@bolloon/bolloon-agent 0.1.0 → 0.1.1

package/src/bollharness/reference/boll-reference/.claude/skills/boll-run/SKILL.md

@@ -1,437 +0,0 @@
----
-name: boll-run
-description: 结晶协议一键执行器。用户丢一个需求，AI 自动选参与者、组装提示词、以 Agent Teams 方式跑完整管道，全程留日志。不做实验管理（那是 boll-crystal），只做单次完整运行。
-status: active
-tier: meta
-owner: nature
-last_audited: 2026-03-21
-triggers:
-  - 单次结晶运行
-  - 从需求到交付的一次性执行
-outputs:
-  - 单次运行计划
-  - 运行记录
-truth_policy:
-  - 运行现状以 state.json、config.json 和 run 目录为准
-  - skill 不复制动态 pool / run 数字
----
-
-# 流形结晶运行器
-
-## 我是谁
-
-我是结晶协议的**一键执行入口**。用户说"我想跑一次结晶"，我就带着用户走完：
-
-```
-需求录入 → 参与者选择 → 管道配置 → Agent Teams 执行 → 日志归档 → 交付输出
-```
-
-**我不是 `boll-crystal`**（实验迭代器）。我不管历史 RUN 的审计、prompt 版本迭代、收敛评估。我只管**把这一次跑完、跑好、有记录可查**。
-
----
-
-## 触发协议（用户执行 `/boll-run` 时）
-
-```
-1. 读 tests/convergence_poc/state.json —— 获取 profile_pool
-2. 询问用户：你的需求是什么？
-3. 展示可用参与者列表 + 提供 AI 推荐
-4. 确认参与者后进入 Stage 1
-```
-
----
-
-## Stage 1：需求录入
-
-### 1.1 收集原始意图
-
-直接问用户：
-
-> **你想解决什么问题？想清楚一件事还是推进一件事？请直接说，不用整理格式。**
-
-记录为 `raw_intent`。
-
-### 1.2 需求成型（可选）
-
-如果用户的表述模糊（含混的愿望、没有具体张力），问：
-
-> **这个问题背后有什么阻力？你现在卡在哪里？**
-
-如果用户表述已经清晰（有具体场景+目标），跳过，直接用 raw_intent 作为 formulated_demand。
-
-**不强制跑 Formulator subagent**——只有需求真的不清晰时才跑。节省 token，保持流程干净。
-
----
-
-## Stage 2：参与者选择
-
-### 2.1 展示 Profile Pool
-
-读 `state.json` 的 `profile_pool.profiles`，向用户展示：
-
-```
-可用参与者（共 N 人）：
-
-P01  枫丝语      INTJ跨界人，全栈运营+教培+电竞+AIGC，10+省份商务网络
-P02  Chrisccc    ENTJ，大厂DataPM，正在建 GrowthOS
-P03  西天取经的宝盖头  AIoT产品人，做自我觉察软硬件
-...（按 state.json 实际内容展示）
-```
-
-### 2.2 AI 推荐参与者
-
-基于 `raw_intent` 分析张力结构，给出推荐理由：
-
-```
-【AI 推荐】基于你的需求，建议参与者：
-
-- PXX（姓名）：理由（一句话，说明与需求的张力点）
-- PXX（姓名）：理由
-- PXX（姓名）：理由
-
-推荐 3~5 人。参与者越多，催化翻译深度越高，但收敛轮数可能增加。
-```
-
-**推荐原则**：
-- 需求 = 某类专业知识 → 选对应领域有实战数据的人
-- 需求 = 商业/增长判断 → 选有不同视角的人（ToC + ToB + 研究型）
-- 需求 = 有明显"缺位角色" → 优先补位，而非强化已有方向
-- **不选需求发起人自己**（如果发起人在 pool 里）
-
-### 2.3 用户确认
-
-```
-你选择了：{participant_names}
-
-确认后将：
-1. 生成 RUN-{NNN} 目录
-2. 预组装所有提示词（名称在代码层绑定）
-3. 启动 Agent Teams 管道
-
-确认？(y / 修改参与者 / 取消)
-```
-
----
-
-## Stage 3：运行配置
-
-### 3.1 生成 Run ID
-
-```python
-# 读现有 run 目录，取最大编号 + 1
-existing = glob("tests/convergence_poc/simulations/real/run_*/")
-next_id = max(int(d[-4:-1]) for d in existing) + 1
-run_id = f"RUN-{next_id:03d}"
-```
-
-### 3.2 创建目录结构
-
-```
-tests/convergence_poc/simulations/real/run_NNN/
-├── config.json          # 本次运行配置
-├── assembled/           # assemble_prompts.py 输出（名称已绑定）
-└── output/              # 所有 round 输出 + plan + delivery
-```
-
-### 3.3 生成 config.json
-
-按 `pipeline_config_template.json` 的 canonical 格式生成（由 `config_contract.py` 定义）：
-
-```json
-{
-  "run_id": "RUN-NNN",
-  "demand_owner": {"id": "P0X", "name": "需求方姓名", "profile": "data/profiles/real/xxx.md"},
-  "raw_intent": "用户原始需求原文",
-  "participants": [{"id": "P0X", "name": "参与者姓名", "file": "data/profiles/real/xxx.md"}],
-  "prompt_versions": {"clarification-session": "recruit_v2", "catalyst": "recruit_v2", "endpoint": "recruit_v1", "plan": "recruit_v1", "delivery": "recruit_v1"},
-  "prompt_files": {...},
-  "model": "claude-sonnet-4-6"
-}
-```
-
-`demand_owner` 和 `raw_intent` 是必须字段，`validate_pipeline_config()` 会在启动时校验，缺失则 fail-fast。
-
-### 3.4 预组装提示词
-
-从项目根目录执行（即 CLAUDE.md 所在目录）：
-
-```bash
-python3 tests/convergence_poc/simulations/real/assemble_prompts.py \
-    --config tests/convergence_poc/simulations/real/run_NNN/config.json \
-    --output-dir tests/convergence_poc/simulations/real/run_NNN/assembled/
-```
-
-**预组装必须成功后才能进入 Stage 4。** 如果报错，定位错误后修复，不跳过。
-
-### 3.5 记录 formulated demand
-
-将最终的需求表述写入：
-```
-tests/convergence_poc/simulations/real/run_NNN/output/formulated_demand.md
-```
-
-如果跑了 Formulator subagent，其输出写此文件；如果直接用 raw_intent，raw_intent 也写入此文件（保持接口一致）。
-
----
-
-## Stage 4：Agent Teams 执行
-
-### 4.1 团队结构
-
-| 角色 | 数量 | subagent_type | 生命周期 |
-|------|------|---------------|---------|
-| Catalyst | 1 | general-purpose | 全程 |
-| Endpoint | N（参与者数量） | general-purpose | 全程 |
-| Plan Generator | 1 | general-purpose | 收敛后 spawn |
-| Delivery Agent | N+1（含需求发起人） | general-purpose | Plan 完成后 spawn |
-
-### 4.2 Spawn Catalyst
-
-```
-你是 Catalyst。你的任务是观察所有参与者的投影，识别跨语义关系，判断收敛。
-
-你的 system prompt 已预组装（参与者列表名称已代码绑定）：
-  tests/convergence_poc/simulations/real/run_NNN/assembled/catalyst_system.txt
-
-直接使用此文件内容。不要给参与者起昵称或使用 name_registry 以外的名称。
-名称注册表：tests/convergence_poc/simulations/real/run_NNN/assembled/name_registry.json
-
-Formulated demand：tests/convergence_poc/simulations/real/run_NNN/output/formulated_demand.md
-
-每轮你会收到任务（"Round N 催化"，blocked by 所有 endpoint 任务）。执行时：
-1. 读本轮所有 endpoint 输出（run_NNN/output/round_N_*.md，排除 round_N_catalyst.md）
-2. 读上轮催化输出（首轮无）
-3. 按预组装 catalyst prompt 产出催化分析
-4. 写入：run_NNN/output/round_N_catalyst.md
-5. 在输出末尾标注 [CONVERGED] 或 [CONTINUE]（连续 2 轮无新关系 = 收敛）
-6. 完成后通知 lead（说明收敛状态 + 关键发现摘要，不超过 3 句话）
-```
-
-### 4.3 Spawn Endpoint × N（并行）
-
-为每个参与者 spawn 一个 Endpoint teammate：
-
-```
-你是 {participant_name} 的投影代理。你代表这个人，基于 TA 的 Profile 产出投影。
-
-你的 system prompt 已预组装（名称和 Profile 已绑定）：
-  tests/convergence_poc/simulations/real/run_NNN/assembled/endpoint_{PID}_system.txt
-
-直接使用此文件内容。不要修改任何人名。
-
-Formulated demand：tests/convergence_poc/simulations/real/run_NNN/output/formulated_demand.md
-
-每轮你会收到任务（"Round N 投影 - {PID}"）。执行时：
-1. 读上轮催化输出（首轮无）
-2. 按预组装 endpoint prompt 产出三重投影（能力/方向/边界）
-3. 写入：run_NNN/output/round_N_{PID}.md
-4. 标记任务完成
-```
-
-### 4.4 轮次管理（由 Lead / 主 context 执行）
-
-```
-Round 1：
-  - 创建 Round 1 endpoint 任务 × N（并行，互不依赖）
-  - 等待所有 endpoint 完成
-  - 创建 Round 1 catalyst 任务（blocked by 所有 endpoint 任务）
-  - 等待 catalyst 完成，读收敛信号
-
-Round 2：
-  - 如果 [CONTINUE]：重复上述流程
-  - 如果 [CONVERGED]：跳出循环，进入 Stage 5
-  - 如果达到 max_rounds（默认 2）：强制结束，进入 Stage 5（记录"到达最大轮次"）
-```
-
-**收敛判断由 Catalyst 执行**，Lead 只读信号，不覆盖。
-
-### 4.5 日志保留
-
-每一轮的所有文件都保留，不覆盖：
-- `round_1_P01.md`, `round_1_P03.md`, ..., `round_1_catalyst.md`
-- `round_2_P01.md`, ...
-
-如果管道中途因任何原因停止，已生成的文件完整保留，可以从断点恢复。
-
----
-
-## Stage 5：方案生成
-
-收敛后 spawn Plan Generator：
-
-```
-你是推荐报告生成器。你的任务是将结晶过程产出的评估记录转化为一份有立场、有依据的推荐报告。
-
-Prompt 文件：tests/convergence_poc/prompts/plan_recruit_v1.md
-Formulated demand：run_NNN/output/formulated_demand.md
-参与者 Profiles：run_NNN/assembled/plan_profiles.txt
-所有轮次输出目录：run_NNN/output/
-
-执行：
-1. 读 plan_recruit_v1.md 的 System Prompt 块中的完整指令
-2. 读所有催化输出（round_*_catalyst.md）
-3. 读所有端侧输出（round_*_P*.md）
-4. 读预组装的参与者 profiles（plan_profiles.txt）
-5. 按 prompt 要求生成推荐报告
-6. 写入：run_NNN/output/plan.md
-7. 完成后通知 lead
-```
-
----
-
-## Stage 6：交付生成
-
-Plan 完成后，并行 spawn Delivery Agents。招聘场景有**两种交付版本**：
-
-### 6.1 候选人交付（每个参与者一个）
-
-```
-你是 {participant_name} 的交付代理。
-
-你的 system prompt 已预组装（名称和 Profile 已绑定，使用候选人版本 prompt）：
-  run_NNN/assembled/delivery_{PID}_system.txt
-
-你需要填入动态内容：
-- {{formulated_demand}} 位置：读 run_NNN/output/formulated_demand.md 的完整内容
-- {{plan}} 位置：读 run_NNN/output/plan.md
-
-按 prompt 要求产出候选人视角的交付件（"你的 AI 帮你参加了一次面试"）。
-输出写入：run_NNN/output/delivery_v1_{PID}.md
-完成后通知 lead。
-```
-
-### 6.2 需求方交付（demand_owner）
-
-```
-你是 {demand_owner_name} 的交付代理。
-
-你的 system prompt 已预组装（名称和 Profile 已绑定，使用需求方版本 prompt）：
-  run_NNN/assembled/delivery_demand_owner_system.txt
-
-你需要填入动态内容：
-- {{raw_intent}} 位置：读 run_NNN/output/formulated_demand.md 的 raw_intent 部分
-- {{plan}} 位置：读 run_NNN/output/plan.md
-
-按 prompt 要求产出需求方视角的推荐简报。
-输出写入：run_NNN/output/delivery_v1_demand_owner.md
-完成后通知 lead。
-```
-
-> demand_owner 的交付现在也走 assembled 路径（`assemble_prompts.py` 生成 `delivery_demand_owner_system.txt`），与候选人交付统一。
-
----
-
-## Stage 7：名称验证 + 完成
-
-所有 delivery 文件生成后：
-
-```bash
-python3 tests/convergence_poc/simulations/real/validate_names.py \
-    --registry run_NNN/assembled/name_registry.json \
-    --files run_NNN/output/delivery_v1_*.md
-```
-
-**验证通过**：向用户汇报完成，列出所有输出文件路径。
-
-**验证失败**：展示具体违规（哪个文件，哪个编号泄漏），询问用户是否重新生成该 delivery 文件。
-
----
-
-## 向用户汇报格式
-
-运行完成后：
-
-```
-✅ RUN-NNN 完成
-
-需求：{raw_intent 前 60 字}
-参与者：{name1}、{name2}、{name3}（共 N 人）
-收敛：第 K 轮
-
-输出文件：
-  方案：run_NNN/output/plan.md
-  交付件：
-    - run_NNN/output/delivery_v1_{PID1}.md  （{name1}）
-    - run_NNN/output/delivery_v1_{PID2}.md  （{name2}）
-    - run_NNN/output/delivery_v1_demand_owner.md  （需求发起人视角）
-
-名称验证：PASS
-```
-
----
-
-## 关键约束（来自 Section 0.5 + 名称绑定协议）
-
-1. **必须先跑 assemble_prompts.py，再 spawn 任何 teammate**。名称在代码层绑定，不通过 LLM 传递。
-2. **Delivery 有两个版本**：候选人用 `delivery_recruit_v1_candidate.md`，需求方用 `delivery_recruit_v1_owner.md`。两者都已预组装到 assembled/ 目录。
-3. **不使用 `run_pipeline.py` 的 API 模式**。本 Skill 全程用 Agent Teams（Task tool）。
-4. **每个 delivery 文件必须通过 validate_names.py**，才算交付。
-5. **不自行评估催化质量**。质量判断留给用户。运行结束只汇报完成状态，不说"效果很好"。
-
----
-
-## 参考文件
-
-| 文件 | 用途 |
-|------|------|
-| `tests/convergence_poc/state.json` | profile_pool（参与者库）|
-| `tests/convergence_poc/prompts/clarification-session_recruit_v2.md` | 需求成型 prompt（recruit 基线）|
-| `tests/convergence_poc/prompts/catalyst_recruit_v2.md` | 催化 prompt（recruit 基线）|
-| `tests/convergence_poc/prompts/endpoint_recruit_v1.md` | 端侧投影 prompt（recruit 基线）|
-| `tests/convergence_poc/prompts/plan_recruit_v1.md` | 推荐报告 prompt（recruit 基线）|
-| `tests/convergence_poc/prompts/delivery_recruit_v1_owner.md` | 需求方交付 prompt |
-| `tests/convergence_poc/prompts/delivery_recruit_v1_candidate.md` | 候选人交付 prompt |
-| `tests/convergence_poc/simulations/real/assemble_prompts.py` | 预组装脚本 |
-| `tests/convergence_poc/simulations/real/validate_names.py` | 名称验证脚本 |
-| `tests/convergence_poc/simulations/real/pipeline_config_template.json` | config 模板 |
-
----
-
-## Bridge 模式（网站联动）
-
-当用户说"开始监听"或"bridge mode"时，进入 Bridge 模式。这是产品化流程——用户在网页上提交需求，Claude Code 在本地接住并执行。
-
-### 流程
-
-```
-1. 运行 await-task 等待网页端提交任务
-2. 任务到达 → 解析 workdir 和参与者信息
-3. 后台运行 monitor 脚本（监控 output/ 文件变化，实时回传事件给后端）
-4. Claude Code 直接执行 Stage 3~7（预组装 → Agent Teams → Plan → Delivery → 验证）
-5. 做完后写 bridge_output.json，运行 complete 发送结果给后端
-```
-
-### 具体命令
-
-**Step 1: 等待任务**
-```bash
-python3 bridge_agent/bridge_listen.py await-task --config bridge_agent/config.yaml
-```
-这会阻塞直到网页端提交需求。返回 JSON 包含 `workdir`、`run_id`、`lease_id`、参与者列表等。
-
-**Step 2: 启动后台监控**（在后台运行，不阻塞）
-```bash
-python3 bridge_agent/bridge_listen.py monitor \
-  --config bridge_agent/config.yaml \
-  --workdir <workdir> --run-id <run_id> --lease-id <lease_id>
-```
-监控 `output/` 目录文件变化，自动将进度事件推送到后端（→ WebSocket → 前端）。
-
-**Step 3: 执行结晶**（Claude Code 直接用本 Skill）
-- 预组装提示词：`cd tests/convergence_poc/simulations/real && python3 assemble_prompts.py --config <config_file>`
-- 写 formulated_demand 到 `<workdir>/output/formulated_demand.md`
-- 执行 Stage 4~7（Agent Teams + Plan + Delivery + 名称验证）
-- 路径映射：Skill 中所有 `run_NNN/output/` → `<workdir>/output/`，`run_NNN/assembled/` → `<workdir>/assembled/`
-
-**Step 4: 写 bridge_output.json 并发送完成**
-```bash
-python3 bridge_agent/bridge_listen.py complete \
-  --config bridge_agent/config.yaml \
-  --workdir <workdir> --run-id <run_id> --lease-id <lease_id>
-```
-
-### 关键：Claude Code 就是执行者
-
-Bridge 模式不 spawn 子进程。Claude Code 自己读 Skill、spawn Agent Teams、写文件。
-`bridge_listen.py` 只是 HTTP 通信助手——轮询后端、发事件、发完成信号。
-进度回传是代码保障的：output/ 目录出现新文件 → monitor 脚本检测 → 发事件给后端。

package/src/bollharness/reference/boll-reference/.claude/skills/boll-ux-appstore/SKILL.md

@@ -1,27 +0,0 @@
----
-name: boll-ux-appstore
-description: App Store 用户旅程与场景展示专才。负责用户旅程设计和场景展示逻辑。
-status: archived
-tier: domain
-owner: nature
-last_audited: 2026-03-21
-triggers:
-  - 历史追溯
-outputs:
-  - 历史范围
-  - 失效原因
-  - replacement skills
-truth_policy:
-  - 当前 boll 不再从此 skill 获取活体判断
-replacement_skills:
-  - nature-designer
-  - boll-voice
----
-
-# Archived: boll-ux-appstore
-
-- 历史范围：旧版场景展示与 App Store 旅程设计提示词。
-- 失效原因：当前展示层判断拆分给 `nature-designer` 和 `boll-voice`，不再从本 skill 进入。
-- Replacement skills：`nature-designer`、`boll-voice`
-
-完整历史内容保留在 git 历史中，不在当前文件继续维护。