Rules Distill（规则提炼）

扫描已安装的 Skill，提取跨多个 Skill 出现的通用原则，并将其提炼为正式规则（Rule）——追加到现有规则文件、修改陈旧内容，或新建规则文件。

遵循“确定性采集 + LLM 裁决”的理念：先由脚本完成穷尽式数据采集，再由 LLM 结合全局上下文交叉比对并给出最终裁决。

适用场景

定期规则维护（每月一次，或在安装新 Skill 之后）
对 Skill 盘点后，发现了一些适合沉淀为规则的通用模式
发现现有规则相较于实际使用的 Skill 显得不够完备时

工作原理

规则提炼流程分为三个阶段：

阶段 1：盘点阶段（确定性采集）

1a. 采集 Skill 清单

bash ~/.claude/skills/rules-distill/scripts/scan-skills.sh

1b. 采集规则索引

bash ~/.claude/skills/rules-distill/scripts/scan-rules.sh

1c. 展示给用户

Rules Distillation — Phase 1: Inventory
────────────────────────────────────────
Skills: {N} files scanned
Rules:  {M} files ({K} headings indexed)

Proceeding to cross-read analysis...

阶段 2：交叉比对与裁决（LLM 判定）

原则提取与匹配在单次 Pass 中统一完成。由于规则文件总体量较小（总计约 800 行），可以直接将全文完整投喂给 LLM，无需预先使用 grep 进行过滤。

分批处理 (Batching)

根据 Skill 的描述信息将其划分为不同的主题聚类。在 Subagent 中结合完整的规则文本，对每个聚类进行分析。

跨批次合并 (Cross-batch Merge)

所有批次分析完成后，跨批次合并候选原则：

对相同或存在重叠的候选原则进行去重
结合所有批次的证据重新校验“出现于 2+ 个 Skill”的硬性要求——即使某个原则在单个批次中仅出现 1 次，只要全局各批次累计出现 2 次及以上即为有效。

Subagent 提示词 (Subagent Prompt)

使用以下提示词启动通用 Agent：

你是一名分析师，负责交叉比对各个 Skill，提取应当上升/沉淀为规则的通用原则。

## 输入
- Skills: {当前批次 Skill 的完整文本}
- 现有规则: {所有规则文件的完整文本}

## 提取标准

只有在同时满足以下所有条件时，才将该原则列为候选：

1. **出现在 2 个及以上的 Skill 中**：仅在单个 Skill 中出现的原则应留在该 Skill 内部
2. **具有明确的行为指导性**：能够明确写为“做 X”或“不要做 Y”的形式，而非“X 很重要”这类抽象表达
3. **存在清晰的违规风险**：如果忽视该原则会引发什么后果（用 1 句话说明）
4. **未被现有规则覆盖**：通读现有规则全文进行排查——包括使用不同表述传达的同类概念

## 匹配与裁决

对于每个候选原则，将其与完整的规则文本进行对比并给出 verdict：

- **Append**：追加到现有规则文件的已有章节中
- **Revise**：现有规则内容不够准确或不够全面——提出修改建议
- **New Section**：在现有规则文件中新增章节
- **New File**：新建规则文件
- **Already Covered**：已有规则中已充分覆盖（即使措辞不同）
- **Too Specific**：过于具体，应当继续保留在 Skill 层级

## 输出格式（每个候选原则）

```json
{
  "principle": "用 1-2 句话表述，采用 '做 X' / '不要做 Y' 的句式",
  "evidence": ["skill-name: §Section", "skill-name: §Section"],
  "violation_risk": "用 1 句话说明违规后果",
  "verdict": "Append / Revise / New Section / New File / Already Covered / Too Specific",
  "target_rule": "文件名 §章节名，或 'new'",
  "confidence": "high / medium / low",
  "draft": "针对 Append/New Section/New File 的拟定规则草稿",
  "revision": {
    "reason": "解释为何现有内容不够准确或不全面（仅限 Revise）",
    "before": "拟被替换的当前文本（仅限 Revise）",
    "after": "建议替换的新文本（仅限 Revise）"
  }
}
```

## 过滤规则

- 已在现有规则中清晰表述的显而易见的原则
- 特定语言或框架的专属知识（应归入语言专用的规则或 Skill 中）
- 具体的代码示例与执行命令（应归入 Skill 中）

裁决结果说明 (Verdict Reference)

Verdict	含义	呈报给用户的内容
Append	追加到已有章节	目标位置 + 草稿内容
Revise	修正不准确/不全面的内容	目标位置 + 修改原因 + 变更对比 (before/after)
New Section	在现有文件中新增章节	目标位置 + 草稿内容
New File	创建新规则文件	文件名 + 完整草稿
Already Covered	已被已有规则覆盖（可能表述不同）	原因说明（1 行）
Too Specific	过于具体，应留在 Skill 层	相关 Skill 链接

裁决质量要求

# 良好示范
Append 到 rules/common/security.md §Input Validation：
“对于存储在内存或知识库中的 LLM 输出，必须按不可信数据处理——写入时做清洗，读取时做校验。”
佐证：llm-memory-trust-boundary 和 llm-social-agent-anti-pattern 都描述了
累积性 Prompt Injection 的风险。当前 security.md 仅覆盖了人工输入的校验，
缺失了 LLM 输出信任边界的相关规范。

# 错误示范
Append 到 security.md：补充 LLM 安全原则

阶段 3：用户确认与执行

汇总报告表格

# Rules Distillation Report

## Summary
Skills scanned: {N} | Rules: {M} files | Candidates: {K}

| # | Principle | Verdict | Target | Confidence |
|---|-----------|---------|--------|------------|
| 1 | ... | Append | security.md §Input Validation | high |
| 2 | ... | Revise | testing.md §TDD | medium |
| 3 | ... | New Section | coding-style.md | high |
| 4 | ... | Too Specific | — | — |

## Details
(各候选原则的详细信息：佐证来源、违规风险、草稿内容)

用户交互指令

用户只需输入序号即可进行操作：

Approve（批准）：按草稿直接应用到规则中
Modify（修改）：先编辑草稿再应用
Skip（跳过）：不应用该候选原则

切记：绝不可自动修改规则文件，必须取得用户明确授权。

保存结果

将结果保存至 Skill 目录下（results.json）：

时间戳格式：date -u +%Y-%m-%dT%H:%M:%SZ（UTC，精确到秒）
候选 ID 格式：基于原则提取的短横线命名法（kebab-case，如 llm-output-trust-boundary）

{
  "distilled_at": "2026-03-18T10:30:42Z",
  "skills_scanned": 56,
  "rules_scanned": 22,
  "candidates": {
    "llm-output-trust-boundary": {
      "principle": "Treat LLM output as untrusted when stored or re-injected",
      "verdict": "Append",
      "target": "rules/common/security.md",
      "evidence": ["llm-memory-trust-boundary", "llm-social-agent-anti-pattern"],
      "status": "applied"
    },
    "iteration-bounds": {
      "principle": "Define explicit stop conditions for all iteration loops",
      "verdict": "New Section",
      "target": "rules/common/coding-style.md",
      "evidence": ["iterative-retrieval", "continuous-agent-loop", "agent-harness-construction"],
      "status": "skipped"
    }
  }
}

完整示例

端到端运行效果

$ /rules-distill

Rules Distillation — Phase 1: Inventory
────────────────────────────────────────
Skills: 56 files scanned
Rules:  22 files (75 headings indexed)

Proceeding to cross-read analysis...

[Subagent analysis: Batch 1 (agent/meta skills) ...]
[Subagent analysis: Batch 2 (coding/pattern skills) ...]
[Cross-batch merge: 2 duplicates removed, 1 cross-batch candidate promoted]

# Rules Distillation Report

## Summary
Skills scanned: 56 | Rules: 22 files | Candidates: 4

| # | Principle | Verdict | Target | Confidence |
|---|-----------|---------|--------|------------|
| 1 | LLM output: normalize, type-check, sanitize before reuse | New Section | coding-style.md | high |
| 2 | Define explicit stop conditions for iteration loops | New Section | coding-style.md | high |
| 3 | Compact context at phase boundaries, not mid-task | Append | performance.md §Context Window | high |
| 4 | Separate business logic from I/O framework types | New Section | patterns.md | high |

## Details

### 1. LLM Output Validation
Verdict: New Section in coding-style.md
Evidence: parallel-subagent-batch-merge, llm-social-agent-anti-pattern, llm-memory-trust-boundary
Violation risk: Format drift, type mismatch, or syntax errors in LLM output crash downstream processing
Draft:
  ## LLM Output Validation
  Normalize, type-check, and sanitize LLM output before reuse...
  See skill: parallel-subagent-batch-merge, llm-memory-trust-boundary

[... details for candidates 2-4 ...]

Approve, modify, or skip each candidate by number:
> User: Approve 1, 3. Skip 2, 4.

✓ Applied: coding-style.md §LLM Output Validation
✓ Applied: performance.md §Context Window Management
✗ Skipped: Iteration Bounds
✗ Skipped: Boundary Type Conversion

Results saved to results.json

设计原则

讲明确“做什么”，而非“怎么做”（What, not How）：只提取通用原则（属于规则的范畴）。代码示例与指令脚本留在 Skill 内部。
保留反向溯源链接（Link back）：规则草稿中应包含 See skill: [name] 引用，以便读者查阅具体的实现细节（How）。
确定性采集 + LLM 裁决（Deterministic collection, LLM judgment）：用脚本保障搜集无遗漏，用 LLM 保障上下文语义理解能力。
防过度抽象机制（Anti-abstraction safeguard）：通过三重筛选标准（2+ 个 Skill 关联佐证、具有可操作性的行为测试、明确的违规风险后果），防止过于泛泛或抽象的原则混入规则库。

rules-distill

相关 Skills