cross-model-knowledge-extraction（跨模型知识提取）
跨模型蒸馏工程化与可信代理域的核心子能力之一。意图：把教师技能里"散落的能力" 抽成结构化签名，让蒸馏从"读一整篇 SKILL.md 凭感觉"变成"对照签名做程序化合成"。
何时用
- 跨模型蒸馏前，先对教师做能力结构化（替代人工通读整篇 SKILL.md）。
- 批量盘点生态技能的"真实能力边界"，支撑教师能力探针（teacher-capability-probe）与蒸馏质量对抗验证。
- 任何需要"把一段专家知识变成机器可消费的结构"的场景。
提取维度（能力签名 schema）
- workflow_steps：编号列表里的显性步骤（正则
^\s*\d+\.\s+(.+)$）。 - headings：标题层级（
#~####）——能力轮廓。 - triggers：触发/使用场景行（含 触发/trigger/when/使用场景/使用时机 关键词）。
- limits：已知限制/坑/失败模式（限制/注意/坑/风险/失败模式 段）。
- scripts：scripts/ 下脚本清单（可复用的工具）。
- decision_rules：可蒸馏的决策规则——含 若/如果/当...时/则/必须/should/must/if...then 的句子，蒸馏时最该"继承+对抗验证"的部分。
用法
# 对某个教师技能提取签名
python scripts/extract_signature.py <教师技能目录>
# 自带样例自检（无需外部依赖）
python scripts/extract_signature.py --selftest
输出 JSON：
{
"name": "teacher-skill",
"workflow_steps": ["步骤1", "步骤2"],
"headings": ["概述", "用法"],
"triggers": ["触发：用户要求做 X 时"],
"limits": ["注意：Y 场景会失败"],
"scripts": ["do.py"],
"decision_rules": ["若输入为空则直接返回"],
"body_size": 1234
}
与其他蒸馏子能力的关系
- ←
teacher-capability-probe：探针量化边界后，本技能把边界落成结构化签名。 - →
model-distillation：签名直接进 synthesize_student 的工作流/限制/工具字段。 - →
distillation-adversarial-verify：decision_rules 是下一步对抗验证的靶子。
已知限制
- 仅基于文本正则抽取，无法理解隐式知识；对教师"未写出来的经验"覆盖不到，需用探针+对抗验证补强。
- decision_rules 是启发式命中，可能漏掉非标准表述的规则；首用请对照原 SKILL.md 核验。
自进化学习系统（越用越好用、越用越高效）
本技能内置通用学习模块 scripts/learner.py。每次使用后自动复盘、积累经验，逐步提升输出质量与执行效率，无需人工维护。
记忆文件
learned_patterns.json（位于本技能目录）记录：操作总数、各能力使用频次、错误模式、用户偏好、改进建议。
使用后请调用（Bash）
# 记录一次成功使用（--capability 填本次主要能力名，如「简历优化」「比价」）
python scripts/learner.py record <本技能目录> --capability 简历优化
# 记录一次失败/异常
python scripts/learner.py record <本技能目录> --capability 简历优化 --fail --error 格式识别失败 --note "用户上传了非标准文件"
# 记录用户偏好（下次直接使用）
python scripts/learner.py prefer <本技能目录> --key 输出语言 --val 中文
# 查看累计洞察（高频能力 / 反复错误）
python scripts/learner.py insight <本技能目录>
# 自动复盘（错误≥3次 或 操作≥10次 时给出改进建议）
python scripts/learner.py reflect <本技能目录>
迭代规则
- 错误累计 ≥3 次 → 主动增加预检/兜底步骤，并将经验回写本 SKILL.md。
- 操作数 ≥10 次 → 分析高频能力优先打磨示例与质量，低频能力评估精简或合并。
- 重要用户偏好 → 写入
learned_patterns.json，下次调用直接采用，减少重复询问。
越用越懂你：第一次用是通用能力，第十次用已沉淀为你专属的最佳实践。