Skill Reviewer - AgentSkill 质量评审系统#

本 skill 用于系统化评审 AgentSkill 的质量，核心目标： 在保证功能完备的前提下，最大化精简 token 消耗。

核心矛盾#

• 过度精简：说明不足，AI 无法正确执行任务
• 过度冗余：描述繁琐，浪费 context window，逻辑缠绕

目标：系统瘦身 + 逻辑完备 — 让 95% 的人（包括 AI）一眼看懂全流程。

评审流程#

1. 初始扫描#

读取目标 skill 的 SKILL.md：

• 理解该 skill 的核心功能
• 识别所有功能入口和工作流
• 记录 skill 的文件结构（scripts/、references/、assets/）

2. 逐项功能审核#

对每个功能或子模块：

可理解性审核

• 是否可以被 95% 的人理解？
• 术语是否需要额外解释？
• 逻辑跳跃是否过大？

Token 效率审核

• 是否存在重复描述？
• 是否可以用脚本封装复杂逻辑？（模型只需调用一条命令）
• 是否可以扁平化层级结构？
• 是否可以用简洁示例替代冗长说明？

冗余内容审核

• 是否存在与功能无关的描述？
• 是否存在重复的文档片段？
• references/ 文件是否可以进一步精简或合并？

3. SKILL.md 审核#

Frontmatter 检查

• description 是否清晰且包含触发场景？
• 是否包含所有"何时使用"信息？

Body 检查

• 是否存在应该移至 references/ 的详细内容？
• 工作流描述是否简洁有力？
• 是否存在应删除的冗余段落？

Progressive Disclosure 检查

• SKILL.md body 是否控制在 500 行以内？
• 是否正确使用 references/ 分离详细文档？
• 是否在 SKILL.md 中正确引用外部文件？

4. 逻辑对齐检查（关键）#

对比 发现的问题 与 原始 skill 功能：

• 禁止 为了瘦身而删减原本的任务逻辑
• 禁止 改变原有功能的语义
• 仅精简表达方式，不改变功能范围

必要时运行 scripts/validate_logic.py 进行自动化逻辑对齐检查。详见 references/validation.md。

5. 生成评审报告#

使用 scripts/generate_report.py 生成结构化报告，详见 references/report_template.md。

评分维度 (10 分制)：可理解性、Token 效率、功能完备性、结构合理性

报告结构：结论概览（打分）、优点、存在的问题（按严重程度分级）、优化计划（含 token 节省量和风险评估）

使用示例#

bash

# 评审某个 skill
评审 /path/to/my-skill

# 评审并指定输出路径
评审这个 skill 并输出报告到 ./reviews/my-skill-report.md

最佳实践#

1. 先理解再评审 — 不熟悉功能时，先问用户澄清
2. 保守为主 — 不确定是否可删除时，保留并标注疑问
3. 量化改进 — 给出具体 token 节省数值
4. 提供示例 — 展示改进前后对比

输出格式#

默认以中文输出，使用 Markdown 格式，清晰分级。报告默认保存到工作目录的 skill-reviews/ 子目录下，文件名为 <skill-name>-review-<date>.md。