---

name: skill-comply description: 可视化技能、规则和代理定义是否被实际遵循——自动生成 3 个提示严格级别的场景，运行代理，分类行为序列，并报告合规率及完整工具调用时间线 origin: ECC tools: Read, Bash

skill-comply：自动化合规测量

通过以下方式测量编码代理是否实际遵循技能、规则或代理定义：

1. 从任何 .md 文件自动生成预期行为序列（规范）
2. 自动生成递减提示严格度的场景（支持性 → 中性 → 竞争性）
3. 运行 claude -p 并通过 stream-json 捕获工具调用跟踪
4. 使用 LLM（非正则表达式）将工具调用与规范步骤进行分类
5. 确定性地检查时间顺序
6. 生成包含规范、提示和时间线的自包含报告

支持的目标

• 技能（skills/*/SKILL.md）：工作流技能，如搜索优先、TDD 指南
• 规则（rules/common/*.md）：强制规则，如 testing.md、security.md、git-workflow.md
• 代理定义（agents/*.md）：代理是否在预期时被调用（内部工作流验证尚不支持）

激活时机

• 用户运行 /skill-comply <path>
• 用户询问"这个规则是否真的被遵循？"
• 添加新规则/技能后，验证代理合规性
• 作为质量维护的定期检查

用法

# 完整运行
uv run python -m scripts.run ~/.claude/rules/common/testing.md

# 试运行（无成本，仅规范 + 场景）
uv run python -m scripts.run --dry-run ~/.claude/skills/search-first/SKILL.md

# 自定义模型
uv run python -m scripts.run --gen-model haiku --model sonnet <path>

核心概念：提示独立性

测量技能/规则是否在提示没有明确支持的情况下仍被遵循。

报告内容

报告是自包含的，包括：

1. 预期行为序列（自动生成的规范）
2. 场景提示（每个严格级别下的请求内容）
3. 每个场景的合规分数
4. 带有 LLM 分类标签的工具调用时间线

高级（可选）

对于熟悉钩子的用户，报告还包括对低合规步骤的钩子提升建议。这是信息性的——主要价值在于合规可见性本身。