Emotion Skill：Coding Agent 的上下文感知工作路由
核心定位
Emotion Skill 是一个面向 coding agents 的 Markdown-first 状态路由框架，旨在将用户的工作状态信号（反复失败、证据质疑、范围收缩、静默等待、困惑澄清、紧急压力、完成收口等）转化为可预测、可验证的 agent 行为模式。
显著优点
1. 证据优先的设计哲学
- 强制"basis first"：先展示命令、日志、文件检查，再给出结论
- 避免"解释先于验证"的常见 agent 陷阱
- 通过路由索引（routing-playbook.md）将模糊情绪转化为具体行为规则
2. 范围安全机制
- 明确定义 scope boundary 和 rollback path
- 防止 agent 在修复过程中无意识地引入相邻重构
- "最小失败路径"原则控制变更半径
3. 进度可见性
- 针对静默延迟/工具卡住场景，要求提供"下一个可观察检查点"
- 替代模糊的"正在处理"式反馈
4. 丰富的参考文档体系
- 8 份细分 reference 文件覆盖路由决策、响应约束、真实场景验证、子 agent 测试等
- 提供模型 prompt 片段和集成指南（OpenClaw/Hermes）
5. 明确的使用边界
- 清晰界定"何时使用"与"何时不用"
- 强调不暴露原始情绪标签给用户
- 区分 soft constraints（行为塑造）与 hard guardrails（拒绝执行）
潜在局限
1. 学习曲线陡峭
- 8 份 reference 文档需要 agent/host 系统预先加载理解
- 对简单场景可能显得过重
2. 依赖上下文质量
- 路由决策依赖"latest user turn + recent task context"
- 历史对话不足时可能误判状态模式
3. 中文优化有限
- 虽然标记为"中文友好"，但核心文档为英文
- 情绪信号识别可能受语言差异影响
4. 集成复杂度
- 需要 host 系统支持 Markdown-first 的 skill 加载机制
- 与 OpenClaw/Hermes 的集成需额外配置
适合人群
- Coding agent 开发者：需要标准化 agent 行为、降低失败恢复成本
- AI IDE/Editor 产品团队：希望减少用户因 agent 失控而产生的挫败感
- 复杂任务场景用户：频繁遇到"越修越错"、"范围蔓延"、"黑箱进度"等问题
常规风险
- 误路由风险：多重状态模式并存时，优先级规则（证据>速度）可能导致响应延迟
- 过度约束风险：将 soft constraints 误解为执行拒绝，降低 helpfulness
- 文档漂移风险：reference 文件未同步更新时，agent 行为可能与预期不符
- 验证成本：要求"先证据后结论"可能增加交互轮数，对简单问题显得冗余