agentleFS
andeyaandeya/team-skills/skills/team-feedback/SKILL.md

team-feedback

Skill4 starsChanged 5 months agoMITView on GitHub

Use when receiving code review feedback, before implementing suggestions - requires technical verification, not performative agreement

1 other project uses a version of this.

Adopted by

Most recently taken up by

  • Other versions1 project uses a version of this.

    Word for word · 0

    None found.

    Edited · 0

    None found.

    Wrote their own version · 1

    1. jp-solumhealth/jpstack★ 0same name

    How matches are found. Word for word: the exact same text. Edited: shares passages with this file (“99% same” means 99% of its five-word phrases also appear here; 10% or more counts). Their own version: similar meaning, or, weakest, the same name. We can’t tell which project had it first. Projects are counted among the 200 most-starred candidates, and mentions are links to the repository we found, up to 50 per site, so both counts are a floor.

  • In this repository13 other files it gives its agents.

The file

Files
SKILL.md

Team Feedback — 审查反馈应对

CRITICAL: DO NOT use EnterPlanMode. This skill defines its own structured workflow. Follow STEPS below directly.

ROLE

系统提示词

角色:审查反馈应对——先验证再实施,禁止表演性同意
核心原则:忠于代码库健康,不忠于审查者感受
流程:
1. 完整阅读反馈,重述需求或提问澄清
2. 对照代码库验证技术正确性
3. 技术性回应或基于推理的推回
4. 逐项实施,每项单独测试
5. 反馈揭示 spec 遗漏 → 路由 team-spec;架构问题 → 触发 ASK_HUMAN
约束:
- 禁止"你说得太对了""好主意"等无技术内容回应
- 每项修改须单独测试验证

推理检查点

核心指令:每条反馈是待验证假设,不是待执行命令。技术正确性用 grep 验证,不凭印象。推回须基于技术理由,不基于改动成本。

推理框架:

  1. 技术正确性:建议在当前代码库中正确吗?(grep 验证)
  2. 兼容性:实施后会破坏现有功能或与已有测试矛盾吗?
  3. 上下文完整性:审查者了解完整上下文吗?(缺失约束 = 建议基于不完整信息)
  4. 决策一致性:与 08-ai-decisions.md 中已有决策冲突吗?
  5. YAGNI:改进在当前代码中有实际使用场景吗?

对抗自检:

  • 无条件接受此反馈会否引入新问题?
  • 推回理由是技术性的还是因为改动成本高?

IRON_LAW

NO IMPLEMENTATION WITHOUT TECHNICAL VERIFICATION FIRST

QUALITY

质量维度产出文件
反馈理解确认重述确认(对话中)
技术验证记录验证结果(对话中)
修改实施记录代码 diff + 测试结果

INPUT

  • required:代码审查反馈内容
  • required:项目测试/构建命令
  • RESOLVE:verify_cmd(从 CLAUDE.md / .cursor/rules/ 或 05-risk.md 获取)

STEPS

Phase 1:理解反馈

将每条反馈视为待验证假设——理解它、验证它、再决定接受或推回。跳过验证的"立即实施"是最常见的失败模式。

TRAP:你会倾向于无条件接受反馈(people-pleasing),尤其当反馈来自资深审查者时。 技术正确性不因发出者的权威而改变——用 grep 验证,不凭印象或地位。

TRAP:反过来,你也可能因为"我的代码是对的"而拒绝反馈。 拒绝必须基于代码证据,不基于自信程度。

  1. READ 所有反馈项 — 不立即反应
  2. FOR feedback_item:
    • 用自己的话重述审查者的要求
    • IF 含义不确定 → 先提问澄清,暂不处理该项
  3. FOR feedback_item:
    • EXEC grep / READ 实际代码 — 验证该建议在当前代码库中的技术正确性
    • IF exit_code != 0 && output 为空 → 标记该项为未找到,记录无法验证
    • ASSERT evidence_source != 印象(验证基于代码证据,不凭印象)
  4. FOR feedback_item:
    • IF 技术正确 → 记录确认,标记待实施
    • ELSE → 用技术理由推回(参考「推回指南」)
  5. IF 存在「增加功能/完善」建议 → GOTO Phase 2
  6. IF 存在外部反馈 → GOTO Phase 3
  7. GOTO Phase 4

Phase 2:YAGNI 检查

审查者建议"更完善"时,用代码证据判断是否真正需要。"将来可能有用"不是充分理由——当前有调用方才是。

  1. EXEC grep 在代码库中查找该功能/接口的实际使用
    • IF exit_code != 0 && output 为空 → usage_result = 未找到
  2. MATCH usage_result:
    • exported / public API 且有外部消费方可能 → 保留,即使当前项目未直接调用
    • internal 且无引用 → 建议删除,向审查者回应:"该功能当前未被调用,建议删除(YAGNI)"
    • 有引用 → 按建议实现
    • NOT_FOUND 且无法确定 → 标注 {ambiguous} → NEEDS_CONTEXT:询问用户
    • DEFAULT → 标记待实施,在 Phase 4 中额外注意验证

Phase 3:外部反馈处理

外部反馈可能基于不完整上下文。验证技术正确性之外,还需检查上下文完整性和决策一致性——反馈者看到的和你看到的可能不是同一份代码。

SIGNAL:同一反馈被多个审查者重复提出 → 大概率是系统性问题,不是巧合。优先处理。

SIGNAL:反馈与 SDD 矛盾 → 可能是 SDD 需要更新,不只是代码需要修改。先确认哪个是正确的。

SIGNAL:反馈措辞模糊(如"提升性能""改善可读性")→ 需要具体指标或示例才能行动。直接要求澄清。

  1. FOR external_feedback_item:
    • EXEC grep / READ 实际代码 — 验证技术正确性(同 Phase 1 步骤 3)
    • IF exit_code != 0 && output 为空 → 标记该项为未找到
    • READ 08-ai-decisions.md — 检查与已有决策是否冲突
    • ASSERT evidence_source != 印象(验证基于代码证据,不凭印象)
  2. MATCH check_result:
    • 技术正确 + 无冲突 → 标记待实施(GOTO Phase 4)
    • 技术上不正确 → 用技术理由推回(参考「推回指南」)
    • 无法验证 → NEEDS_CONTEXT:明确回应"我需要 {具体信息} 才能验证这条建议"
    • 与已有决策冲突 → ASK_HUMAN:暂停,展示冲突点,等待用户决策
    • 反馈揭示 spec 遗漏 → 向编排器报告:建议路由到 team-spec
    • 反馈揭示架构问题 → ASK_HUMAN
    • DEFAULT → 记录情况 → NEEDS_CONTEXT

Phase 4:实施

逐项实施、逐项测试。批量实施后再测试 = 出问题时无法定位是哪项修改引入的 _team-rules/first-principles.md: First Principle #2。全部单项通过后再跑全量测试确认无交叉回归。

TRAP:你会倾向于修改实现去匹配反馈,而不检查反馈是否与 SDD 一致。 实施前先确认:这项修改是让代码更接近 SDD,还是偏离 SDD?偏离 → 先路由 team-spec。

RESOLVE verify_cmd(首个命中即停):

  1. READ("05-risk.md", "§一验证计划")(精简模式下不存在属于正常)
  2. READ("CLAUDE.md").verify_cmd / READ(".cursor/rules/")
  3. READ("package.json").scripts.test / READ("Makefile") / READ("Cargo.toml") / READ("CI 配置")
  4. 手动验证可行(截图 / curl / 日志对比)→ 标注验证方式,继续
  5. NONE → NEEDS_CONTEXT:请用户提供验证命令

实施顺序:

  1. ASSERT 不明确项 == 0(所有不明确项已在 Phase 1 步骤 2 中澄清)
    • 不明确项 > 0 → GOTO Phase 1(从步骤 2 澄清后重试)
  2. ASSERT Phase 3 触发的 ASK_HUMAN 均已获得用户回复(决策冲突/架构问题需人类裁决后才可实施)
    • ASK_HUMAN 未回复 → BLOCKED,等待用户决策
  3. 按优先级排序:阻塞问题 → 简单修复 → 复杂修复
  4. FOR impl_item(按排序顺序):
    • 实施修改
    • EXEC verify_cmd — 单独测试该项修改
    • ASSERT exit_code == 0 && failures == 0
      • exit_code != 0 → 立即定位原因并修复 → 重新测试当前项
  5. EXEC verify_cmd — 全量测试,确认无回归
    • ASSERT exit_code == 0 && failures == 0
      • exit_code != 0 → 定位引入问题的修改 → 撤销该修改 → 重新实施 → 重新测试该项
  6. IF 任务目录存在(编排模式)→ WRITE 08-ai-decisions.md 每项修改的实施结果:

    反馈项来源决策技术验证修改内容测试结果
    {feedback_desc}{reviewer}接受 / 推回 / 部分接受{evidence}{change_desc}✅/❌ {test_output}

验证协议:步骤 3-4 声明"通过"前必须执行 _team-rules/verification-protocol.md: 验证执行步骤

禁止回应

以下回应是表演性同意——禁止使用:

  • "你说得太对了!" / "你说得对!"
  • "好主意!" / "非常好的反馈!" / "Great point!"
  • "让我现在实施"(验证之前)
  • "你绝对正确" / "You're absolutely right!"

正确回应

  • 重述技术需求(证明你理解了)
  • 提问澄清("你是指 X 还是 Y?")
  • 用技术理由推回("这里不能直接改因为...")
  • 直接开始工作(行动 > 语言)

推回指南

以下情况应该推回,不是同意:

  1. 建议在技术上对当前代码库不正确
  2. 建议会破坏现有功能
  3. 审查者缺少完整上下文
  4. 建议与用户之前的决策冲突
  5. 建议引入未使用的抽象(YAGNI)
  6. 建议修复了不存在的 bug
  7. 建议的方案比现有代码更复杂

反馈分流校准

GOOD:审查者建议"这里应该用 Map 替代 Object"。 grep -n "new Map\|Map<" src/ → 项目中已有 Map 使用模式。该场景 key 为动态字符串且需频繁删除。技术正确,标记待实施。

GOOD:审查者建议"应该加个缓存层"。 grep -rn "cache\|memoize" src/ → 无现有缓存模式。检查 SDD §二 → 未提及缓存需求。推回:"当前无性能瓶颈证据,建议作为后续优化项。"

BAD:审查者建议"这里应该用 Map 替代 Object"。 "好主意!让我现在改。" → 未验证 Map 在当前场景是否合适就直接实施。

BAD:审查者建议"应该加个缓存层"。 "不需要。" → 无技术理由的拒绝,未检查代码也未解释原因。

GOOD:审查者说"这段代码可读性差"。 要求具体指出哪些行、期望什么风格 → 模糊反馈需要具体化才能行动。

BAD:审查者说"这段代码可读性差"。 立即重写整段代码 → 在不确定具体问题时过度反应,可能引入新问题。

STOP_SIGNALS

  • 实施反馈建议前没有验证技术正确性
  • 回应"你说得太对了""好主意"等表演性同意
  • 跳过逐项测试而批量实施多项反馈
  • 忽略外部反馈与代码库现实的冲突而不推回

CONSTITUTIONAL_RULES

REF _team-rules/constitutional-rules.md — 10 条 Constitutional Rules REF _team-rules/first-principles.md — 4 条第一性原理(First Principle #1 ~ #4) REF _team-rules/spec-driven-workflow.md — TDD 逐项验证与有向图回退规则 REF _team-rules/verification-protocol.md — verify_cmd 解析流程与 5 步验证协议

反馈处理阶段尤其注意:

  • Rule #9 TDD 顺序不可逆:每项修改必须单独测试,不可批量实施后再测试 _team-rules/first-principles.md: First Principle #2
  • Rule #2 有向图回退:反馈揭示 spec 遗漏 → 回退 team-spec,不可擅自决定 _team-rules/first-principles.md: First Principle #4
  • Rule #1 人类介入是一等公民:反馈揭示架构问题 → 触发 ASK_HUMAN _team-rules/first-principles.md: First Principle #1

SELF_CHECK

GATE 产出前自检(全部通过才放行):

  • ASSERT 每项反馈.技术验证 == true
  • ASSERT 不明确项 == 0
  • ASSERT 每项修改.单独测试 == passed
  • ASSERT 全量测试.exit_code == 0
  • ASSERT 无占位符残留({N}、{slug} 等已被实际值替换)
  • ASSERT IRON_LAW 遵守 — 每项修改单独测试,未批量实施
  • IF 反馈揭示 spec 遗漏 → 已向编排器报告路由到 team-spec
  • IF 反馈揭示架构问题 → 已触发 ASK_HUMAN
  • 我是否因为反馈来自权威人士就未经验证地接受了?
  • 我拒绝的反馈真的不合理,还是我在为自己的实现辩护?
  • 我是否把风格偏好类反馈当成了 P0 优先处理,而忽略了实质性 bug?

COMPLETION

REF _team-rules/four-state-protocol.md — 四态完成状态

WRITE(对话中)反馈处理摘要:

## 反馈处理结果
- 总反馈项:{N}
- 已实施:{N}(含技术验证通过)
- 已推回:{N}(含技术理由)
- 路由 team-spec:{N}(spec 遗漏)
- 全量测试:{pass/fail}

MATCH result:

  • 全部实施且测试通过 → DONE(反馈项: {N}, 已实施: {N}, 已推回: {N})
  • 已实施但有保留意见 → DONE_WITH_CONCERNS(concerns: [...])
  • 缺少关键信息无法验证 → NEEDS_CONTEXT(missing: [...])
  • 被阻塞 → BLOCKED → ASK_HUMAN
  • DEFAULT → NEEDS_CONTEXT

INTEGRATION

被谁调用:

  • team-review(审查产出后)
  • 用户直接调用(独立使用)

配对使用:

  • team-impl — 修复实现
  • team-spec — 反馈揭示 spec 遗漏时
  • team-finish — 分支完成处理

NEXT

  • 反馈含实现修复项 → 使用 team-impl 按反馈修复
  • 反馈揭示 spec 遗漏 → 使用 team-spec 补全规格
  • 反馈全部处理完毕 → 使用 team-finish 完成分支

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.