---
name: affaan-m/skill-comply
source: https://app.decimal.ai/s/affaan-m-skill-comply@4/SKILL.md
source_sha256: 374f9a4bb61a
---

# skill-comply：自动化合规性测量

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. 从任意 .md 文件自动生成预期行为序列（规范）
2. 自动生成提示严格程度递减的场景（支持性 → 中性 → 竞争性）
3. 运行 `claude -p` 并通过 stream-json 捕获工具调用轨迹
4. 使用 LLM（而非正则表达式）将工具调用分类到规范步骤
5. 确定性检查时间顺序
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`）：强制性规则，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）

## 何时激活

* 用户运行 `/skill-comply <path>`
* 用户询问"这条规则是否真的被遵循？"
* 添加新规则/技能后，验证代理合规性
* 作为质量维护的一部分定期执行

## 使用方法

```bash
# Full run
uv run python -m scripts.run ~/.claude/rules/common/testing.md

# Dry run (no cost, spec + scenarios only)
uv run python -m scripts.run --dry-run ~/.claude/skills/search-first/SKILL.md

# Custom models
uv run python -m scripts.run --gen-model haiku --model sonnet <path>
```

## 关键概念：提示独立性

测量技能/规则是否在提示未明确支持时仍被遵循。

## 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（每个严格程度级别询问的内容）
3. 每个场景的合规性评分
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，报告还包含针对合规性较低的步骤的钩子提升建议。此为参考信息——主要价值在于合规性本身的可见性。