Ldxs001Ldxs001/maby_skills/semantic-split/SKILL.md

semantic-split

Skill0 starsChanged 3 months agoMITView on GitHub

语义拆分与智能规划。将自然语言拆分为结构化需求块，三管线协同调度（正则结构分析→bge 语义匹配→bge-reranker 重排序），5W2H提取与约束标注增强语义理解，双视角推理整合为单一执行步骤，自增强闭环自动沉淀能力级 JSON 模板，10门禁钩子系统管控流程。

In this repository20 other files it gives its agents.
- activity-duration-estimationSkill
- analysis-toolkitSkill
- color-toolkit-turnSkill
- drawiodoSkill
- everything-search-breadmemorySkill
- git-syncSkill
- hug-htmlSkill
- latex-modularSkill
- local-rag-builderSkill
- memory-petSkill
- novel-weaverSkill
- round-robin-allocatorSkill
- simulated-peak-plotSkill
- skill-function-testSkill
- skill-standardizationSkill
- skill-subSkill
- svg-composerSkill
- triphasic-executionSkill
- universal-file-opsSkill
- workday-calendarSkill

The file

Create a free account to mount

Files

SKILL.md

semantic-split

语义拆分与智能规划。三管线递进调度 + 自增强闭环沉淀。

触发条件

正向触发：

[需求拆分] "帮我把这个需求拆开" / "拆分一下这个任务"
[语义规划] "帮我规划一下怎么做" / "整理一下思路"
[5W2H分析] "帮我分析这个需求" / "5W2H分析一下"
[JSON 管理] "管理 json 文件" / "json_manager"
[渐进匹配] "加载规则" / "匹配 json"

否定条件（不触发）：

简单问答、闲聊、问候
单步任务

核心能力

📚 渐进式加载：本技能采用渐进式 MD 体系，SKILL.md 为入口（≤230行），详细内容拆分到 references/*.md 按需加载。

#	功能	说明
1	Pipeline B 结构分析	纯正则（5W2H/主语/约束/分块/注意力锚定），零外部依赖
2	Pipeline A 语义匹配	正则→bge-small(embedding)→bge-reranker(CrossEncoder)
3	Pipeline C 智能体推理	结构分析 + 模板参考喂给智能体 → 增强思考 → 生成步骤
4	覆盖率阈值路由	正则层覆盖率≥80% 直接通过，<80% 升级到 bge 语义层
5	自增强闭环	执行 → 通用化 → 保存为 JSON 模板 → 下次命中 → 0 LLM
6	模板库扫描	每次请求自动扫描 capabilities/ 库，命中≥0.6 则作为 few-shot 参考或直接复用
7	10 道门禁钩子	input_valid → b_pipeline_done → a_scan_done → decision_made → llm_generated → focus_reasoning → divergent_reasoning → integration_reasoning → template_saved → wp_done
8	json 管理工具	`json_manager.py` CLI 统一管理能力级/规则级 json

📚 渐进式体系：SKILL.md 为入口，详细内容按需加载见下方索引。

渐进式文件索引

文件名	分类	包含内容	审计关联
`references/LICENSE.md`	许可协议	开源许可证声明（MIT）	R-26
`references/changelog.md`	版本管理	版本更新日志	R-24
`references/attribution.md`	版权声明	第三方组件与模型版权归属说明	无
`references/json_schema.md`	参考	能力级/规则级 JSON 格式定义	无
`references/loading_decision_tree.md`	参考	渐进加载决策流程（含自增强闭环）	无
`references/planning_rules.md`	规则	双视角推理与规划生成规则	无
`references/split_rules.md`	规则	语义拆分规则	无
`references/constraint_annotation.md`	规范	约束标注规则与注意力锚定	无
`references/examples.md`	示例	各功能输出格式示例	R-25 C-17
`references/faq.md`	FAQ	常见问题与排错	R-19
`references/permissions.md`	权限	权限扫描与风险评估	R-15
`references/task_type_defaults.md`	参考	5W2H 任务类型默认值映射	无
`references/antipatterns.md`	规范指南	skill 编写中的常见反模式	R-18
`references/automation_tasks.md`	参考	自动任务配置列表	无

快速开始

场景：语义拆分 用户需求：帮我用公司模板做一份PPT，下周五前交给客户系统执行：

python scripts/semantic_pipeline.py --text "帮我用公司模板做一份PPT，下周五前交给客户" --hooks

输出: 10道门禁全部通过，输出步骤列表+WP分解

场景：模板扫描 用户需求：查找已有PPT相关模板系统执行：

python scripts/json_manager.py scan --keywords 制作 PPT 产品

输出: 匹配结果列表+相似度分数

场景：归类 用户需求：按频次归类任务模板系统执行：

python scripts/json_manager.py categorize --threshold 5

输出: 模板被分组为高频/中频/低频三类

工作流程

输入文本
    │
    ▼
[钩子1] input_valid → 输入校验
    │
    ▼
[钩子2] b_pipeline_done → Pipeline B：正则层
    │  5W2H 提取 / 主语识别 / 约束标注 / 分块
    │  （零模型，纯 regex）
    │
    ▼
[钩子3] a_scan_done → Pipeline A：模板库扫描
    │  bge-small: embedding 编码 → 余弦相似度匹配
    │  bge-reranker: CrossEncoder 重排序
    │  （仅模板匹配，不参与结构分析）
    │  ┌─ 命中 ≥0.6 → 模板作为 few-shot 参考
    │  └─ 未命中   → 空
    │
    ▼
[钩子4] decision_made → 渐进决策
    │  ┌─ 模板命中 ≥0.6 → 直接复用（0 智能体调用）
    │  └─ 未命中       → 传递 结构分析结果 + 模板参考 给智能体
    │
    ▼
[钩子5] llm_generated → Pipeline C：智能体推理
    │  拿到: 5W2H + 约束 + 结构分析 + 模板参考(few-shot)
    │
    ▼
[钩子6] focus_reasoning → 聚焦推理（保守方案）
    │  智能体必须执行: 生成安全可靠的执行方案
    │
    ▼
[钩子7] divergent_reasoning → 发散推理（创新方案）
    │  智能体必须执行: 生成创新大胆的执行方案
    │
    ▼
[钩子8] integration_reasoning → 整合推理
    │  智能体必须执行: 聚焦方案(骨架) + 发散方案(创新点) → 最终方案
    │  输出: 步骤列表
    │
    ▼
[钩子9] template_saved → 自动保存为能力级 JSON
    │  步骤通用化 → 写入 capabilities/{task}_v1.json
    │
    ▼
[钩子10] wp_done → WP 分解完成
    │
    ▼
输出 JSON

输入输出

输入：≤2000 字纯文本（任务描述）
输出：JSON 结构化需求块（含步骤列表、WP 分解、钩子门禁状态）
依赖：sentence-transformers（embedding + rerank）

三管线职责

管线	方法	模型	产出
B 结构分析	纯正则	无	5W2H七维 / 主语 / 约束等级 / 分块 / 注意力锚定
A 语义匹配	正则 → embedding → rerank	bge-small + bge-reranker ✅	模板库扫描 / 相似度匹配 / 约束分类
C 智能体推理	智能体原生推理	—	步骤列表 / WP 分解 / 模板沉淀

Pipeline B 的 5W2H / 主语 / 约束提取不需要模型，纯正则完成。正则词表覆盖常见动词/主语/时间/地点/数量词，边界 case 由 Pipeline C（LLM）推理补全。 bge-small / bge-reranker 不参与结构分析，只做模板库语义匹配。

模型清单

模型	管线	大小	协议
BAAI/bge-small-zh-v1.5	Pipeline A 嵌入层	92MB	MIT
BAAI/bge-reranker-base	Pipeline A 重排序层	1.1GB	MIT
合计		~1.2GB	全部商业友好

Pipeline B 为纯正则实现，零模型依赖。
能力边界: 单次输入 ≤2000 字，输出 JSON。单任务，建议 ≤10 并发。模型加载约 30 秒。 能力边界：单次输入 ≤2000 字，输出 JSON 结构步骤。单任务处理，建议不超过 10 个并发。Pipeline A 模型加载完毕约需 30 秒（1.2GB）。无外部 API 调用，无 LLM 配置需求。Pipeline C 由智能体原生推理。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

It worked
Partly
It didn't

What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

Check your setup, free