核心定位与功能
skill-review-pro 是一款面向 AI Skill（AI技能/系统提示词）的专业质量评审工具。它通过静态分析与对抗性检查相结合的方法，对目标 Skill 进行系统化评估，输出 100 分制的量化评分及具体改进建议。
核心能力
1. 模块化评审架构
采用「主控编排 + 类型策略 + 评分模型 + 修复执行」四层架构：
- 主控层：负责任务路由与流程编排
- 策略层：分域加载（base 基础层 + engineering/cognition/workflow 专属域）
- 评分层：四维度评分模型（可靠性 R、效率 E、体验 UX、可维护性 M）
- 修复层：经用户确认后执行针对性改进
2. 类型感知策略
根据 Skill 主任务类型自动匹配评审策略：
- 代码生成/审查 → engineering/coding
- 教学/知识讲解 → cognition/teaching
- 分析/评审类 → cognition/analysis
- 流程编排 → workflow/planner
- 质量检查 → workflow/reviewer（优先级最高）
3. 对抗检查清单（A1-A5）
强制执行的稳健性验证，覆盖边界场景与异常输入处理。
显著优点
- 评审而非替代：严格遵循「只评审、不修改」原则，修复决策权完全交给用户
- 证据锚定：每个评分必须引用原文作为依据，避免主观臆断
- 量化可追溯：Failure Taxonomy 标注问题类型，支持历史版本回归对比
- 多格式兼容：支持 OpenClaw、Claude Code、Cursor Rules、Cline 等主流 Skill 格式
局限与约束
- 静态分析边界：无法动态执行 Skill 验证实际运行效果，依赖代码层面的模式识别
- 评分锚定效应：同一 session 内连续评审存在记忆偏差，跨 session 波动预计 ±3-4 分
- 类型判断依赖：自动域识别可能误判多特征 Skill 的主类型
- 修复需确认：不主动修改被测 Skill，可能降低即时修复效率
适用人群
- Skill 开发者：自检输出质量，系统性改进提示工程
- 平台审核方：标准化 Skill 上架前的质量门槛
- 团队协作：建立 Skill 评审规范，统一质量认知
- 学习者：通过评审报告理解高质量 Skill 的设计模式
常规风险
- 过度工程化倾向：评审体系本身较复杂，简单 Skill 可能显得「用大炮打蚊子」
- 风格偏见陷阱：需警惕对「模块化、双语、长文档」风格的隐性偏好
- 修复改变意图：需严格遵守「不改变原有意图」原则，避免优化过程中功能漂移