古法编程

要系统性地保障 AI 编程助手生成的代码质量并治理庞大的技能库，Everything Claude Code 提供了三大核心 Skill：Plankton Code Quality Skill 实现写时自动格式化、Lint 与 Claude 分级修复；Skill Comply Skill 通过三档提示词自动生成场景，验证规则的实际遵守率；Skill Stocktake Skill 则提供 Quick Scan 与 Full Stocktake 两种模式，对 Skills/Commands 库进行全量质量审计。三者协作，构建了从实时修复到合规检测，再到技能盘点的生产级治理闭环。

写时质量守护与 Skill 治理：Plankton 自动 Lint 修复与合规率检测

在 AI 辅助编程（如使用 Claude Code、Codex）的工作流中，代码质量和工具集的治理面临两个根本挑战：一是如何确保每次 AI 生成的代码都符合规范，而非仅在提交前进行检查；二是如何管理日益膨胀的 Skills、Rules 和 Agents 库，防止其冗余、过时或失效。Everything Claude Code 的插件体系为解决这两大问题提供了完整的解决方案。本文将深入解析其中三大核心 Skill 的工作原理、操作流程与协作模式，它们共同构成了从写时质量守护到技能库系统性治理的自动化闭环。

一、Plankton Code Quality Skill：写时自动 Lint 与 Claude 分级修复

传统的 Lint/格式化方案通常在 commit、push 或 CI 阶段生效，这给了 AI 助手“绕过”质量门控的空间，甚至可能通过修改 Linter 配置来“消灭”报错。Plankton Skill 的核心价值在于将质量守护前置到每一次文件编辑操作。

核心机制与三阶段流程

Plankton 依赖 Everything Claude Code 的 Hook 体系，其核心是通过 PostToolUse 事件在文件编辑后自动触发 multi_linter.sh，执行一个严格的三阶段流程：

  1. Phase 1：静默自动格式化 运行 ruff format（Python）、biome（TypeScript/JavaScript）、shfmt（Shell）等工具，能直接修复的格式问题被自动纠正。

  2. Phase 2：收集未修复的 Lint 违规 运行各类 Linter（如 ruff、biome、shellcheck），收集无法自动修复的违规项。输出为结构化 JSON，包含文件路径、行列号、错误码、错误信息和 Linter 名称。

  3. Phase 3：Claude 分级自动修复 将违规 JSON 传递给一个 Claude 子进程进行修复。系统会根据问题的复杂度自动选择模型：

    • Haiku：处理简单格式、风格、导入问题（错误码如 E, W, F），超时 120 秒。
    • Sonnet：处理复杂逻辑、代码重构问题（错误码如 C901, PLR），超时 300 秒。
    • Opus：处理深层类型系统、推理问题（如 unresolved-attribute），超时 600 秒。 修复后，流程会自动回到 Phase 1 和 Phase 2 进行验证，直到所有违规被修复或达到超时阈值。

配置防篡改与协作防护

为了防止 AI 通过修改 Linter 配置文件来“绕过”规则，Plankton 内置了防御机制：

  • PreToolUse Hook：protect_linter_configs.sh 会阻止对 .ruff.toml、biome.json 等配置文件的直接编辑。
  • Stop Hook：stop_config_guardian.sh 会在会话结束时检查配置文件是否被修改，若有变更则阻断流程并提示人工审核。

此外，它还通过 PreToolUse Hook 强制使用现代包管理器（如 uv, bun），阻止使用传统工具（如 pip, npm），以维护依赖环境的一致性。

操作指南：快速上手与配置

快速验证：

  1. 安装必要工具（如 brew install ruff uv）。
  2. 在包含 Plankton 配置的目录下启动 claude 命令。
  3. 正常进行文件编辑，观察终端输出。全部修复则静默通过；若有遗留，会收到 [hook] N violation(s) remain 的提示。

集成到自有项目：

  1. 将 .claude/hooks/ 目录和 settings.json 复制到你的项目根目录。
  2. 根据项目语言，安装对应的 Linter 工具。例如，Python 需要 ruff 和 uv，TypeScript/JavaScript 需要 biome。
  3. 定制 .claude/hooks/config.json 以启用或禁用特定语言、调整 Claude 子进程的模型分级阈值或完全关闭 AI 修复功能。

关键配置项 (config.json)：

{
  "phases": {
    "auto_format": true,
    "subprocess_delegation": true
  },
  "subprocess": {
    "tiers": {
      "haiku":  { "timeout": 120, "max_turns": 10 },
      "sonnet": { "timeout": 300, "max_turns": 10 },
      "opus":   { "timeout": 600, "max_turns": 15 }
    },
    "volume_threshold": 5
  }
}

volume_threshold 表示当未修复的违规数量超过此值时，将尝试使用更高级别的模型。

二、Skill Comply Skill：自动化规则合规率检测

当团队定义了一系列 Skills、Rules 或 Agent 行为规范后，如何验证它们是否被真正遵守？Skill Comply Skill 提供了自动化、量化的答案。

核心机制：三档提示词与行为序列分类

Skill Comply 的核心在于通过 LLM 自动生成测试场景，并对 Agent 的行为序列进行智能分析，而非简单的关键字匹配。

  1. 行为规范推断：自动从目标 Markdown 文件（如一条 Rule 或一个 Skill）提取预期的行为序列（Spec）。
  2. 多场景生成：自动生成三种严格度的提示词来测试 Agent：
    • 支持性：提示词中明确要求遵守规则。
    • 中立：提示词仅描述任务，不提及规则。
    • 对抗性：提示词可能诱导或“怂恿” Agent 忽略规则。
  3. 执行与分类：实际运行 Agent，记录其所有工具调用（如 Read, Bash, API 调用）。然后，使用一个 LLM 来判断每一步调用是否符合推断出的行为规范。
  4. 报告生成：最终输出一份包含行为规范、场景提示、每个场景的合规分数（百分比）以及详细工具调用时间线的报告。

操作指南：运行与解读报告

触发方式：

  • 命令行：/skill-comply <path>，其中 <path> 是目标 .md 文件的路径。
  • 自然语言：在对话中询问“这条规则到底有没有被遵守？”。
  • 自动化集成：可纳入 CI/CD 流水线，定期批量检测。

报告解读示例： 对一条 testing.md 规则运行检测，报告可能显示：

  • 支持性场景合规率：100% — 当明确要求时，Agent 能完全遵守。
  • 中立场景合规率：80% — Agent 在大部分情况下会自觉遵守。
  • 对抗性场景合规率：40% — 在负面诱导下，Agent 容易忽略规则。 报告中会明确指出哪些步骤违规，并可能建议将低合规率的步骤升级为自动化 Hook 来强制约束。

Skill Comply 生成的报告是评估规则有效性和 Agent 可靠性的关键依据。它与 端到端验证循环 和 规则提取与同步 等技能紧密协作，形成治理闭环。

三、Skill Stocktake Skill：技能库质量审计

随着时间的推移，.claude/skills/ 目录下的技能文件会越来越多。Skill Stocktake Skill 就像一个“技能库医生”，负责定期诊断其健康状况。

两种审计模式

  1. Quick Scan（增量扫描）

    • 适用场景：日常维护，仅想检查自上次盘点以来有变更的技能。
    • 流程：读取上次的审计结果 results.json，仅对文件修改时间（mtime）发生变化的技能进行重新评估。
    • 耗时：通常 5-10 分钟。
    • 触发：直接运行 /skill-stocktake。

  2. Full Stocktake（全量盘点）

    • 适用场景：首次审计、长时间未审计、或技能库发生大规模重构后。
    • 流程：扫描所有技能文件，生成完整清单，然后分批调用 AI 子代理，根据一套 Checklist（检查内容重叠、技术过时、使用频率等）进行详细评估。
    • 耗时：通常 20-30 分钟。
    • 触发：运行 /skill-stocktake full。

评估结果与操作建议

Skill Stocktake 会对每个技能给出明确的判定（Verdict）和理由（Reason）：

  • Keep：独特且内容最新。
  • Improve：需精简或重写部分内容。
  • Update：引用的技术或工具已过时，需更新。
  • Retire：低质量、冗余或已被其他技能替代。
  • Merge into [X]：内容应合并到指定的另一个技能。

所有结果和进度都缓存在 ~/.claude/skills/skill-stocktake/results.json 中，支持断点续盘。审计完成后，系统会输出一张汇总表，开发者可以据此决定是否执行 Retire 或 Merge 操作。值得注意的是，Skill Stocktake 不会自动执行删除或合并，所有变更都需人工确认。

协作与集成：构建治理闭环

这三个 Skill 并非孤立存在，而是与 Everything Claude Code 的其他组件协同工作，构建了一个立体的质量与治理体系：

  • Plankton + Skill Comply：Plankton 负责在代码生成时进行实时修复，Skill Comply 则可以定期检测这些修复动作本身是否符合项目编码规范。
  • Skill Stocktake + Rules Distill：在完成技能库审计后，可以利用 Rules Distill Skill 将审计中发现的通用最佳实践提炼为新的项目规则。
  • 整体与 安全防护 体系结合：无论是代码质量还是技能治理，最终目标都是为了产出更安全、可靠、可维护的代码。

通过这套组合拳，团队可以将 AI 编程助手的“黑盒”行为，转变为可测量、可审计、可优化的透明化工程实践。

FAQ

Q: 运行 Plankton 的 Hook 会显著拖慢 AI 响应速度吗？ A: 写时格式化和 Lint 带来的延迟极小，通常用户无感知。只有当遇到复杂违规需要调用 Claude 子进程进行修复时，才会有几秒到几分钟的额外等待，但这是为保障代码质量付出的必要成本。

Q: Skill Comply 和 Skill Stocktake 有什么区别？ A: Skill Comply 验证的是“行为是否符合规范”，它通过模拟场景来测试 Agent 在具体任务中是否遵守了某条规则或技能。Skill Stocktake 审计的是“技能库文件本身是否健康”，它检查技能文件的内容质量、冗余度和技术时效性。前者关注动态执行，后者关注静态资产。

Q: Skill Stocktake 的结果能自动化执行吗？ A: 不能自动执行。Skill Stocktake 的设计哲学是“提供建议，人工决策”。它会给出详细的 Retire 或 Merge 建议及影响分析，但最终的删除、合并等操作必须由开发者或团队负责人确认后手动完成，以避免误操作。