yao-meta-skill: 一个用于建模、编译和评估可重用 AI agent 技能的受控生命周期系统

它解决了什么问题

yao-meta-skill 是一个将重复的工作流、提示词和笔记转化为可重用、受控的 AI agent 技能的框架。它超越了简单的提示词工程，通过将技能创建视为一个软件工程过程，为 AI 技能的全生命周期建模、编译、评估和管理提供工具。

工作原理

该项目实现了一个遵循结构化流水线的 "Skill OS" (version 2.0)：

1. 意图建模 (Intent Modeling)：在生成文件之前，通过对话过程明确技能的任务、输出和约束。
2. 技能中间表示 (Skill IR)：为技能创建一个平台中立的语义契约，将意图与特定平台的实现分离。
3. 编译 (Compilation)：使用目标编译器和适配器为各种平台（包括 OpenAI、Claude 和 VS Code）生成技能。
4. 评估与评审 (Evaluation & Review)：采用 "Eval Lab" 来测试触发器和输出质量，并生成在 "Review Studio" HTML 门禁页面中进行评审的证据。
5. 发布与治理 (Release & Governance)：验证软件包、模拟安装，并使用 "claim guard" 来防止在证据验证之前进行过早的公开声明。
6. SkillOps 循环：跟踪采用漂移和遥测数据，为技能的下一次迭代提供信息。

适用人群

• AI Agent 开发者：需要创建可在不同 LLM 提供商之间工作的、可移植且团队就绪的技能的人员。
• 团队负责人：需要对 AI 资产进行治理、发布门禁和基于证据的质量保证的用户。
• 高级用户：将个人生产力工作流转化为结构化、可安装技能包的个人。

亮点

• 平台中立性：使用 Skill IR 从单一来源为多个目标（OpenAI、Claude 等）编译技能。
• 基于证据的治理：用证据账本和用于发布门禁的评审工作室取代盲目信任。
• 全面的 Eval Lab：包括断言评分、盲测 A/B 评审包和运行时权限探测。
• SkillOps：集成的遥测和采用漂移报告，根据真实的用法信号指导迭代改进。