dvcrn Skill Quality Auditor
对现有 Agent Skill 进行质量评估和综合优化建议，帮助提升 skill 的发现率、执行效果和维护性。
使用流程
第一步：读取目标 Skill
首先确认要审查的 skill 路径。读取：
SKILL.md（必读）- 所有关联的 reference 文件
- scripts/ 目录下的脚本文件（如有）
如果用户只提供目录而未指定具体 skill，列出该目录下所有 SKILL.md 供用户选择。
第二步：运行自动化分析
执行结构分析脚本（输出客观指标，不加载到上下文）：
python scripts/audit_skill.py <skill目录路径>
脚本输出：行数统计、文件树、frontmatter 字段检查。详见 scripts/audit_skill.py。
第三步：脚本代码审查（如有 scripts/ 目录）
逐一读取 scripts/ 下的每个脚本文件，作为代码审查员评估以下维度：
错误处理：关键操作是否有 try/except？错误信息是否有实际帮助（说明出了什么问题、怎么修复），还是只抛出原始异常？
路径规范：文件路径是否全部使用正斜杠 /？是否存在硬编码的绝对路径？
魔法数字/字符串：是否有无解释的数字或字符串常量（如 timeout=47）？关键参数应有注释说明取值理由。
函数文档：函数是否有 docstring 说明功能、参数和返回值？
自解决能力：脚本遇到问题时是否自己处理（给出默认值、备用方案），还是直接报错甩给调用者？
对每个脚本给出简短的代码审查结论，指出具体问题行和改进建议。
第四步：按维度评估
根据 references/checklist.md 中的详细评估清单，逐维度打分：
| 维度 | 权重 | 评估要点 |
|---|---|---|
| 元数据质量 | 25% | name 格式、description 有效性与触发性 |
| 结构合理性 | 20% | frontmatter、行数、渐进式披露、引用深度 |
| 内容质量 | 25% | 简洁性、避免过度解释、术语一致性 |
| 示例与模式 | 15% | 是否有具体示例、工作流是否清晰 |
| 脚本质量 | 15% | 错误处理、路径规范、魔法数字、文档完整性（无脚本则跳过，权重重分配） |
每个维度评分：🔴 差（0-59）/ 🟡 待改进（60-79）/ 🟢 良好（80-100）
第五步：生成评估报告
使用以下报告结构输出结果：
📊 Skill 质量评估报告
Skill 名称：{name}
评估时间：{date}
总体评分：{综合得分}/100 {等级emoji}
核心指标
| 维度 | 得分 | 状态 |
|---|---|---|
| 元数据质量 | XX/100 | 🟢/🟡/🔴 |
| 结构合理性 | XX/100 | 🟢/🟡/🔴 |
| 内容质量 | XX/100 | 🟢/🟡/🔴 |
| 示例与模式 | XX/100 | 🟢/🟡/🔴 |
| 脚本质量 | XX/100 | 🟢/🟡/🔴 |
🔴 高优先级问题（必须修复）
列出严重影响 skill 可用性的问题，每条附上：问题描述 + 具体位置 + 修改建议
🟡 中优先级建议（建议优化）
列出影响质量的改进点
🟢 优化亮点
列出做得好的地方，供参考
📝 优化后的 description 建议
{具体的优化后 description 文本}
第六步：询问是否应用修复
评估报告生成后，询问用户：
- "是否直接应用高优先级修复？"（仅修改明确的格式/结构问题）
- "是否需要我重写 description 以提升触发率？"
- "是否需要对整个 skill 进行全面重构？"
根据用户选择执行相应操作，修改前先备份原文件。
关键评估标准速查
description 必须满足：
- 第三人称写法（不用"我"或"你"）
- 明确说明 WHAT（做什么）和 WHEN（何时触发）
- 包含具体触发关键词
- 适度"pushy"——避免 undertrigger，触发词要覆盖用户可能的各种表述
SKILL.md 正文必须满足：
- 不超过 500 行
- 不过度解释 LLM 已知的内容（质疑每段：这段对 LLM 是新信息吗？）
- 外部文件引用保持一级深度（SKILL.md → reference.md，不再嵌套）
- 无时间敏感信息（如"在 2025年8月前..."）
常见反模式（立即标记）：
- Windows 风格路径（
\而非/） - 提供过多选项而无默认值
- 模糊 skill 名称（
helper、utils） - 文档中混用不同术语指代同一概念
参考资料
- 详细评估清单：references/checklist.md
- 自动分析脚本：scripts/audit_skill.py