诊断并优化 AI Agent 的技能文件（Skill Optimizer）
解决 AI 技能“不触发”或“执行效果差”的痛点：通过分析历史会话 JSONL 数据与 SKILL.md 静态结构，量化评估技能的触发率、用户满意度及 Token 效率，输出优先级明确的优化报告。
为什么需要这个技能
在使用 Claude Code 或 Codex 等 Agent 框架时，开发者会编写大量的 SKILL.md 来定义 Agent 的行为。但经常会出现以下问题：
- 低触发率（Undertrigger）：明明定义了技能，但 AI 在面对相关任务时却没有调用。
- 误触发（Overtrigger）：AI 错误地调用了某个技能，导致用户不得不手动纠正。
- 流程中断：技能定义了 5 个步骤，但 AI 经常在第 2 步就停止执行。
- Token 浪费：技能文件过长，占据了过多上下文，却极少被触发。
本技能引入了 CSO（Agent 搜索优化） 概念，通过 8 个维度的量化分析，让技能的迭代从“凭感觉修改”转向“基于数据的优化”。
适用场景
- 当你发现某些自定义技能在实际对话中从未被激活时。
- 需要审计整个技能库的质量，剔除低效或冗余的技能时。
- 想要优化技能描述，以提高 AI 命中正确工具的概率时。
- 评估技能文件是否符合“渐进式披露”原则（即分层加载以节省 Token）。
核心工作流
- 目标识别：扫描
~/.claude/skills/或~/.codex/skills/等路径，提取SKILL.md的元数据（名称、描述、触发词）。 - 数据采集：使用 Python 脚本扫描历史会话记录（
.jsonl文件），统计技能的实际调用次数、触发词匹配率及用户后续反应。 - 多维度分析：
- 触发分析：对比“触发词出现次数”与“实际调用次数”。
- 反应分析：分析调用后用户前 3 条消息是正面、负面还是修正。
- 执行分析：检查 Assistant 的输出是否完整覆盖了
SKILL.md定义的步骤。 - 静态检查：验证描述是否包含流程泄露、格式是否正确、关键信息是否在文件前 20% 区域。
- Token 经济：计算
调用次数 / 字数的性价比。
- 报告输出：计算 5 分制综合得分，并按 P0（阻塞级）、P1（体验级）、P2（优化级）输出修复建议。
下载和安装
下载 skill-optimizer 中文版 Skill ZIP
解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。
你可能还需要
暂无推荐