findscripter 何时使用
把 AI 订阅会话变成可复利累积的领域知识库：Agent 回答定向领域问题，bdistill 负责结构化 + 质量评分，输出累积成可搜索、可导出的参考数据集。
适用：
- 需要某领域（医疗、法律、金融、网络安全等）的结构化参考数据。
- 构建查找表、问答数据集或研究语料。
- 为传统 ML 模型（回归、分类）生成训练数据。
- 想对同一领域做跨模型知识对比。
不该用（负边界）：
- 不要用来训练/蒸馏竞品 LLM——产出是参考数据，不是 LLM 训练格式。
- 不要把输出当作环境特定验证、测试或专家审核的替代品。
- 任务范围、必需输入、权限、安全边界或成功标准不清时，先停下来澄清，不要硬跑。
两种抽取路径：会话内（闭源模型，复用现有订阅，无需额外 API key）或本地（开源模型经 Ollama，全程本机运行，不外传数据）。
步骤 / 指令
1. 安装
pip install bdistill
claude mcp add bdistill -- bdistill-mcp # Claude Code 注册 MCP
2. 会话内蒸馏
/distill medical cardiology # 预置领域 + 子类
/distill --custom kubernetes docker helm # 自定义术语
/distill --adversarial medical # 开启对抗校验
--adversarial（对抗模式）会质疑 Agent 的论断，强制其给出证据、纠错并承认局限，从而产出经过校验的知识条目（validated: true）。
3. 搜索 / 导出 / 复利累积
bdistill kb list # 列出所有领域
bdistill kb search "atrial fibrillation" # 关键词搜索
bdistill kb export -d medical -f csv # 导出为表格
bdistill kb export -d medical -f markdown # 导出为可读文档
4.（可选）生成表格化 ML 数据
为传统 ML 模型生成结构化训练数据，导出为可直接喂给 pandas/sklearn 的 CSV，每行记录 source_model 以便跨模型分析：
/schema sepsis | hr:float, bp:float, temp:float, wbc:float | risk:category[low,moderate,high,critical]
5.（可选）本地开源模型抽取（Ollama）
# 从 https://ollama.com 安装 Ollama
ollama serve
ollama pull qwen3:4b
bdistill extract --domain medical --model qwen3:4b
示例
会话内对心脏病学领域提问，输出结构化参考 JSONL（非训练数据格式），含质量分、置信度与来源模型：
{
"question": "What causes myocardial infarction?",
"answer": "Myocardial infarction results from acute coronary artery occlusion...",
"domain": "medical",
"category": "cardiology",
"tags": ["mechanistic", "evidence-based"],
"quality_score": 0.73,
"confidence": 1.08,
"validated": true,
"source_model": "Claude Sonnet 4"
}
注意事项
- 会话内抽取复用你现有订阅，无需额外 API key；本地抽取全程在本机经 Ollama 运行，不向外部服务发送数据。
- 输出是参考数据（structured reference JSONL），不是 LLM 训练格式——切勿用于训练竞品模型。
- 对高风险领域（医疗、法律等）务必经专家复核，质量分仅作内部排序参考，不等于事实正确性背书。
- 跨模型对比时依赖
source_model字段；做分析前确认该字段已正确写入。
互见
- 模型行为透视（
@bdistill-behavioral-xray）：透视模型的行为模式，与本技能同属 bdistill 套件。
采编自 sickn33/antigravity-awesome-skills（MIT 许可证），原作者 FrancyJGLisboa。