skill-curator

会自我积累的 DSH skill 管家：一个"经验回流 + 知识积累"的闭环系统，而不只是安装与维护手册。

English version

这是什么

skill-curator 是一个面向 DeepSeek Harness（DSH）的元技能。它的核心职能是：

当任何一个 skill 在使用中遇到问题并被解决后，把解决方案与核心知识回流到那个 skill，并登记进统一的知识库；下次需要完善某个 skill 时，按知识库选择性应用已有经验。知识随使用滚雪球式积累。

辅助职能（同样完整支持）：

1. 安装 skill（zip/目录/单文件来源，含 frontmatter 校验与逐文件对账）
2. 创建 skill（把某个能力整理成规范 skill）
3. 本地化（Codex/其他平台的 skill 转成 DSH 可用）
4. 自我维护（skill-curator 自身也按同一流程维护，含自校验脚本）

与普通"skill 管理工具"的区别

设计理念

1. 经验越新鲜越有价值：问题刚解决时，报错、根因、修复、验证都在上下文中，此时写回最准确；延迟写回会因上下文压缩丢失细节。
2. 知识分层：各 skill 的"维护须知"节只留"加载即得"的摘要；知识库条目是权威副本——不一致时以知识库为准。
3. 检索分工：检索器只负责召回候选，语义判断交给模型本身——所以关键词（快、可解释）为主、向量（同义兜底）为辅是最优组合。
4. 一切为省 Token：SKILL.md 是分流器（只载核心速查+分流表+验证清单），操作细节按场景拆分到 references 分册按需读取。

如何使用

方式一：自然语言触发（最简单）

不需要记任何命令，直接说：

方式二：事件触发（自动回流）

任何 skill 使用中遇到突发问题（编码乱码、路径失效、格式错误、脚本报错、解析失败）并解决后，模型会加载 skill-curator 执行回流三步：

① 判断值得回流（7 项清单过滤：可复现且相关？会过期吗？已验证吗？）
② 写回该 skill 的"维护须知"节（问题→根因→修复→验证；双版本脚本同步）
③ 登记知识库（先查重，新知识建条目+更新索引，再重建语义索引）

方式三：工作区钩子（可选，强化事件触发）

在您的项目工作区根目录创建 AGENTS.md，写入回流自查指令（DSH 每步自动注入，模型每轮结束前自查是否刚解决了 skill 问题）：

# 工作区指令

## Skill 经验回流钩子（每轮自查）

每轮结束前自查：若本轮解决了某个 skill 执行中的突发问题（编码乱码、路径失效、
格式错误、脚本报错、解析失败等），在结束前调用 skill 工具加载 `skill-curator`，
按其 `references/feedback.md` 执行回流（判断 → 写回 → 登记知识库 → 自校验）。
不打断进行中的任务；一次性输入错误不值得回流。

方式四：自动检测插件（进阶，可选）

scripts/feedback-hook/ 是一个 cordis 插件：检测到最后一条消息出现"已修复/已解决"等字样且提及 skill 时，自动注入回流提醒（平时零干扰）。安装见 scripts/feedback-hook/INSTALL.md，需重启 DSH。四种方式的对比：

工具脚本（按需调用，均有 Python 版）

安装

# 1. 克隆或下载本仓库，把整个目录放入用户级 skill 根目录
git clone https://github.com/gwrsfsfeefdsfs/dsh-skill-curator.git ~/.dsh/skills/skill-curator
# 或手动复制 skill-curator/ 目录到 ~/.dsh/skills/

# 2. DSH 立即识别（available_skills 出现 skill-curator），无需重启

依赖（按需安装）

# 依赖安装
pip install pyyaml sentence-transformers

# 模型获取方式 ②（HF 网络受限时推荐，国内可达）
pip install modelscope
python -c "from modelscope import snapshot_download; snapshot_download('AI-ModelScope/bge-small-zh-v1.5', local_dir='scripts/models/bge-small-zh-v1.5')"

# 首次构建语义索引（会自动加载模型）
python scripts/kb_embed.py build

# 双通道检索示例
python scripts/search_kb.py 编码                       # 关键词：精确、毫秒级
python scripts/search_kb.py --semantic 脚本输出乱码怎么修  # 语义：同义兜底、约 1-2 秒

目录结构

skill-curator/
├── SKILL.md                      # 分流器：核心速查 + 场景分流表 + 验证清单（每次加载仅此文件）
├── references/                   # 按场景加载的操作分册（省 Token 设计）
│   ├── dsh-skill-spec.md         #   DSH skill 机制规范（源码级：发现优先级/frontmatter/目录注入/热更新）
│   ├── install.md                #   安装流程（6 步 + 对账注意）
│   ├── localize.md               #   本地化流程（Codex→DSH 5 步）
│   ├── feedback.md               #   经验回流流程（三步）+ 7 项知识修改判断清单
│   ├── env-traps.md              #   环境陷阱清单（编码/路径/格式速查）
│   ├── token-patterns.md         #   Token 优化模式（大参考资料标准结构）
│   └── knowledge-base.md         #   核心知识库（条目索引 + 防臃肿规则 + 权威副本）
├── scripts/
│   ├── validate_skill.py         # 通用 skill 合规性校验
│   ├── search_kb.py              # 知识库检索（关键词 / --semantic）
│   ├── kb_embed.py               # embedding 索引构建（模型三级优先：环境变量→本地→HF）
│   └── feedback-hook/            # 可选：回流自动检测 cordis 插件
├── README.md / README.en.md      # 本说明（中/英）
├── LICENSE                       # MIT
└── .gitignore                    # 排除 models/、.kb-cache/、__pycache__/

知识库机制

• 条目格式：日期、问题、根因、解决、验证、已回流到哪些 skill
• 双通道检索：关键词 bigram 匹配（穿透中文词间隔，如"评估备案"可命中"评估报告备案"）+ bge-small-zh 语义兜底（同义不同词）
• 防臃肿分档：任何规模登记前查重 → 条目 >30 用检索脚本定位 → 条目 >60 或文件 >50KB 触发整理归档（过时条目移入 knowledge-archive.md，主文件留指路行）
• 过时管理：知识过期时标注"状态：已过时（原因+日期）"，不删除（可追溯）

常见问题

Q：它会不会自动运行？ 不会。DSH 没有事件钩子，所有 skill 的触发都靠模型判断或用户指示；skill-curator 用精准的触发描述 + 可选插件最大化"自动"概率，用户显式指示是最终兜底。

Q：知识库会不会越滚越大？ 有完整防臃肿机制（查重→检索脚本→归档），详见上文"知识库机制"。

Q：它自己出问题谁来更新？ 它自己——自我维护是设计内能力，validate_skill.py 是自更新的安全网（改坏自己的 frontmatter 是最危险的自指失败，脚本负责拦截）。

Q：语义检索模型必须装吗？ 不必。关键词检索零额外依赖即可用；语义检索只是同义查询的兜底增强。

许可

MIT