核心用法
skill-distill 是一款专为 Agent Skill 生态设计的功能合并与去重工具，核心目标是将多个功能重叠的 Skill 智能蒸馏为单一精简版本。其工作流程严格遵循 4 阶段架构：
1. Phase 1 收集：读取所有源 Skill 的 SKILL.md 及 references/ 目录，生成 Inventory 统计表
2. Phase 2 分析：通过 LLM 交叉比对，将知识点分类为「交集」「独特贡献」「冲突」「冗余」四类
3. Phase 3 用户确认：展示蒸馏方案，标注冲突项待用户裁决，确认后生成文件
4. Phase 4 生成+验证：输出生成 Skill 并接入 improvement-learner 评分验证（accuracy ≥ 0.80 为通过）
输入输出均为 Skill 形态（skills → skill），与 rules extraction 和 session 历史提取形成明确边界。
显著优点
Token 效率优化：通过去重和体积控制，典型场景可将 3 个 200 行 Skill（~600 行/~8k tokens）蒸馏为 1 个 ~250 行 Skill，节省约 50% 的 context budget 开销。
路由确定性提升：解决多 Skill trigger 重叠导致的冲突问题，例如「优化这段文字」同时匹配 human-writing、slopbuster、humanizer 时，蒸馏后单一入口使路由确定性从 ~33% 提升至 100%。
质量闭环验证：Phase 4 强制接入 improvement pipeline，通过 learner 6 维评分和可选的 evaluator 执行验证，确保蒸馏质量而非简单拼接。
冲突透明处理：明确区分「交集」「独特贡献」「冲突」「冗余」四类知识，冲突项必须经用户裁决，避免隐性信息丢失。
潜在缺点与局限性
人工决策依赖：Phase 2 的冲突分类和 Phase 3 的用户裁决环节无法完全自动化，需要用户对领域知识有一定理解。
适用场景受限：明确排除跨领域 Skill 合并（如 cpp-expert + ios-expert）、单个 Skill 优化、以及 rules extraction 等场景，误用会导致职责混乱。
Token 预算硬约束：合并后 SKILL.md body 若超过 500 行则判定为「差异太大不适合蒸馏」，可能限制某些复杂场景的合并可行性。
执行依赖外部工具：Phase 4 的验证环节依赖 improvement-learner、improvement-orchestrator 等外部 Skill，若环境未配置则无法完成完整闭环。
适合的目标群体
- Skill 生态维护者：管理大量 Agent Skill 的开发者或团队，需要治理 Skill 膨胀问题
- AI 写作/创作工具链开发者：拥有多个功能重叠的写作类、润色类 Skill 需要整合
- 企业内训团队：构建内部统一 Skill 标准，降低用户选择成本
- Claude/ECC 生态重度用户：已熟悉 Skill 系统并需要优化 context 使用的进阶玩家
使用风险
生成文件审查风险：Skill 会在 Phase 4 生成新 Skill 文件并提议持久化修改，若源 Skill 包含执行脚本、外部搜索或敏感操作，需仔细审查蒸馏后的输出。
质量验证依赖外部 Skill：improvement-learner 评分和 evaluator 执行验证非本 Skill 内置，若目标环境未安装相关依赖，可能跳过质量验证环节。
个人开发者维护风险：来源分级为 T3（个人开发者/社区项目），长期维护和更新频率依赖社区反馈，建议关注 ClawHub 平台的版本动态。
冲突裁决责任归属：Phase 3 的冲突决策由用户承担，若对源 Skill 领域理解不足可能导致不合理的取舍。