Agent 规则 / 技能库：从编程书籍提炼
为 Codex、Cursor 和 Claude Code 等 AI 编码代理提供基于经典软件工程书籍（如《重构》《DDD》等）的规则集与技能包。
证据显示：仓库明确标注MIT许可证，作者为Maciej Ciemborowicz，但发布者未经FollowAgents企业注册表验证，身份未知。未发现任何权限请求、数据收集、外部调用或敏感数据处理机制，因此这些标准得分为0。源代码归属清晰（作者和许可证），但未提供验证来源的机制，因此得分为2。
证据显示：仓库内部一致，README、文档和规则集之间没有明显矛盾。规则集为纯Markdown，无外部依赖，因此依赖可用性得分为2。未提供失败消息或错误处理机制，因此得分为0。
证据显示：仓库面向Codex、Cursor、Claude Code等AI编码代理，提供了多种使用场景（始终开启、按需、技能、作用域规则、MCP或RAG模式）。能力边界在README和文档中有所说明（如规则集不替代阅读书籍）。触发精度通过规则集的mini/nano/full版本和具体使用说明得到支持。环境适配性通过USAGE.md和COMPATIBILITY.md文档体现。
证据显示：信息架构清晰，有README、docs目录、规则集目录和CHANGELOG。安装说明在USAGE.md中提供。命名稳定，规则集名称一致。示例和FAQ在README中提供。已知限制在README的'Important Note'中说明。许可证为MIT。版本和变更日志在CHANGELOG.md中。维护责任由作者承担，但未提供明确的维护计划。
证据显示：输出可用性高，规则集为纯Markdown，可直接用于AI代理。边际价值在于将书籍原则转化为可操作的规则，实验表明比仅提及书籍更有效。成本效益合理，规则集轻量，易于集成。
证据显示：声明可追溯，README中提供了实验细节和结果。跨来源佐证有限，仅有一个实验和Reek检查，未与其他独立来源交叉验证。事实与推断分离，README明确区分了实验观察和推断。
- 发布者身份未经验证，应视为未知，不要基于品牌推断可靠性。
- 实验结果是初步的定性信号，不是基准测试，不应过度解读。
- 规则集基于书籍但非官方材料，使用时需注意版权和准确性。
这个 Agent 能做什么，适合哪些场景？
这是一个 MIT 许可的仓库，提供名为 AGENTS.md 的规则集和技能，供 AI 编码代理使用。规则集从《代码整洁之道》《重构》《领域驱动设计》等经典软件工程书籍中提炼，每个规则集以三种粒度发布：mini（推荐）、nano（紧凑）和 full（完整）。仓库包含针对每本书的规则文件，并提供使用指南（USAGE.md）、兼容性指南（COMPATIBILITY.md）和变更日志。规则可直接用于 Codex、Cursor、Claude Code 和 GitHub Copilot 等工具。仓库还包含一个验证实验，显示使用 mini 规则重构的代码比仅提及书籍名的重构更符合书籍原则。
该仓库提供一组 Markdown 文件，每个文件对应一本书籍（如 clean-code/clean-code.md、refactoring/refactoring.md 等），包含具体的编码规则、技能和模式。用户可以将这些文件复制到项目中作为 AGENTS.md 或技能使用，或集成到 Codex、Cursor、Claude Code 等编辑器的项目配置中。仓库不包含可执行代码，而是规则和文档的集合。它读取书籍内容（通过手动提取）并生成结构化的规则集，同时在文档中提供用法指南和兼容性说明。
- 开发者在 Codex 中开始一个新项目，希望应用《代码整洁之道》的原则，可将 clean-code 规则集成到 AGENTS.md 中。
- 维护遗留代码的工程师使用《有效处理遗留代码》的规则来安全地进行重构。
- 架构师在 Cursor 中设计微服务时，使用《领域驱动设计》的规则来定义限界上下文。
- 数据工程师使用《设计数据密集型应用》的规则来确保数据系统的可靠性。
- 开发团队统一编码标准，将多本书的规则（如《重构》和《代码整洁之道》组合）应用到 Claude Code 中。
- 希望在 Claude Code 中创建技能（skill）的开发者，可将 mini 规则集转换为 Claude Code 技能。
这个 Agent 有哪些优点和局限？
- 规则集基于经典书籍，提供经过验证的编码原则和模式。
- 三种粒度版本（full/mini/nano）支持不同上下文预算的调整。
- 针对多个流行 AI 代理（Codex、Cursor、Claude Code）提供集成指南。
- 验证实验表明，使用规则集的重构比仅提及书籍名称更有效。
- MIT 许可，允许自由使用和修改。
- 规则集不是书籍摘要，不替代阅读原文，理解可能不完整。
- 规则集需要手动集成到每个项目，没有自动安装或配置工具。
- 验证实验仅针对一本书，其他书籍的规则有效性未经验证。
- 规则集可能包含对特定编程语言或技术的假设，需要针对项目调整。
- 依赖 AI 代理对 Markdown 文件的支持，不同工具兼容性有差异。
如何安装或部署这个 Agent？
该仓库是规则集集合，无需安装。只需克隆仓库：git clone https://github.com/ciembor/agent-rules-books.git。然后选择所需书籍的目录（例如 clean-code/），将对应的 .md 文件（如 clean-code.md）复制到项目中，并根据需要重命名为 AGENTS.md 或 CLAUDE.md。
如何使用这个 Agent？
- 在仓库中选择适合的规则集（例如 clean-code/mini 版本）。2. 将对应文件（如 clean-code.md）复制到项目根目录并重命名为 AGENTS.md（或 CLAUDE.md、.cursorrules 等）。3. 确保你的 AI 编码代理（Codex、Cursor、Claude Code）支持 AGENTS.md 文件。4. 开始开发或重构，代理将遵循这些规则。对于技能（skills），可将 mini 规则转换为 Claude Code 技能格式。
这个 Agent 与同类方案有什么区别？
仓库未明确提及替代品，但类似的规则集可能包括“Awesome AGENTS.md”等社区项目。该仓库的差异化在于从经典书籍中系统地提炼规则，并提供多粒度版本。