Self Discipline 技能综合评估
核心用法
Self Discipline 是一套系统化的指令合规保障机制，专为解决「用户明确交代过，但 AI 代理仍反复犯错」的痛点设计。其核心流程包含四个阶段：严重度判定（🔴/🟡/🟢三级）→ 根因分析（5 Whys 追溯为何指令未被遵循）→ 流程可达性验证（确认修复措施能被未来代理实际读取）→ 自动化校验器生成（对关键问题创建可执行的拦截脚本）。
用户可通过 /discipline 命令主动触发，或在表达「这绝不能再发生」「我告诉过你不要…」等强烈诉求时自动激活。
显著优点
1. 结构性防错：不依赖代理的「记忆承诺」，而是通过校验器脚本强制拦截，将软性约定转化为硬性约束
2. 流程可视化：独创的「指令流可达性分析」能定位 60% 以上违规案例的根本原因——指令写在代理根本不会读取的文件中
3. 用户主权优先：所有对外部文件（如 AGENTS.md）的修改均需用户显式批准，并强制备份
4. 数据本地化：全部规则、事件日志、校验器均存储于 ~/self-discipline/，零网络外泄风险
潜在局限与风险
- 执行成本：完整的 5 Whys 分析和校验器开发对低频次、低严重度问题可能显得冗余
- 校验器维护：长期积累的脚本可能产生性能开销或版本冲突
- 权限边界：虽声称「绝不擅自修改外部文件」，但用户若误批准，仍可能因校验器配置不当导致工作流阻塞
- 非万能：对上下文窗口溢出（5% 案例）或模型固有幻觉，校验器无法根治
适合人群
- 高频使用 AI 代理处理敏感/生产环境任务的技术用户
- 团队协作场景下需要确保「规则传承」不因会话切换而断裂
- 对「被 AI 遗忘指令」感到挫败、追求确定性保障的重度用户
常规风险
| 风险场景 | 缓解措施 |
|---------|---------|
| 校验器误拦截 | 提供 `/discipline test` 干运行模式 |
| 规则文件膨胀 | 内置 archive/ 目录与指标追踪 |
| 同一规则三次违规 | 强制暂停并请求用户介入 |
| 未经同意的文件修改 | 四层确认机制（解释→展示变更→等待批准→备份后执行）|