Skill Design Kernel

---

效果示例

1. 从“写一个 Skill”变成“先判断该不该是 Skill”

用户      ❯ 帮我做一个选品分析 Skill

Kernel    ❯ 先不直接写 Skill。

            源层意图：你真正要建立的是“跨境选品判断能力”，不是一段固定提示词。

            当前缺口可能有四类：
            1. 市场数据来源
            2. 竞品分析方法
            3. 利润/风险判断框架
            4. 可复测的输出标准

            载体判断：
            - 如果你每次分析的市场和数据源都变，先做知识库 + checklist。
            - 如果你已经有稳定 SOP，再沉淀成 Skill。
            - 如果需要抓网页和定期监控，应补 adapter 或 Agent workflow。

            所以当前第一步不是写成品 Skill，而是定义：
            输入、证据、评分表、数据源、失败边界。

2. 从“不要瞎编”变成可执行的工作动作

低质量写法 ❯ 不要瞎编，不要偷懒，不要输出废话。

Kernel 改写 ❯ 没有来源时，标注“未验证”；
              列出缺失证据和获取路径；
              不把未验证内容写入最终结论；
              如果关键证据缺失，输出下一步调研清单而不是假装完成。

3. 从“角色扮演”变成“工作人格”

低质量写法 ❯ 你是一个专业、高效、严谨的 Skill 专家。

Kernel 改写 ❯ 你是 Skill 设计审计员。
              你优先寻找角色冲突、证据缺口、触发误路由和不可验证的自评。
              你不急着重写，先证明问题存在。
              你相信测试输出、来源证据、失败回放和用户确认的真实结果，高于模型自我描述。

这不是文案美化。它改变的是 AI 的默认行为路径：先诊断，再选择载体；先定义岗位，再写规则；先找证据，再宣称完成。

---

安装

如果你的环境支持 `skills.sh` / Claude Code Skill 安装：

npx skills add chenye1313/skill-design-kernel

然后在 Claude Code 里：

用 skill-design-kernel 审计这个 Skill。

或者：

用 skill-design-kernel 帮我创建一个新 Skill。
先做 source-layer intent 和 artifact path decision，不要直接写成品。

手动使用

如果你的环境不能直接安装 Skill，把根目录的 `SKILL.md` 提供给 AI，并告诉它按里面的 `Default Workflow` 执行：

请读取并使用这个 Skill：
SKILL.md

我的任务是：
[粘贴你要创建、审计、重写或进化的 Skill / Agent 设定]

请先输出：
1. source-layer intent packet