📢  2026.05.02 发布 — 生成的 skill 不只能对话，还自带一套 bash 命令工具帮你执行。Release notes →

🔥  2026.05.02 公开 — 第一个完整行业（LLM agent 基础设施）端到端跑通验证。

✨ 效果示例

这不是搜索引擎。这是「这一行的资深人此刻在你旁边」。

🤖 场景 1 · LLM agent 基础设施

你    ❯ 该不该把这个 RAG 系统迁到 Vespa？

大师  ❯ 这是一个「framework 临时性 vs 基建沉降」的判断。

       先看 retrieval 阶段的瓶颈到底在 Vespa 解决，还是
       在 embedding 模型本身。如果是后者，迁移就是把
       脚手架换成混凝土 — 6 个月模型迭代会让你又想换。

       如果真的卡在 retrieval：Vespa 比 Pinecone 多了
       hybrid search 原生支持，但你的运维栈是不是已经
       吃下了它的 ZooKeeper / Tensor 复杂度？这一行的
       资深判断 — Filtering speed × Index size × Team
       Op overhead 三选二，你的瓶颈在哪边？

       Production case：[3-4 个真实迁移案例摘要 + 链接]

🛒 场景 2 · 跨境电商运营

你    ❯ 亚马逊德国站要上一个新品类，从哪儿开始？

大师  ❯ 德国站有三件事跟美国站完全不同 — 你必须先回答：

       1) VAT 一站式申报你走 OSS 还是各国注册？
          这决定了你能不能用 Pan-EU FBA。
       2) 包装法 (VerpackG) 和 WEEE/电池法注册了吗？
          没注册 listing 第一天就会被举报下架。
       3) GS 认证 vs CE — 你品类是不是 GS 强制？
          这决定能不能上 Idealo / 比价导购流量池。

       这三个不是合规 checklist — 是你「能不能开卖」的硬门槛。
       搞定后，关键词调研用 Helium 10 的德语包，不要从
       美国词库直翻 — 德国搜索习惯长尾密度高得多。

🎬 场景 3 · 短视频投流

你    ❯ 投流 ROAS 总是上不去，是不是出价策略有问题？

大师  ❯ 出价是后果，不是原因。先回答创意层：

       你的素材在 cold audience 上的 3s 完播率是多少？
       低于 35% 时调出价没用 — 巨量引擎的探索预算
       不会给你跑出量。

       创意没问题再看人群定向。这一行的资深判断 —
       「优质素材 × 合理定向 × 出价」，三角顺序错了，
       后两个调出花。你近 7 天创意素材曲线给我看一眼。

不是把行业百科塞进 prompt，是用这一行的心智模型 + 决策规则给你判断。

每个 skill 都自带一套「研究协议」(Agentic Protocol) — 拿到一个行业新问题，它先按这行资深人的研究维度去搜事实，再用心智模型输出判断。不是说得像，是做得像。

🛠️ 自动蒸馏出 bash 命令套件

这是大师.skill 跟同事 / 女娲最大的区别 — 蒸馏出来的不只是「会说」，还是「会做」。

每个生成的 skill 都自动配一个 cli/ 子目录 —— 把这个行业的认知操作系统直接物化成可执行的命令行工具：

{industry}-master/
└── cli/
    ├── protocol/agentic.sh         # 拿到新问题 → 按几个研究维度做功课 → 出报告
    ├── decision/{主题}.sh           # 决策树（按主题聚类的几条决策规则）
    └── workflow/{流程}.sh           # 走查工作流 + 失败模式自检

每个脚本都支持四个标准开关：--help（帮助）/ --explain（解释背后的心智模型）/ --dry-run（试跑）/ --json（机器可读输出）。

# 拿到新问题：「该不该把 RAG 系统迁到 Vespa」
$ ./cli/protocol/agentic.sh
# → 引导你按 5 个研究维度收集信息 → 生成报告

# 选型决策
$ ./cli/decision/framework-select.sh

# 走完一个完整工作流 + 失败模式自检
$ ./cli/workflow/build-rag-agent.sh

# 解释背后的心智模型（不交互，直接打印）
$ ./cli/decision/framework-select.sh --explain

纯 bash + 系统命令，零外部依赖（不需要 jq、不需要 Python）。由 tools/cli_writer.py 自动从蒸馏结果生成 —— 你不用写一行代码，工具是从行业的工作流和决策规则里直接长出来的。

设计细节看 references/cli-spec.md。

🌐 自动调女娲，蒸馏行业 top 人物

大师不重新发明轮子。蒸馏行业 top 人物的活儿，自动外包给女娲.skill 做，结果直接嵌进 sub-skills/。

{industry}-master/
├── SKILL.md
└── sub-skills/                       ← 女娲蒸馏的人物 sub-skill
    ├── {人物-1}/SKILL.md             ← 比如 Karpathy
    ├── {人物-2}/SKILL.md             ← 比如 Hamel Husain
    └── {人物-3}/SKILL.md             ← 比如 Eugene Yan

大师同时启动 3 个子 agent，每个走完女娲.skill 完整流程，蒸馏出一个人物 sub-skill。

之后用户问到某位人物的视角时，agent 自动加载对应 sub-skill — 不用重跑大师。

详见 SKILL.md Phase 3.3-3.5 + prompts/sub-skill-figures.md。

📦 它蒸馏了什么

行业的认知操作系统，不是行业的百科全书。一个 skill 装下四件事：

• 🧠  资深人怎么想 — 心智模型 + 决策规则
• ⚙️  工作流怎么走 — 当前最先进的 SOP，每一步标注衰减时点
• 🛠️  工具怎么选 — 选型决策树 + 避坑清单 + 自动生成的 bash 命令套件
• 💬  黑话怎么讲 — 行业表达方式 + 外行破绽

具体提取的 7 层：

诚实边界

每个 skill 都明确标注它做不到什么：

• 工具和工作流的模块衰减最快，建议每 3-6 个月刷新一次
• 法规和标准的模块衰减更快，12 个月内一定要更新
• 大师不能替代真实的实战经验 — 给的是认知框架，不是事故处理手册

一个不告诉你局限在哪的 skill，不值得信任。

⚡ 安装

# Claude Code
git clone https://github.com/voidborne-d/master-skill.git ~/.claude/skills/master-skill

git clone https://github.com/voidborne-d/master-skill.git <TARGET>

一键装到所有宿主：python3 tools/install.py install --host all

🚀 用法

在装好大师.skill 的 agent 里，直接说：

> 造大师 LLM agent 基础设施
> 做个跨境电商运营的大师 skill
> 我做的是足踝外科，给我蒸一个

> update 大师 LLM-agent-infra      # 6 个月后增量刷新

大师跟你确认 6 件事（行业、子方向、地域、你的角色、有没有一手素材、是新建还是更新），然后启动六路并行调研：行业大佬 / 工具地图 / 工作流 / 知识正典 / 信息源 / 术语标准。

30-60 分钟后你拿到一个 {行业}-master 目录。装到任意 agent，立刻进入「这一行的资深人」模式。

🎛️ 调用生成出来的 skill

> 用 llm-agent-infra-master 帮我评估这个框架选型
> 用 跨境电商-master 看一下我这个亚马逊 listing
> 让 llm-agent-infra-master 跑 framework-select 决策树

💻 命令行直接跑

# 5 步端到端流程
python3 tools/research/merge_research.py merge --skill-dir ./prototype/   # 调研评审
python3 tools/skill_writer.py create --skill-dir ./output ...             # 生成 skill
python3 tools/research/quality_check.py check --skill-dir ./output        # 质量检查
python3 tools/install.py install --host claude --source ./output          # 安装到宿主

# 增量刷新（v1.1）
python3 tools/update_skill.py plan --skill-dir <已有的 skill>           # 1. 看哪些模块该刷
python3 tools/update_skill.py archive --skill-dir <skill>               # 2. 归档旧调研
python3 tools/update_skill.py mark-in-progress --tracks tools,workflows # 3. 标记开始更新
# (agent 重跑选定的几路调研)
python3 tools/update_skill.py finalize --skill-dir <skill>              # 4. 完成 + 写 changelog

⭐ 已蒸馏的行业

每个都是端到端跑过的样本，包含完整调研数据 + 生成的 SKILL.md + 一套可跑的 bash 工具：

8 个行业横切技术、商业、内容运营、软技能、医疗、法律 — 大师.skill 框架对各类行业都跑得通。

调研过程完全透明。每个样本都附完整的六路调研笔记 + 蒸馏文档，可以追溯每条心智模型、每条决策规则是从哪几个来源出来的。

想蒸馏不在列表里的行业？装大师.skill，说「造大师 XXX」就行。

🔬 工作原理

输入一个细分行业，大师.skill 做这几件事：

1. 行业澄清          ← 粒度太粗主动收窄（拒绝「AI」，引导到「LLM agent 基础设施」）
2. 创建目录          ← 所有产物都在 skill 自己的目录内，自包含
3. 六路并行调研      ← 6 个子 agent：行业大佬 / 工具 / 工作流 / 知识正典 / 信息源 / 术语
   ─ 调研评审关卡    ← 你确认调研质量再继续，不让垃圾输入污染下游
4. 框架蒸馏          ← 三重验证（跨场景 / 生成力 / 排他性）挡住行业八股
   ─ 蒸馏评审关卡    ← 你确认认知框架再生成
5. 写出 skill        ← 自动生成完整目录、调女娲蒸人物 sub-skill、emit bash 工具
6. 三测验证          ← 已知问题 / 边界问题 / 风格盲测
7. 双 agent 精炼     ← 优化 skill 的「激活即执行」程度

详见 SKILL.md — 524 行的 agent 可加载工作流。方法论看 references/extraction-framework.md — 三重验证、工具栈三层提炼、流派分歧处理、衰减速度表。

🧬 三代谱系

大师.skill 站在两个前作的肩膀上：

• 同事.skill (titanwings/colleague-skill) — 提供了「了解 → 多源采集 → 分析 → 写出」的元 skill 框架。
• 女娲.skill (alchaincyf/nuwa-skill) — 提供了 6 个 agent 并行调研 + 三重质量关卡。大师.skill 在 Phase 3 直接调女娲，蒸出行业最重要的 3 个人作为 sub-skill。

三者同源，逐层放大。

📂 项目结构

master-skill/
├── SKILL.md                          # 大师本体（核心工作流规约）
├── prompts/                          # 提示词系统
│   ├── intake.md                     #   行业澄清
│   ├── research/01-06.md             #   六路调研提示词
│   ├── synthesis.md                  #   蒸馏指引
│   ├── quality_check.md              #   质量检查标准
│   └── sub-skill-figures.md          #   调女娲的子 agent 模板
├── tools/                            # 7 个 Python 工具
│   ├── skill_writer.py               #   生成 skill 目录
│   ├── cli_writer.py                 #   生成 bash 工具子目录（v0.6）
│   ├── update_skill.py               #   增量刷新（v1.1）
│   ├── install.py                    #   四宿主安装器
│   ├── research/merge_research.py    #   调研评审聚合
│   ├── research/quality_check.py     #   自动质量检查
│   └── transcribe/                   #   字幕下载 + 文本处理
├── references/
│   ├── skill-template.md             #   生成产物的标准结构
│   ├── extraction-framework.md       #   蒸馏方法论（想深入看这个）
│   └── cli-spec.md                   #   bash 工具的设计文档
└── prototypes/
    ├── llm-agent-infra-master/       #   完整样本（v1.0）
    └── cross-border-ecommerce-master/  #   中文精简样本（v1.1）

⚠️ 注意

调研材料的质量 = skill 的质量。不同维度的来源优先级不同：

• 中文环境下自动排除知乎、微信公众号、百度百科、CSDN（除非作者原文）
• 信息截止得越早，工具和工作流的模块衰减越快 — 用 update 大师 X 增量刷新
• 这是 v1.1，还在快速迭代。发现 bug 请提 issue。

📄 路线图

详见 ROADMAP.md。

📜 许可证

MIT — 随便用，随便改，随便造。

⭐ Star History