一手素材吗？行业报告 PDF / 内部文档 / 你写过的文章 / 长访谈 transcript / 视频字幕？有的话直接丢给我，比网上搜到的二手转述质量高得多」
6. 新建 or 更新（可选）— 检查 ~/.claude/skills/{slug}-master/ 是否已存在

用户没主动给 → 默认全景 + global + 从业者视角 + 无本地素材，确认后推进。 用户提供了本地素材 → 标记为本地语料模式，Phase 1 采集策略相应调整。

确认后 → Phase 0.5。

Phase 0B: 需求诊断（模糊路径）

用户不确定要蒸哪个细分时，反推合适的范围。

最多 1-2 轮追问，定位用户真正的需求维度：

基于用户表达，提议 2-3 个具体的细分领域。每个候选要回答：

• •这个细分目前真有可调研的公开材料吗？（冷门领域的 master skill 质量必差）
• •它跟用户的需求多对齐？
• •它跟其他候选的差异在哪？

用户选定后 → Phase 0A 补全 6 个维度 → Phase 0.5。

Phase 0C: 更新路径

读取已存在的 {slug}-master/SKILL.md，从 frontmatter 找到 last_research_date。基于距今多久决定刷新强度：

不要每次都重写整个 skill — 行业的核心 OS 通常 1-2 年才动一次，工具 / 工作流才是高频变量。

Phase 0.5: 创建 Skill 目录

在调研开始之前完成：

{HOST_SKILLS_ROOT}/{slug}-master/
├── SKILL.md                          # 最终产物
├── meta.json                         # 元数据 (industry, locale, profile, last_research_date, source_count)
├── scripts/                          # 工具脚本（继承自 master-skill 仓库 + 行业特化）
└── references/
    ├── research/                     # 6 轨调研结果（必存）
    │   ├── 01-figures.md             # 行业大佬
    │   ├── 02-tools.md               # 工具地图
    │   ├── 03-workflows.md           # 工作流 / SOP
    │   ├── 04-canon.md               # 知识正典（书 / 论文 / 课）
    │   ├── 05-sources.md             # 信息源（newsletter / podcast / 会议 / 社区）
    │   └── 06-glossary.md            # 术语 + 标准 + 法规
    ├── synthesis.md                  # Phase 2 提炼结果（行业 OS）
    └── sources/                      # 一手素材（用户提供 + 网络下载的字幕等）
        ├── books/
        ├── transcripts/
        └── articles/

HOST_SKILLS_ROOT 解析：

• •Claude Code: ~/.claude/skills
• •OpenClaw: ~/.openclaw/skills
• •Codex: ~/.codex/skills
• •Hermes: ~/.hermes/skills
• •其他 / 不确定：在当前 cwd 下创建 ./{slug}-master/，最后让用户决定装到哪

目录创建后立即检查：

• •[ ] 目录已创建
• •[ ] 如果 locale 是中文圈：信源策略切换为 B 站原始视频 / 小宇宙播客 / 36氪 / 极客公园 / 晚点 / 财新优先（永远排除知乎、微信公众号、百度百科）
• •[ ] 如果 locale 是英文圈：默认 Twitter/X / YouTube / Substack / arXiv / 行业 podcast 优先
• •[ ] 如果是更新模式：已读取现有 SKILL.md 和 references/research/*.md，标注哪些信息要刷
• •[ ] 如果用户提供了本地素材：复制到 sources/ 对应子目录，标记为本地语料模式

关键规则（开源分发的核心）：

• •所有调研文件必须存在 skill 目录内部 references/research/，绝不存到外部目录
• •skill 必须自包含：clone 整个目录就能用
• •每个 subagent 必须把调研写入对应文件。不存文件的调研等于没做

Phase 1: 多源信息采集（六轨 Agent Swarm，wave 结构）

iter 4 figures 跑通后发现：6 轨之间互相是 bootstrap 输入。Track 01 (figures) 的「最大几家公司创始人」依赖 Track 02 (tools) 找到的「关键工具」；Track 02 的「业内人吐槽过哪些工具」反过来依赖 Track 01 找到的人。强行纯并行 → 各轨都凭空猜起点。

执行结构：

Wave 1（并行）— 「广撒网」轨：

• •Track 04 (canon) — 必读书 / 论文 / 课，搜索路径最独立（看 Goodreads / arXiv / 大学课程页就行）
• •Track 05 (sources) — newsletter / podcast / 会议，搜索路径独立（搜「{industry} podcast」「{industry} newsletter」）
• •Track 06 (glossary) — 术语 + 标准，从行业入门书 / 维基 / 标准化机构 page 抓

Wave 1 加速器：先跑 collectors 拉机械 seed (iter 24)

Wave 1 启动前 2 分钟跑这 4 个 collector, 拉到结构化 seeds.jsonl, 让 web search 不再凭空猜:

mkdir -p {skill_dir}/references/research/seeds
# 用户主 industry slug 对应的 GitHub topic / arXiv 类目 / 行业核心 RSS
python3 {master_skill_dir}/tools/collectors/github_topics.py --topic {topic} \
  --limit 30 --output {skill_dir}/references/research/seeds/github_repos.jsonl
python3 {master_skill_dir}/tools/collectors/arxiv_collect.py --query "cat:cs.AI AND all:agent" \
  --max 30 --output {skill_dir}/references/research/seeds/arxiv_papers.jsonl
python3 {master_skill_dir}/tools/collectors/rss_collect.py --feed-list {skill_dir}/intake.feeds.txt \
  --max 20 --output {skill_dir}/references/research/seeds/rss_items.jsonl
python3 {master_skill_dir}/tools/collectors/podcast_rss.py --apple-id {N} \
  --max 30 --output {skill_dir}/references/research/seeds/podcast_episodes.jsonl

Wave 1 subagent 必须先 cat 这些 jsonl 再启动 web search. 例如 Track 05 (sources) 看 podcast_episodes.jsonl 里反复出现的 host / show 直接进 retain 候选; Track 04 (canon) 看 arxiv_papers.jsonl 的 author 网络. 这把「凭直觉撒网」换成「从机械 seed 撒网」, 漏掉的高密度一手少很多.

Seeds JSONL 通用 schema (collectors 都遵守):

• •type: github_repo / arxiv_paper / rss_item / podcast_episode (必填, agent 根据它路由)
• •name / title: 实体名
• •url: 一手 URL (跑 source_verifier classify 取 bucket)
• •author / host / show_host: 主创
• •published / pushed_at / last_activity: ISO 时间戳 (用于 freshness)
• •类型特有字段: stars/forks (github), authors/abstract (arxiv), guests/duration_sec (podcast), summary (rss)
• •任何 collector 输出都可作 seed; agent 在合并时用 url 去重

Wave 2（并行，用 Wave 1 的产出做 seed）— 「人 + 工具」轨：

• •Track 01 (figures) — 用 Wave 1 的 canon 作者 + sources 嘉宾名单作为初始候选
• •Track 02 (tools) — 用 Wave 1 的 sources 中频繁讨论的工具 + canon 中点名的工具作为初始候选

Wave 3（用前两 wave 的产出做 seed）— 「整合」轨：

• •Track 03 (workflows) — 综合 figures 怎么干活 + tools 怎么用 + canon 中描述的流程，提炼当前 SOP

每个 wave 内可并行启动 subagent。Wave 之间串行，但每 wave 跑完不阻塞用户 —— 模型并行 swarm 的内部时间预算 ≤ 3 min / wave，整体 Phase 1 应在 10-15 min 内拿到完整 6 个 research note 文件。

Wave seed fallback 统一规则（findings iter 7+8 unified）：

如果某 wave 内某 track 失败（5 min 没产出有效 source），不阻塞下一 wave，但 seed 总数减少。子 wave 自动按上表表行降级。

启动 wave 1 的 3 个 subagent；Wave 1 完成后启动 wave 2 的 2 个；Wave 2 完成后启动 Wave 3 的 1 个。每个 subagent 任务模板（以 Track A 为例）：

你的任务：调研「{industry}」行业的 {track_topic}。

{track-specific 搜索方向}

强制约束：
- 调研结果必须写入 {skill_dir}/references/research/{NN-track}.md
- 每条信息标注来源 URL 和可信度（一手 > 二手 > 推测）
- 区分一手（行业人自己说的）vs 二手（别人转述的）vs 推断（你的判断）
- 发现矛盾保留，不和稀泥
- 不要存全本书 / 长字幕 / 大段原文 — 只存结构化摘要 + 来源
- 信源黑名单：{locale-specific blacklist}
- 信源优先级：用户本地一手素材 > 行业人本人输出 > 长访谈 > 行业经典著作 > 权威媒体长稿 > 社交媒体短稿 > 二手转述

行业素材大量是访谈、conference talk、podcast。优先级：

1. YouTube / B 站官方字幕：yt-dlp --write-subs --skip-download，优先人工字幕 → 中文 → 英文 → 自动字幕
2. podcast transcript 网站：podcastnotes.org、transcriber.io 等，搜「{podcast name} transcript」
3. 本地 whisper fallback：仅当用户明确提供音频文件且没有公开 transcript 时使用
4. 转写后存 sources/transcripts/{slug}.txt

注意：调研笔记中不要 paste 完整 transcript，只提取观点 + 引用极短句子。

Phase 1 启动前扫描 ~/.claude/skills/（或宿主对应路径），如果有以下 skill 可调用，告知 subagent：

• •单 Agent 跑 5 分钟无有价值结果 → 不等，继续推进，在诚实边界中标注
• •总来源 < 30 条 → 冷门领域协议：

- 心智模型限制为 2-3 个 - 工作流模块标注「基于有限信息」 - 扩大诚实边界 - 告知用户：「这个细分目前公开材料偏少，{N} 条来源。如果你能提供以下材料质量会显著提升：[列出关键缺口]」

Phase 1.5: 调研 Review 检查点

所有 Agent 完成后强制暂停，向用户展示结构化摘要：

┌──────────────────┬──────────┬─────────────────────────────────┐
│ Track            │ 来源数    │ 关键发现                         │
├──────────────────┼──────────┼─────────────────────────────────┤
│ 1 Figures        │ N        │ top: A / B / C；最近动态: ...    │
│ 2 Tools          │ N        │ canonical: X / Y；新出: Z        │
│ 3 Workflows      │ N        │ 当前 SOP: ...；近期变化: ...     │
│ 4 Canon          │ N        │ 必读 top 3: ...                  │
│ 5 Sources        │ N        │ newsletter / podcast / 社区     │
│ 6 Glossary       │ N        │ 关键术语 N 个                    │
├──────────────────┼──────────┼─────────────────────────────────┤
│ 矛盾点            │ N 处      │ Track1 说 X, Track4 说 Y         │
│ 信息不足维度       │ [列表]   │ 补充计划: ...                    │
│ 一手 / 二手比例    │ a:b      │ 一手占比 X%                     │
│ 冷门领域?         │ 是 / 否   │                                  │
└──────────────────┴──────────┴─────────────────────────────────┘

用户确认 OK → Phase 2。 用户觉得某轨不够 → 补完再继续，不能跳过。

这一关挡住的是：调研垃圾导致后续提炼全部失真。垃圾进垃圾出，在这里返工成本最低。

Phase 2: 框架提炼（Synthesis）

读取 6 轨 research 笔记，提炼行业 OS。

= 这行的人看问题的独特镜片。

三重验证筛选：

• •跨场景复现：在 ≥ 2 个不同案例 / 子领域 / 经典著作中出现？
• •生成力：能用它推断这行人对一个新问题的立场？
• •排他性：不是所有聪明人都会这样想？只有这行的人这样想？

三重通过 → 心智模型；仅 1-2 重 → 降级为决策启发式；0 重 → 丢弃。

每个模型记录：名称、一句话描述、≥ 2 处来源证据、应用方式、局限。

= 这行的人面对 X 类问题时的快速规则。表述为「如果 {场景}，则 {决策方向}」，每条配 1-2 个具体案例。

从 Track 02 提炼：

• •必备工具（≥ 80% 从业者用）
• •场景特化（不同子方向用不同的）
• •新兴 / 实验（近 12 个月出现，未必稳定）
• •避坑清单（外行容易选错的）

从 Track 03 提炼：

• •入门 SOP：完成一个最小完整任务的最少步骤
• •资深路径：跳过 / 优化哪些步骤
• •近期变化：AI / 新工具 / 法规变化带来的工作流改写

从 Track 01 / 03 / 06 提炼：

• •这行人的高频用语 / 黑话
• •严肃讨论 vs 轻松吐槽的 register 差别
• •内部 vs 外部沟通时的差异
• •一个外行读起来「不像这行的」的常见破绽

• •什么算「好」：3-5 条具体可验证的基准
• •什么是反模式：外行 / 入门常犯的 5-10 条错误

这个行业的几个主要流派 / 学派 → 各自的奠基人 → 当前代表人物 → 核心分歧。

必须明确写出的局限：

• •信息截止 {research_date}，工具 / 工作流模块衰减最快
• •master skill 不能替代行业实操经验
• •公开信息有偏差（成功者发声多，失败者沉默）
• •这次调研的薄弱维度（如有）

为 Phase 3 准备：从 2.1 / 2.3 / 2.4 推导出「这行人面对一个新问题时，会按什么维度去做功课」。例如：

• •「跨境电商运营」 master 拿到「我要在德国上线一个新品类」 → 默认会研究：竞品定价（看 Helium 10）、目标市场习惯、税务（VAT / 一站式申报）、物流（FBA / 海外仓选型）、合规（CE / GS / 包装法）

写下 3-10 个（按行业复杂度调整）这行人面对新问题时的标准研究维度，每个维度配 1-2 个具体的搜索 / 查询动作。简单行业（窄 + 工具少）3-5 个；标准行业 5-7 个；复杂行业（宽 + 工具栈多 + 流派多）7-10 个。

Phase 2.5: 提炼确认检查点

向用户展示提炼摘要：

{industry} Master OS 提炼结果
─────────────────────────────────
心智模型：N 个
  1. {名称} - {一句话}
  2. ...

标准 playbook：N 条
工具栈：必备 N / 场景化 N / 新兴 N
工作流：入门 / 资深 / 近期变化
表达 DNA：{3-4 个关键特征}
质量基准：N 条
反模式：N 条
智识谱系：{N 个流派}
诚实边界：N 条

Agentic Protocol：N 个研究维度
─────────────────────────────────
确认进入 Skill 构建？还是某项要调？

用户确认 OK → Phase 3。 用户觉得某项不准 → 回到 Phase 2 调整。

Phase 3: Skill 构建

将 Phase 2 提炼组装为可运行的 SKILL.md。

读取 references/skill-template.md（master-skill 仓库自带）获取标准结构。模板定义：

• •frontmatter（name / description / triggers / industry / locale / last_research_date）
• •角色扮演规则
• •Agentic Protocol（按行业研究维度做功课再答）
• •行业 OS 模块（心智模型 / playbook / 表达 DNA / 质量基准 / 反模式 / 智识谱系 / 诚实边界）
• •知识模块（figures / tools / workflows / canon / sources / glossary）
• •调研来源汇总

按模板逐 section 填入 Phase 2 结果。

大师.skill 调女娲.skill 蒸馏 top figures, 生成的 person sub-skill 嵌入 sub-skills/. 这是 cross-skill composition 的核心 — 大师不重新发明 person 蒸馏, 它委托给女娲.

• •用户在 Phase 0A 选了「全景画像」或明确要求 sub-skill
• •Track 01 (figures) 至少有 3 个 figures 已被多源认可（≥ 2 endorsement-evidence per figure）
• •nuwa-skill 已安装 (~/.claude/skills/nuwa-skill/ 或 ~/.openclaw/skills/nuwa-skill/); 没有则告知用户「装一下女娲.skill 才能展开 sub-skill 步骤」

如果用户选了「聚焦」或时间紧 → 跳过本步, 只在主 skill 中保留 figures 摘要 (Track 01 输出已足够).

读 references/research/01-figures.md, 按以下排序选 top 3:

反模式: 选「业内最有名」(可能只是 PR 强), 而忽略「思维最锐利」.

为每个 top figure 准备:

• •基础事实: 姓名 / 公司 / 角色 / 主要观点 (从 01-figures.md 的「核心一句话」字段)
• •长素材: ≥ 2 个 long-form material 的 transcript / 长文 (优先用 tools/transcribe/youtube.sh 处理 podcast / talk)
• •代表作品: 文章 / 演讲题目 / 书 (URL 可)
• •争议立场: figure 的非 mainstream 观点 (这部分通常最能体现思维方式)

把这些写到一个临时 prompt blob, 用 `prompts/sub-skill-figures.md` 模板填充.

spawn subagent (general-purpose):
prompt: 「{prompts/sub-skill-figures.md 填充后的内容}」
working_directory: {slug}-master/sub-skills/{figure-slug}/

subagent 拿到任务后:

1. 读 ~/.claude/skills/nuwa-skill/SKILL.md (或者其他 host 的 nuwa 安装路径)
2. 走 nuwa-skill 的 5 步流程 (intake → 思维素材采集 → 三轨提炼 → 生成 → 验证)
3. 把生成的 person sub-skill 写到 {slug}-master/sub-skills/{figure-slug}/
4. subagent 完成后回主 agent, 报告写入文件清单

主 agent 跑 3 个 subagent 并行 (3 个 figures 互不依赖, 可并发).

主 SKILL.md 「智识谱系」节末尾自动插入:

### Sub-skills (女娲蒸馏的 top figures)

需要某位 figure 的视角时, 加载对应 sub-skill:

| Figure | Sub-skill 路径 | 何时调用 |
|--------|--------------|---------|
| {figure-1} | `sub-skills/{slug-1}/SKILL.md` | 当问题涉及 {topic-1} 时 |
| {figure-2} | `sub-skills/{slug-2}/SKILL.md` | 当问题涉及 {topic-2} 时 |
| {figure-3} | `sub-skills/{slug-3}/SKILL.md` | 当问题涉及 {topic-3} 时 |

skill_writer.py 的 meta.json 同步更新 sub_skills 字段 (slug + path 列表).

调 tools/skill_writer.py create（v0.3+），它会：

• •写 {skill_dir}/SKILL.md（自动注入 synthesis body）
• •写 {skill_dir}/meta.json（自动算 source ratio + decay registry）
• •复制 6 个 references/research/0X-*.md 到 skill 内部
• •复制 references/synthesis.md（自包含）

python3 tools/skill_writer.py create \
  --skill-dir <output> \
  --intake <intake.json> \
  --synthesis <synthesis.md> \
  --template references/skill-template.md \
  --research-dir <research/>

skill_writer.py 在写完 SKILL.md / meta.json 后，自动调 tools/cli_writer.py emit 生成 cli/ 子树：

每个生成脚本支持 --help / --explain / --dry-run / --json 标准接口。完整 spec: references/cli-spec.md。

如果用户不要 CLI（例如纯演示）：skill_writer.py create --no-cli.

Phase 4: 质量验证

生成后用子 agent 独立测试（避免自评偏差）：

挑 3 个这行有共识答案的问题，spawn 子 agent 带着新 skill 回答。对比业内共识：

• •方向一致 → PASS
• •偏离 → 回 Phase 2 调整

挑 1 个这行人没特别讨论过但相关的问题，让 skill 推断。

• •期望：「基于 {心智模型 X} 和 {playbook Y} 推断，可能 ...; 但需要 {具体来源} 确认」
• •不应该斩钉截铁

让 skill 写 100 字行业短评。盲测能否被识别为「这行的人写的」。

不通过 → 标注薄弱维度回 Phase 2 迭代。最多 2 轮，仍不通过则在诚实边界中明确标注，交付当前最优版本。

Phase 5: 双 Agent 精炼（标准后置）

Phase 4 通过后，并行启动两个评审 agent：

Agent A（auto-skill-optimizer 视角）：

• •评 SKILL.md 的工作流清晰度、边界条件、检查点设计、指令具体性
• •干跑 3 个典型 prompt，评估有效性
• •输出最弱 2 个维度的具体改进建议（带改后文本示例）

Agent B（skill-creator 视角）：

• •评激活触发条件是否覆盖真实场景
• •评角色扮演规则的可操作性
• •识别缺失的关键信息
• •输出 2-3 处具体改动建议（带改后文本示例）

主 agent 综合两份报告，应用不冲突的改进，向用户展示变更摘要请求确认。

精炼标准：让 skill「激活即执行」，不是「内容更多」。

更新已有 Skill

走 Phase 0C 路径。重点：

1. 读 meta.json 中 last_research_date
2. 按距今时长决定哪几轨重跑
3. 旧的 references/research/ 文件移到 references/research/archive/{date}/
4. 重跑选定的 track，但保留旧版本可参考
5. Phase 2 重新提炼时，明确对比新 vs 旧：

- 新信息加强现有模型 → 补充案例 - 新信息与旧模型矛盾 → 标记 changed，更新模型，在诚实边界写「{date} 起 {模型 X} 改为 ...」 - 出现新模型 → 加入 - 旧模型彻底过时 → 标记 deprecated，移到「历史模型」节

1. 写 CHANGELOG.md 记录这次更新动了什么
2. 不重写整个 skill，只增量更新

品味守则（速查）

绝不做的事

• •编造行业 figures 没说过的话 / 没写过的书
• •把通用商业道理包装成「{X 行业的} 独特见解」
• •忽略行业的真实争议、骗局、黑历史
• •在公开材料 < 30 条时强行生成「全维度 master skill」

与其他 skill 的关系

层级：dot < nuwa < master，覆盖范围一层比一层大，调研深度逐层下降。