Yao Meta Skill
把重复工作流工程化为可评测、可治理、可移植的智能体技能。
README 明确描述本地优先、仅元数据遥测、禁止原始内容采集、显式来源、自适应提案审批门控、权限探测、发布锁和公开声明守卫；接口夹具也展示了禁止远程内联执行及仅允许远程元数据的策略，因此最小权限、确认、数据流和敏感数据处理有实质设计证据。扣分在于多数保证仍来自产品说明而非所给实现代码；全局安装、GitHub 元数据读取、浏览器原生消息和遥测导入具有外部影响，但逐项同意边界与恢复流程未完整呈现。依赖清单内容、漏洞扫描、锁定或供应链策略未提供；回滚只间接体现在豁免到期、升级检查和发布治理中。来源可定位到仓库及“Yao Team”，但发布者身份未知且没有清晰的个人或组织验证信息。
README、CI 工作流和测试辅助代码形成基本一致的 Python 3.11、make ci-test、打包、安装模拟、权限探测及报告生成流程；无效 YAML 和缺字段夹具表明失败路径被考虑，辅助函数也保留 stdout/stderr 并对返回码进行检查。扣分在于只看到测试编排片段，未看到核心实现、断言结果或完整错误文案；requirements-ci.txt 的内容和外部工具可用性未给出，npx、GitHub、浏览器及多目标客户端依赖的降级能力主要是声明。
材料细分了新建、团队化、测试发布、发布后维护等场景，并明确区分 YAO、Anthropic 和 OpenAI 方法的适用边界；Skill IR、多目标编译、四种成熟度形态、兼容矩阵和显式排除项构成较完整的能力边界。扣分在于自然语言触发仅给出少量示例，冲突、误触发和负触发规则未展示；环境说明聚焦 Python 3.11、Codex 和若干适配目标，Windows、受限网络、不同 shell 及客户端版本细节不足。
README 的导航、架构图、生命周期、命令目录和伴随报告形成清晰的信息架构；全局安装、重启、开发环境和 CI 命令写得具体。MIT 正文完整，当前 beta、单评审者证据、缺少提供商执行证据、原生权限和真实遥测等限制被明确披露，因此限制与许可可获满分。扣分在于提供的源码在 Quick Start 后截断，无法确认完整 FAQ、示例质量或所有安装故障说明；1.0/2.0 演进清楚但没有所给 CHANGELOG、标签或迁移发布记录；维护主体只有未经验证的“Yao Team”，缺少联系人、支持渠道和明确更新责任。
输出被设计为可安装技能包、JSON/Markdown/HTML 报告、审查页面、编译适配器和操作队列，且测试辅助代码展示了这些制品的组合流程；相较单纯提示词模板，统一 IR、评估、治理和可移植发布具有合理增量价值。扣分在于材料没有实际输出样本内容或独立使用结果；91.5 分和 5/5 偏好属于项目自述，后者仅一名评审且理由为空。大量命令、报告和治理关卡可能带来显著维护及上下文成本，未给出量化成本、时延或适用规模阈值。
README 将多数主张指向具体报告、账本、清单、命令和测试流程，测试辅助代码也以确定的脚本与制品路径交叉连接若干主张，因此具备较好的内部可追踪结构。它还明确区分本地工程分数、单人盲评、计划中的外部证据和真正完成的提供商证据，事实与推断边界处理充分。扣分在于所给材料未包含引用的报告正文、基准方法文件、决策记录、核心脚本或测试结果，跨来源印证主要限于 README、CI 和一个测试辅助文件，无法静态确认多数质量与安全声明。
- 当前结论仅基于所给静态片段；未执行代码、测试、安装或网络操作。
- 不要把 README 中的 91.5 分、5/5 盲评或“world-class”治理能力视为独立验证；所引用的报告和决策记录未随材料提供。
- 安装命令使用 npx 并可进行全局、多代理安装；采用前应固定并审查依赖、确认写入范围，并在隔离环境中验证。
- 浏览器原生消息、GitHub 元数据访问和遥测导入扩大了数据与权限边界；应核查实际实现是否持续遵守仅元数据、无原始内容和审批门控承诺。
- 发布者身份未知；如用于企业治理或关键流程，应单独确认维护者、更新渠道、漏洞响应和接管方案。
这个 Agent 能做什么，适合哪些场景？
Yao Meta Skill 是一个面向可复用智能体技能的工程与治理系统，而不只是提示词生成器。它先把工作流、对话记录、提示词、笔记或运行手册整理成意图模型和平台中立的 Skill IR，再生成精简的 SKILL.md、接口元数据、参考资料、脚本、评测与报告。统一的 scripts/yao.py CLI 覆盖初始化、验证、触发描述优化、目标编译、输出评测、权限探测、打包、安装模拟和发布证据检查。目标编译器支持 OpenAI、Claude、通用 Agent Skills 和 VS Code 取向的交付面，但部分运行时能力只能以元数据表达：当前四个已探测适配器均没有原生权限强制执行。该项目适合需要把个人工作方法升级为长期团队资产的工程团队；若只想写一段简短技能说明，其流程与证据体系可能明显偏重。
系统从原始工作流、提示词集、对话记录、文档模式、笔记或运行手册开始，通过 quickstart 澄清任务、输出、排除项、约束和质量标准。export_skill_ir.py 将 SKILL.md、agents/interface.yaml、清单、评测、资源与报告汇总为 Skill IR；compile_skill.py 和 cross_packager.py 再生成 OpenAI、Claude、generic、Agent Skills 兼容及 VS Code 取向的目标契约和安装包。trigger_eval.py、run_eval_suite.py、optimize_description.py 与 judge_blind_eval.py 检查触发准确性、盲测、对抗样例和路由冲突；run_output_eval.py、run_output_execution.py 与 adjudicate_output_review.py 生成输出断言、执行记录、盲评包和裁决报告。governance_check.py、trust_check.py、probe_runtime_permissions.py、verify_package.py、simulate_install.py、world-class-claim-guard 等组件检查治理元数据、信任边界、权限声明、压缩包安全、临时安装和公开声明边界。最终产物包括技能包、目标适配器、注册表元数据，以及 Skill Overview、Review Studio、回归历史、可移植性、采用漂移和发布证据等 HTML、Markdown 与 JSON 报告。
- 智能体开发者有一套反复使用的提示词、笔记或操作流程，希望将其整理成带明确触发条件、输入输出和边界的安装式技能包。
- 内部工具团队准备让多人依赖某个个人技能，需要补充所有者、生命周期、评测、权限说明、发布门禁和审阅证据。
- 维护多客户端技能库的团队，希望从同一份 Skill IR 编译 OpenAI、Claude、通用 Agent Skills 或 VS Code 取向的适配器，并检查语义降级。
- 准备发布 beta 版本的维护者，需要执行包验证、安装模拟、Python 兼容性检查、运行时权限探测和证据一致性检查。
- 技能库运营者希望通过不记录参数或原始内容的元数据遥测，观察采用率、触发遗漏、输出问题和版本漂移，再生成需审批的改进提案。
- 评测工程师需要用训练、开发、可见留出、盲留出和对抗样例验证技能触发描述，并保留可审计的回归与晋级记录。
这个 Agent 有哪些优点和局限？
- 以平台中立的 Skill IR 为单一语义层，可从同一模型生成多种目标契约、适配器和兼容性记录。
- 评测不止做结构检查，还覆盖触发回归、盲留出、对抗样例、独立规则裁判、输出断言、执行证据和人工盲评包。
- 发布边界具体且可执行，包括包验证、压缩包安全检查、临时安装模拟、权限探测、证据一致性和公开声明防护。
- 提供统一的 scripts/yao.py CLI、Makefile 与 GitHub Actions 测试路径，可在本地重复运行工程流程。
- 元数据遥测明确排除命令参数和原始内容，并将长期修改保持为需审批的提案。
- 体系包含大量报告、账本、门禁和评测组件；对于一次性提示词或小型个人技能，采用与维护成本可能过高。
- 当前 OpenAI、Claude、generic 和 VS Code 适配器的权限探测结果均为元数据回退，原生权限强制执行适配器数量为零。
- 仓库自报已适合 beta 和外部测试，但提供商支持的生产证据、独立模型执行、人类盲评深度及真实客户端遥测仍被列为待补证据。
- 公开的 5/5 盲评结果只来自一名评审者，各案例理由字段仍为空，不能视为广泛独立验证。
- 本地开发要求 Python 3.11 或更高版本；全局安装使用 npx，多平台输出仍需针对目标客户端核对不支持功能和降级说明。
- 入门与审阅体验的自评分为 6.5/10，是项目明确承认的主要改进区域。
如何安装或部署这个 Agent？
全局安装到 Codex：
npx -y skills add yaojingang/yao-meta-skill -a codex -g -y安装到该工具支持的全部智能体：
npx -y skills add yaojingang/yao-meta-skill -a '*' -g -y安装后重启客户端。进行本地开发需要 Python 3.11 或更高版本：
python3.11 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install --requirement requirements-ci.txt
make ci-test安装命令通过 npx 获取软件包，因此该步骤需要网络；本地开发和生成产物还需要 shell 与文件系统访问。源码没有要求 API 密钥，但 GitHub 基准扫描、更新检查和 PR 元数据读取等联网功能需要能够访问 GitHub。
如何使用这个 Agent？
安装并重启客户端后，可以直接提出“从这个工作流创建技能”“改进现有技能”“为技能添加评测”等任务。CLI 的首个可工作流程为：
python3 scripts/yao.py quickstart --output-dir .
python3 scripts/yao.py validate my-skill
python3 scripts/yao.py skill-ir . --output-json skill-ir/examples/yao-meta-skill.json
python3 scripts/yao.py compile-skill . --target openai --target claude --target generic --target vscode
python3 scripts/yao.py package . --platform generic --output-dir dist
python3 scripts/yao.py test创建指定技能也可使用：
python3 scripts/yao.py init my-skill --description "Describe what the skill does."
python3 scripts/yao.py validate my-skill生成后先查看 reports/skill-interpretation.html，再检查 reports/skill-overview.html 和 reports/review-studio.html 中的解释、评分、阻断项、权限审批与证据路径。若要发布，再运行 package-verify、install-simulate、runtime-permissions 和 evidence-consistency 等门禁。
这个 Agent 与同类方案有什么区别？
项目将 Anthropic Skill Creator 定位为偏对话式、强调人工引导迭代的方法，将 OpenAI Skill Creator 定位为精简技能说明与控制上下文的写作指南；Yao Meta Skill 则面向需要评测、治理、证据、发布门禁和跨平台打包的团队资产。仓库给出的加权工程评审分数分别为 Yao 91.5、Anthropic 67.5、OpenAI 50.5，但该评审是项目自身的本地工程证据，不代表独立的世界级认证。实际也可采用混合流程：先以对话方式起草，再用 Yao 加固边界、评测、打包和发布证据。