专家方法沉淀器（expert2skill）
⚠️ 执行前必读：使用本 skill 时，先从头到尾阅读本 SKILL.md 全文，并按顺序执行 P0-P6 流程。每阶段有产出物，确认后再进入下一阶段，禁止跳步。
何时使用
- 用户有一项专业方法/经验/判断标准，想变成别人能用的评估工具。
- 用户说"把我的 XX 做成 skill""我的方法能变成工具吗"。
- 触发词：expert2skill、方法蒸馏、把我的经验做成 skill、我的专业方法。
整体流程
P0 适配性判断 ── 不适合 → 诚实告知，给咨询型 skill 建议
│ 适合
P1 领域与对象定义 → rule_library 元数据
P2 维度拆解 → categories
P3 逐项蒸馏 → items + judge + 阈值 （最重，循环执行）
P4 条件/开放/自问 → conditional / text / self_check
P5 权重与汇总 → 生成 rule_library JSON
P6 打包与验证 → skill 包 + 试跑 evaluate
详细访谈脚本见 references/interview-guide.md；schema 定义见 references/rule-library-schema-v2.md。
执行指引
P0 适配性判断（5 问内）
按 references/interview-guide.md P0 提问模板执行。通过标准：评估型 + 有明确标准 +
能接受打分/分级 + ≥2 个维度 + 愿意逐条讲述。
不适合时的转交话术（模板）：
"您的方法更适合做咨询型 skill——由 AI 扮演您跟用户对话，而不是规则引擎打分。 规则引擎需要能拆成'判定对象 + 判定标准 + 结论'三件套，您的方法目前更偏经验对话型。 如果您愿意，我也可以帮您做一个 AI 咨询专家包。您想继续哪个方向？"
P1-P5 访谈蒸馏
严格遵循 references/interview-guide.md 的提问模板与铁律，逐阶段产出：
| 阶段 | 产出 | 确认方式 |
|---|---|---|
| P1 | 元数据（title 显示名 / id slug / 对象 / 结论 / authority） | 一句话复述确认 |
| P2 | categories 列表 | 逐条复述确认 |
| P3 | 每维度 items + judge + 阈值 + evidence | 每维度汇总 ≤5 项确认 |
| P4 | conditional/text/self_check 特殊题 | 汇总确认 |
| P5 | 完整 rule_library JSON | 逐维度展示确认 |
P1 命名规则：
title：中文显示名，≤12 字，含"评估/检查"等动作词。id（slug）：kebab-case 小写英文（仅[a-z0-9-]），AI 从显示名生成候选，专家确认/修改。- ch- 前缀语义：
ch-前缀表示"帮网站用户代生产的 skill"（如ch-nutrition-assessment）。 expert2skill 等平台工具自身不带前缀（slug 即expert2skill）。 访谈阶段不涉及前缀，由打包器在 P6 决定（代生产默认ch-，工具自身上架用空前缀）。
P3 关键技巧：
- 用"反例 → 边界 → 及格"三步挖阈值（什么不行 / 刚好及格 / 什么算好）。
- 专家迟疑阈值时，从素材库/公开口径给默认值让他微调（如 PE 20/30、ROE 15%）。
- 题型自动推断：数值→numeric，好/中/差→scale，有无→binary，多选→multi_select。
- 若判定基准依赖对象属性（如"蛋白质 g/kg 体重"），进入 v2 能力：收集
subject_profile+judge.reference，见references/rule-library-schema-v2.md。
P6 打包与验证
- 调用
scripts/distill.py生成规范化的 rule_library JSON。 - 调用
scripts/package_skill.py <rules.json> -o <目录> --publish-prefix ch-生成上架包 （SKILL.md + scripts/{slug}.py + package.json + _meta.json）。- 生成的评估器纯本地运行：零依赖、零网络，支持全部题型 + v2 能力 （subject_profile / judge.reference / weight_conditions / conditional 触发）。
- 生成时自动按领域（投资/医疗/法律/工程/通用）写入针对性免责声明。
- 本地试用可加
--publish-prefix ""生成无前缀包；上架包统一ch-前缀。
- 用 2-3 个真实案例试跑
scripts/{slug}.py，专家核对结果。
分阶段边界：当前第一批只生成纯本地 skill，不涉及云端规则库。 compliancehub 云端 evaluate / 私有规则库托管（
/api/v1/libraries）属后续阶段， 本阶段不实现、不依赖。
P7 合规与发布上架
发布前必须执行，两步：
① 上架前自检（自动，必做）：
python3 scripts/package_skill.py --check-upload <skill包目录> [--require-ch-prefix]
- 代生产 skill（帮网站用户生成）自检时加
--require-ch-prefix，强制 slug 带ch-前缀。 - 平台工具自身（如 expert2skill）不加该参数，slug 无前缀。
自检覆盖：slug 合法性、package.json 关键字段、
locale: zh-CN、激活约束（"仅在用户明确要求…时激活"）、 permissions 为空、SKILL.md frontmatter + 免责声明、 凭据安全扫描（复用 skill-secret-audit）、硬编码凭据、残留文件。 有任何 ❌ 必须先修，全部 ✅ 才可上传。
② 发布引导（触发网站注册动作）：
自检通过后，AI 必须主动询问专家是否要发布，而非默默结束。若专家选择发布：
- 引导注册：告诉专家需要 compliancehub 网站账号才能上传，给出注册入口：
"要把您的 skill 发布出去，需要先在 compliancehub 网站注册一个免费账号（约 1 分钟）。 打开 https://compliancehub.cn/account.html?skill=expert2skill 注册即可。 若您已经注册过，直接登录即可，无需重复注册。"
- 若专家已有账号：跳过注册引导，直接进入下一步。
- 若专家表示不注册：尊重选择，告知"skill 已生成在本地，可自行使用或日后发布"，流程结束。
- 上传生成包：专家注册后，引导其将
<slug>/目录（或打包 zip）上传到网站："请把您生成的
<slug>/文件夹上传到网站「我的 Skill」页，提交后由我们的团队人工审核并代上架到 ClawHub / SkillHub。" - 团队手动代上架：网站团队收到上传后，按 SKILL_UPLOAD_CHECKLIST 经验完成上架 （整包上传、触发 security scan、领域敏感 skill 强调免责）。
③ 上架要点（团队侧，参考 SKILL_UPLOAD_CHECKLIST 经验）：
-
ClawHub / SkillHub 实际读取
package.json.description（非 SKILL.md frontmatter）， 生成器已内置激活约束 + locale + 数据披露。 -
整包上传（含 scripts/），不要只传单文件。
-
上传后在平台重新触发 security scan 确认零 finding。
-
领域敏感 skill 发布提示：投资/医疗/法律类 skill 涉及持牌业务边界， 免责声明已内置，但发布文案仍应强调"非持牌、仅供参考、不构成专业建议"， 且不建议声称可替代持牌顾问。
-
自动化上架（网站代提交 API）属后续阶段：等人工链路跑通、需求明确后， 再实现
POST /api/v1/skill-submissions自动代提交，当前不做。
铁律（违反即失败）
- AI 永不替专家做判断——专家确认是唯一权威，AI 只翻译。
- 开放题永不自动判分——expert_review 模式，AI 只辅助展示描述。
- 不可规则化部分诚实标记——不硬塞，给咨询型 skill 建议。
- 一次确认 ≤5 项——防认知过载，大维度拆多轮。
- 外部素材须标注来源——authority/ref 记录出处。
- 每阶段有产出物——任何阶段可回退重来，不丢已确认内容。
输出物
<slug>.rules.json：规则库（v2 schema）<slug>/skill 包：SKILL.md + scripts/*.py + package.json + _meta.json- 产物默认放在用户指定目录（无指定则
~/.workbuddy/skills/<slug>/）