核心用法
Skeall 是面向 Agent Skills (SKILL.md) 的专业开发工具，遵循 agentskills.io 开放标准。提供四大核心模式：
1. `--create` - 通过交互式访谈脚手架生成新技能，自动生成符合规范的目录结构（SKILL.md + references/ + README.md），内置 YAML 前置校验与令牌预算控制
2. `--improve <path>` - 深度重构现有技能，执行扫描→分级修复→再扫描的闭环流程，自动处理令牌超限、内容重复、角色化表述等常见问题
3. `--scan / --scan-all` - 静态合规审计，覆盖 50+ 检查项（结构/前置信息/内容/LLM 友好性/安全/跨平台），输出带权重的评分报告（满分 10 分）
4. `--healthcheck / --healthcheck-all` - 运行时健康检查，检测孤儿技能、触发冲突、失效端点、环境变量缺失等动态问题
显著优点
- 标准先行：深度遵循 agentskills.io 规范，输出结果具备跨平台兼容性（Claude Code / OpenAI Codex / Cursor / Gemini CLI）
- 工程化严谨：50+ 检查项分级（HIGH/MEDIUM/LOW），量化评分公式：
10 - (HIGH×1.5) - min(MEDIUM×0.5,3) - min(LOW×0.2,1) - 渐进式披露架构：SKILL.md 承载 70% 常规请求（<5000 tokens），references/ 按需加载复杂细节
- LLM 优化导向：指令式表述、表格优先、无 Unicode 箭头、无 emoji 结构标记等实战验证的最佳实践
- 安全内建：前置信息禁用 XML 尖括号、禁用硬编码凭据、保留字过滤（"anthropic"/"claude"）
潜在局限
- 依赖人工决策：MEDIUM/LOW 级别修复需用户确认，无法全自动闭环
- 无 IDE 集成：纯 CLI 工具，无 VS Code/Cursor 插件形态
- 运行时检查局限：R5（端点存活）依赖网络环境，可能产生误报
- 评分阈值刚性：PASS 需同时满足 ≥7 分且零 HIGH 问题，严格但可能排除可用技能
适合人群
- 技能开发者：需规范化构建 Agent Skills 的 AI 应用工程师
- 平台维护者：管理多技能库、需批量审计合规性的技术团队
- 质量敏感场景：企业级部署前需严格验证跨平台兼容性的项目
常规风险
- 误删风险：
--improve模式会修改源文件，建议版本控制后操作 - 过度优化：严格遵循 500 行/5000 token 限制可能导致复杂技能过度拆分
- 平台差异：
{baseDir}等占位符仅 OpenClaw 支持，跨平台需手动替换为相对路径