Skill Doctor：用历史对话评估并改进本地 AI Agent

[Skills 分享] Skill Doctor https://www.warp.dev/skill-doctor

来自 @warpdotdev 团队，用于评估并改进你本地 AI Agent 的 Skills 配置，并产出具体的 Skills 修改建议和一份可分享的报告。核心理念是：用你真实的历史对话记录作为"考卷"，反向检验你的 Skills 写得好不好。

工作原理：三步闭环 聚合：Agent 收集本地的历史对话记录（transcripts），来源可以是 Claude Code、Codex 或 Warp 等。 评分：由 subagents 基于经过验证的评分量规，从效率、代码质量、Skills 覆盖率三个维度对这些对话打分。 改进：Agent 根据评分结果，提出可直接合并的 Skills 修改建议。

核心机制：六步执行流程 Step 0 · 启动 — 验证 Agent 环境是否受支持；交互确认评分范围（当前仓库 / 全部 / 指定项目）与评估对象（含全局 Skills / 仅项目 Skills）；产物一律写入临时目录，不碰用户仓库。 Step 1 · 采集 — 脚本聚合本地会话：默认回溯 45 天、采样 12 条；产出清单文件。无会话则终止，无 Skills 则继续（覆盖率记 0）。 Step 2 · 评分 — 逐份转录对照两份量规打分：效率 + 代码质量；大批量分片并行，全程本地。无代码改动的会话记"证据不足"，不计入代码质量均分。 Step 3 · 聚合 — 总分 = 0.5 × 效率 + 0.35 × 代码质量 + 0.15 × Skills 覆盖率；原始分 < 0.5 的会话判为"失败会话"，作为后续所有改进建议的唯一证据来源；提炼 3 条核心发现。 Step 4 · 起草修改 — 只改证据支持的部分（没触发的触发描述、缺失的预检、试错出的流程），产出完整改进版 Skills 文件 + unified diff，不直接改动真实文件。 Step 5 · 渲染报告 — 生成单页自包含 HTML 报告并自动打开：记分卡、发现、带 diff 的建议同页呈现，支持导出分享图。 Step 6 · 输出 — 口头汇报等级与三条发现，最后询问用户是否应用修改。 主线逻辑：采集真实对话 → 量规评分 → 定位失败模式 → 产出可合并的 Skills 修改——全程本地、证据驱动、非破坏性。

关键特性 完全本地运行：对话记录、会话文件不会上传到任何地方，唯一可分享的产物是用户自己选择发布的报告页面。 范围可控：可以只评当前仓库的对话、指定项目的对话，或全部本地对话；可以只评项目级 Skills，或连同全局 Skills 一起评。 输出可落地的改进：不是泛泛的建议，针对 Skills 文件的具体编辑提案。