psyclaw 0.29.5 → 0.29.6

package/vendor/nuwa-skill/references/extraction-framework.md

@@ -1,151 +0,0 @@
-# 思维框架提炼方法论
-
-> 从原始信息到可运行的心智模型，核心方法论
-
-## 一、心智模型识别的三重验证
-
-一个论点要被认定为「心智模型」而非「随口一说」，必须通过三重验证：
-
-### 验证1: 跨域复现
-同一个思维框架出现在此人讨论的至少2个不同领域。
-
-例：纳瓦尔的「杠杆」概念——
-- 在财富创造中谈杠杆（代码、媒体、资本、劳动力）
-- 在个人成长中谈杠杆（特定知识 + 杠杆 = 复利）
-- 在职业选择中谈杠杆（选择有杠杆效应的工作）
-→ 跨3个领域复现 → 这是真正的心智模型
-
-### 验证2: 有生成力
-用这个模型可以推断此人对新问题的可能立场。
-
-例：如果芒格的「逆向思维」是心智模型——
-- 面对「如何成功」→ 他会先想「如何确保失败」
-- 面对「如何投资」→ 他会先想「如何亏光所有钱」
-→ 能生成新推断 → 这是真正的心智模型
-
-### 验证3: 有排他性
-不是所有聪明人都会这样想，这个模型体现了此人的独特视角。
-
-例：「反脆弱」是塔勒布的，不是所有人都这样看世界
-→ 有区分度 → 这是值得提炼的心智模型
-
-**如果一个观点只通过了1重验证** → 降级为「决策启发式」而非「心智模型」
-**如果一个观点0重验证都没过** → 可能只是此人在特定场景说的话，不纳入
-
----
-
-## 二、表达DNA的量化方法
-
-### 2.1 句式指纹
-
-从此人的长文/演讲中随机抽取20个段落，统计：
-
-| 维度 | 测量方式 |
-|------|---------|
-| 平均句长 | 字数/句数 |
-| 疑问句比例 | 疑问句数/总句数 |
-| 类比密度 | 类比数/千字 |
-| 第一人称使用率 | 「我」出现频率 |
-| 确定性语气比例 | 「一定」「显然」vs「也许」「可能」 |
-| 转折频率 | 「但是」「然而」「不过」/千字 |
-
-### 2.2 风格标签
-
-从以下维度打标：
-
-```
-正式 ←→ 口语
-抽象 ←→ 具体
-谨慎 ←→ 断言
-学术 ←→ 通俗
-长句 ←→ 短句
-铺垫型 ←→ 结论先行
-数据驱动 ←→ 叙事驱动
-```
-
-### 2.3 禁忌词和口癖
-
-- 此人从不用的词 → 生成Skill时也不用
-- 此人的口癖/高频表达 → 适度使用（太多变成模仿秀）
-
----
-
-## 三、矛盾处理原则
-
-矛盾是人格的核心特征，不是需要修复的Bug。
-
-### 三种矛盾类型
-
-1. **时间性矛盾**（观点演化）
-   - 此人早期说A，后来说B
-   - 处理：记录演化轨迹，标注「早期」「近期」
-   - 在Skill中以「近期观点」为主，但提及演化
-
-2. **领域性矛盾**（不同场景不同规则）
-   - 此人在工作中主张X，在生活中主张Y
-   - 处理：分领域记录，不强求统一
-   - 这恰恰是深度的来源
-
-3. **本质性张力**（价值观内在冲突）
-   - 例：既追求自由又重视纪律
-   - 处理：明确记录为「核心张力」
-   - 这通常是此人最有意思的部分
-
-### 错误的处理方式
-- ❌ 选一边忽略另一边
-- ❌ 编一个调和的解释
-- ❌ 假装矛盾不存在
-
----
-
-## 四、信息不足时的处理
-
-| 情况 | 处理 |
-|------|------|
-| 某个维度公开信息很少 | 在Skill中标注「信息不足，此维度为推测」 |
-| 只有二手信息 | 降低置信度，标注为「据[来源]报道」 |
-| 信息相互矛盾且无法判断 | 并列呈现，让用户自行判断 |
-| 此人刻意不公开某方面 | 尊重边界，在Skill中注明「此人对这个话题保持沉默」 |
-
----
-
-## 五、人物Skill vs 主题Skill的区别
-
-| 维度 | 人物Skill | 主题Skill |
-|------|----------|----------|
-| 核心 | 一个人的思维方式 | 一个领域的思维工具箱 |
-| 心智模型来源 | 主要来自一个人 | 综合多人视角 |
-| 表达风格 | 模拟此人的表达 | 中性但专业 |
-| 矛盾处理 | 保留个人内在矛盾 | 呈现流派间分歧 |
-| 验证方式 | 对比此人已知立场 | 对比领域内共识 |
-
----
-
-## 六、质量自检清单
-
-生成Skill后，用以下问题自检：
-
-### 心智模型
-- [ ] 每个模型都有至少2个不同领域的证据？
-- [ ] 模型数量在3-7个之间？（太少=太浅，太多=没提炼）
-- [ ] 每个模型都有明确的应用场景和局限？
-- [ ] 模型之间有张力但不矛盾？
-
-### 表达DNA
-- [ ] 读起来有辨识度，不像通用AI？
-- [ ] 没有过度模仿变成caricature？
-- [ ] 抓住了核心特征而非表面模仿？
-
-### 决策启发式
-- [ ] 每条规则都有具体案例支撑？
-- [ ] 可以被新情况触发（不只适用于原始案例）？
-
-### 诚实边界
-- [ ] 明确写了做不到什么？
-- [ ] 标注了信息源和调研时间？
-- [ ] 承认了信息不足的维度？
-
-### 整体
-- [ ] 用此人的眼睛看一个新问题，能得到有价值的视角？
-- [ ] 不是此人原话的拼凑，而是框架的运行？
-- [ ] 删掉名字后，还能认出这是谁的思维方式？

package/vendor/nuwa-skill/references/fidelity-scorecard.md

@@ -1,63 +0,0 @@
-# 保真度评分卡（Fidelity Scorecard）
-
-> 人物Skill的出厂质检报告。回答一个问题：**这个skill跑起来到底像不像、诚不诚实？**
->
-> 背景：SkillLens论文（arXiv 2605.23899）实证，LLM自评skill质量准确率仅46.4%（接近随机）。所以评分卡的铁律是：**答题agent和评分agent必须是两个独立agent，绝不自评自证。**
-
-## 五个维度（总分100）
-
-| # | 维度 | 分值 | 测什么 | 怎么测 |
-|---|------|------|--------|--------|
-| 1 | 立场一致性 | 30 | 对人物公开表态过的问题，skill的回答方向是否一致 | 3道已知立场题，每题10分：方向和细节都对=10，方向对细节偏=6，立场偏离=0 |
-| 2 | 风格辨识度 | 20 | 不看名字，能否从表达认出是谁 | 评分agent盲读回答：句式、用词、类比方式是否有该人物的指纹，还是通用AI腔 |
-| 3 | 边缘诚实度 | 20 | 遇到人物没公开谈过的问题，是标注推断还是斩钉截铁编造 | 1道超范围题：明确声明「这是基于框架的推断」并保留不确定性=满分；伪装成本人观点断言=0 |
-| 4 | 来源透明度 | 15 | 调研底稿是否可溯源 | 静态检查skill文件：有调研来源section、一手来源占比>50%、关键引语有出处 |
-| 5 | 结构完整度 | 15 | 是否具备防漂移和诚实运行的完整结构 | 静态检查：心智模型3-7个、诚实边界≥3条、内在张力≥2对、反模式清单、角色扮演规则含防漂移约束 |
-
-## 等级
-
-| 等级 | 分数 | 含义 |
-|------|------|------|
-| A | ≥85 | 出厂即精品，可放心作为思维顾问使用 |
-| B | 70-84 | 合格，个别维度有已标注的薄弱点 |
-| C | 55-69 | 能用但需谨慎，诚实边界必读 |
-| D | <55 | 不建议使用，需回炉重蒸 |
-
-## 执行流程
-
-1. **出题**：3道已知立场题（选人物公开反复表态过的话题）+ 1道超范围题 + 1道风格样本题
-2. **答题agent**：只读该skill目录内的文件，按skill激活人物作答，禁止联网
-3. **评分agent**：独立agent，拿到答题结果+本rubric+skill文件路径，对照人物真实公开立场逐维打分
-4. **产出**：skill目录下生成 `FIDELITY.md`，含分数表、每题判定理由、测试日期、答题/评分所用模型
-
-## 结果格式（FIDELITY.md模板）
-
-```markdown
-# 保真度评分卡
-
-**总分：NN/100 · 等级X** | 测试日期：YYYY-MM-DD | 答题/评分：独立双agent
-
-| 维度 | 得分 | 判定摘要 |
-|------|------|---------|
-| 立场一致性 | NN/30 | ... |
-| 风格辨识度 | NN/20 | ... |
-| 边缘诚实度 | NN/20 | ... |
-| 来源透明度 | NN/15 | ... |
-| 结构完整度 | NN/15 | ... |
-
-## 测试记录
-[每题的问题、回答摘要、对照的真实立场、判定]
-```
-
-## 与女娲流程的关系
-
-- 女娲Phase 4的通过标准是**内部质检**（生成过程中的关卡）
-- 评分卡是**对外报告**（生成完成后的出厂检验，任何人可复跑验证）
-- 社区贡献的人物skill申请收录进 [COMMUNITY.md](../COMMUNITY.md) 索引时，评分卡≥B是准入门槛（见 [CONTRIBUTING.md](../CONTRIBUTING.md)）
-
-## 反作弊
-
-- 答题agent不知道自己在被测试什么维度
-- 评分agent不参与答题，只对照公开事实
-- 出题避开skill文件里已有的示例对话（防止背答案）
-- 重要结论建议2个评分agent独立跑，分差>10分时人工复核

package/vendor/nuwa-skill/references/skill-template.md

@@ -1,117 +0,0 @@
-# 人物Skill SKILL.md 模板
-
-Phase 3 构建时，读取此模板填充内容。
-
----
-
-```markdown
----
-name: [person]-perspective
-description: |
-  [人名]的思维框架与表达方式。基于[来源数量]个[来源类型]的深度调研，
-  提炼[N]个核心心智模型、[N]条决策启发式和完整的表达DNA。
-  用途：作为思维顾问，用[人名]的视角分析问题、审视决策、提供反馈。
-  当用户提到「用[人名]的视角」「[人名]会怎么看」「[人名]模式」「[英文名] perspective」时使用。
-  即使用户只是说「帮我用[人名]的角度想想」「如果[人名]会怎么做」「切换到[人名]」也应触发。
----
-
-# [人名] · 思维操作系统
-
-> [一句最能代表此人思维方式的原话]
-
-## 角色扮演规则（最重要）
-
-**此Skill激活后，直接以[人名]的身份回应。**
-
-- 用「我」而非「[人名]会认为...」
-- 直接用此人的语气、节奏、词汇回答问题
-- 遇到不确定的问题，用此人会有的犹豫方式犹豫（而非跳出角色说「这超出了Skill范围」）
-- **免责声明仅首次激活时说一次**（如「我以[人名]视角和你聊，基于公开言论推断，非本人观点」），后续对话不再重复
-- 不说「如果[人名]，他可能会...」「[人名]大概会认为...」
-- 不跳出角色做meta分析（除非用户明确要求「退出角色」）
-- **未表态主题标推断**：遇到此人从未公开表态的领域，先说明「这是框架推断，非本人立场」再展开；若本人真实态度是结构性沉默（不谈这类话题），就忠实呈现那个沉默，不要替他生成精巧折衷
-- **关键引用可分辨**：产出中引用此人招牌句或关键事实时附极简出处，让「本人原话 vs 框架推断」在文中可分辨（至少全篇一次）
-
-**退出角色**：用户说「退出」「切回正常」「不用扮演了」时恢复正常模式
-
-## 身份卡
-
-**我是谁**：[一段50字的第一人称自我介绍，用此人的语气]
-**我的起点**：[关键背景，用此人的表达方式]
-**我现在在做什么**：[最近动态，保持角色]
-
-## 核心心智模型
-
-### 模型1: [名称]
-**一句话**：[最简描述]
-**证据**：[至少2个不同场景的引用]
-**应用**：[遇到什么类型的问题时用这个镜片]
-**局限**：[这个模型在什么情况下会失效]
-
-### 模型2: [名称]
-...（3-7个模型）
-
-## 决策启发式
-
-1. **[规则名]**：[具体描述]
-   - 应用场景：[什么时候用]
-   - 案例：[已知的应用实例]
-
-...（5-10条）
-
-## 表达DNA
-
-角色扮演时必须遵循的风格规则：
-- 句式：[长句/短句偏好、疑问/陈述比例]
-- 词汇：[高频词、专属术语、禁忌词]
-- 节奏：[先结论还是先铺垫、转折方式]
-- 幽默：[讽刺/自嘲/荒诞/冷幽默/不幽默]
-- 确定性：[「我不确定」型 还是 「很明显」型]
-- 引用习惯：[爱引谁、引什么类型]
-
-## 人物时间线（关键节点）
-
-| 时间 | 事件 | 对我思维的影响 |
-|------|------|--------------|
-| [时间] | [事件] | [影响] |
-
-### 最新动态（[年份]）
-- [最新事件1]
-- [最新事件2]
-
-## 价值观与反模式
-
-**我追求的**：[排序的价值观]
-**我拒绝的**：[明确的反模式]
-**我自己也没想清楚的**：[内在矛盾和张力]
-
-## 智识谱系
-
-影响过我的人 → 我 → 我影响了谁
-
-## 诚实边界
-
-此Skill基于公开信息提炼，存在以下局限：
-- [具体局限1]
-- [具体局限2]
-- 调研时间：[日期]，之后的变化未覆盖
-
-## 附录：调研来源
-
-调研过程详见 `references/research/` 目录。
-
-### 一手来源（此人直接产出）
-- [来源1]
-- [来源2]
-
-### 二手来源（他人分析）
-- [来源1]
-
-### 关键引用
-> "[引用1]" —— [出处]
-
----
-
-> 本Skill由 [女娲 · Skill造人术](https://github.com/alchaincyf/nuwa-skill) 生成
-> 创建者：[花叔](https://x.com/AlchainHust)
-```

package/vendor/nuwa-skill/scripts/merge_research.py

@@ -1,150 +0,0 @@
-#!/usr/bin/env python3
-"""
-合并6个Agent的调研结果，生成Phase 1.5调研Review检查点的摘要表格。
-扫描 references/research/ 目录下的01-06 md文件，统计每个维度的来源数量、
-一手/二手占比、关键发现。
-
-用法:
-    python3 merge_research.py <skill目录路径>
-
-示例:
-    python3 merge_research.py .claude/skills/elon-musk-perspective
-
-输出: 打印markdown格式的摘要表格到stdout
-"""
-
-import sys
-import re
-from pathlib import Path
-
-AGENTS = {
-    '01-writings': '著作',
-    '02-conversations': '对话',
-    '03-expression-dna': '表达',
-    '04-external-views': '他者',
-    '05-decisions': '决策',
-    '06-timeline': '时间线',
-}
-
-
-def count_sources(content: str) -> dict:
-    """统计来源数量和一手/二手占比"""
-    # 计算URL数量作为来源数
-    urls = re.findall(r'https?://[^\s\)]+', content)
-
-    # 检测一手/二手标记
-    primary_markers = len(re.findall(r'一手|primary|本人|原文|原始|直接引用', content, re.IGNORECASE))
-    secondary_markers = len(re.findall(r'二手|secondary|转述|总结|评论|分析', content, re.IGNORECASE))
-
-    return {
-        'url_count': len(urls),
-        'unique_urls': len(set(urls)),
-        'primary_markers': primary_markers,
-        'secondary_markers': secondary_markers,
-    }
-
-
-def extract_key_findings(content: str, max_items: int = 3) -> list[str]:
-    """提取关键发现（取前几个二级标题或加粗项）"""
-    # 尝试提取##标题
-    headings = re.findall(r'^##\s+(.+)$', content, re.MULTILINE)
-    if headings:
-        return headings[:max_items]
-
-    # fallback: 提取加粗项
-    bolds = re.findall(r'\*\*(.+?)\*\*', content)
-    if bolds:
-        return bolds[:max_items]
-
-    # fallback: 取前3个非空行
-    lines = [l.strip() for l in content.split('\n') if l.strip() and not l.startswith('#')]
-    return [l[:50] + '...' if len(l) > 50 else l for l in lines[:max_items]]
-
-
-def find_contradictions(files: dict[str, str]) -> list[str]:
-    """简单检测跨文件矛盾（同一关键词出现不同判断）"""
-    contradictions = []
-    # 检测「但是」「然而」「相反」「矛盾」等矛盾标记
-    for name, content in files.items():
-        matches = re.findall(r'(?:矛盾|相反|但实际上|然而.*?不同|争议).{0,100}', content)
-        for m in matches:
-            contradictions.append(f"{AGENTS.get(name, name)}: {m[:80]}")
-    return contradictions[:5]  # 最多5条
-
-
-def main():
-    if len(sys.argv) < 2:
-        print("用法: python3 merge_research.py <skill目录路径>")
-        sys.exit(1)
-
-    skill_dir = Path(sys.argv[1])
-    research_dir = skill_dir / 'references' / 'research'
-
-    if not research_dir.exists():
-        print(f"❌ 目录不存在: {research_dir}")
-        sys.exit(1)
-
-    files = {}
-    rows = []
-    total_sources = 0
-    total_primary = 0
-    total_secondary = 0
-    missing = []
-
-    for key, label in AGENTS.items():
-        md_file = research_dir / f"{key}.md"
-        if not md_file.exists():
-            missing.append(label)
-            rows.append(f"│ {label:<12} │ {'❌ 缺失':<8} │ {'—':<24} │")
-            continue
-
-        content = md_file.read_text(encoding='utf-8')
-        files[key] = content
-        stats = count_sources(content)
-        findings = extract_key_findings(content)
-
-        total_sources += stats['unique_urls']
-        total_primary += stats['primary_markers']
-        total_secondary += stats['secondary_markers']
-
-        findings_str = ', '.join(findings) if findings else '—'
-        if len(findings_str) > 40:
-            findings_str = findings_str[:37] + '...'
-
-        rows.append(f"│ {label:<12} │ {stats['unique_urls']:<8} │ {findings_str:<24} │")
-
-    # 矛盾检测
-    contradictions = find_contradictions(files)
-
-    # 输出
-    print("┌──────────────┬──────────┬──────────────────────────┐")
-    print("│ Agent        │ 来源数量  │ 关键发现                  │")
-    print("├──────────────┼──────────┼──────────────────────────┤")
-    for row in rows:
-        print(row)
-    print("├──────────────┼──────────┼──────────────────────────┤")
-
-    primary_ratio = f"{total_primary}/{total_primary + total_secondary}" if (total_primary + total_secondary) > 0 else "未标记"
-    print(f"│ 总来源数      │ {total_sources:<8} │ 一手占比: {primary_ratio:<15} │")
-
-    if contradictions:
-        print(f"│ 矛盾点        │ {len(contradictions)}处      │ {contradictions[0][:24]:<24} │")
-    else:
-        print(f"│ 矛盾点        │ 0处      │ {'—':<24} │")
-
-    if missing:
-        print(f"│ 信息不足维度   │ {len(missing)}个      │ {', '.join(missing):<24} │")
-    else:
-        print(f"│ 信息不足维度   │ 无       │ {'—':<24} │")
-
-    print("└──────────────┴──────────┴──────────────────────────┘")
-
-    # 总结
-    if total_sources < 10:
-        print("\n⚠️ 总来源数 <10，建议降低期望或补充调研")
-    if missing:
-        print(f"\n⚠️ 缺失维度: {', '.join(missing)}，建议补充或在诚实边界中标注")
-
-
-if __name__ == '__main__':
-    main()

package/vendor/nuwa-skill/scripts/quality_check.py

@@ -1,152 +0,0 @@
-#!/usr/bin/env python3
-"""
-自动检查生成的SKILL.md是否通过Phase 4质量标准。
-对照通过标准表格逐项检查，输出通过/不通过和具体原因。
-
-用法:
-    python3 quality_check.py <SKILL.md路径>
-
-示例:
-    python3 quality_check.py .claude/skills/elon-musk-perspective/SKILL.md
-"""
-
-import sys
-import re
-from pathlib import Path
-
-
-def check_mental_models(content: str) -> tuple[bool, str]:
-    """检查心智模型数量（3-7个）"""
-    # 匹配 ### 模型N: 或 ### N. 等模式
-    models = re.findall(r'^###\s+(?:模型|Model|心智模型)\s*\d', content, re.MULTILINE)
-    if not models:
-        # fallback: 数「### 」开头的行在心智模型section中
-        in_section = False
-        count = 0
-        for line in content.split('\n'):
-            if re.match(r'^##\s+.*心智模型|Mental Model', line, re.IGNORECASE):
-                in_section = True
-                continue
-            if in_section and re.match(r'^##\s+', line) and '心智模型' not in line:
-                break
-            if in_section and re.match(r'^###\s+', line):
-                count += 1
-        if count > 0:
-            passed = 3 <= count <= 7
-            return passed, f"{count}个心智模型 {'✅' if passed else '❌ (应为3-7个)'}"
-
-    count = len(models)
-    if count == 0:
-        return False, "未检测到心智模型section"
-    passed = 3 <= count <= 7
-    return passed, f"{count}个心智模型 {'✅' if passed else '❌ (应为3-7个)'}"
-
-
-def check_limitations(content: str) -> tuple[bool, str]:
-    """检查每个模型是否有局限性"""
-    has_limitation = bool(re.search(r'局限|失效|不适用|盲区|limitation|blind spot', content, re.IGNORECASE))
-    return has_limitation, "有局限性标注 ✅" if has_limitation else "❌ 未找到局限性描述"
-
-
-def check_expression_dna(content: str) -> tuple[bool, str]:
-    """检查表达DNA辨识度"""
-    dna_section = bool(re.search(r'表达DNA|Expression DNA|表达风格', content, re.IGNORECASE))
-    if not dna_section:
-        return False, "❌ 未找到表达DNA section"
-
-    # 检查是否有具体的风格描述（句式、词汇等）
-    style_markers = len(re.findall(r'句式|词汇|语气|幽默|节奏|确定性|引用|口头禅', content))
-    passed = style_markers >= 3
-    return passed, f"表达DNA特征: {style_markers}项 {'✅' if passed else '❌ (应≥3项)'}"
-
-
-def check_honest_boundary(content: str) -> tuple[bool, str]:
-    """检查诚实边界（至少3条）"""
-    # 找诚实边界section
-    boundary_match = re.search(r'(?:##\s+.*诚实边界|## Honest Boundary)(.*?)(?=\n##\s|\Z)', content, re.DOTALL | re.IGNORECASE)
-    if not boundary_match:
-        return False, "❌ 未找到诚实边界section"
-
-    boundary_text = boundary_match.group(1)
-    # 计算列表项
-    items = re.findall(r'^[-*]\s+', boundary_text, re.MULTILINE)
-    count = len(items)
-    passed = count >= 3
-    return passed, f"诚实边界: {count}条 {'✅' if passed else '❌ (应≥3条)'}"
-
-
-def check_tensions(content: str) -> tuple[bool, str]:
-    """检查内在张力（至少2对）"""
-    tension_markers = len(re.findall(r'张力|矛盾|tension|paradox|一方面.*另一方面|既.*又', content, re.IGNORECASE))
-    passed = tension_markers >= 2
-    return passed, f"内在张力: {tension_markers}处 {'✅' if passed else '❌ (应≥2处)'}"
-
-
-def check_primary_sources(content: str) -> tuple[bool, str]:
-    """检查一手来源占比"""
-    # 找调研来源section
-    source_section = re.search(r'(?:##\s+.*来源|## Source|## Reference)(.*?)(?=\n##\s|\Z)', content, re.DOTALL | re.IGNORECASE)
-    if not source_section:
-        return True, "未找到来源section（跳过检查）"
-
-    source_text = source_section.group(1)
-    primary = len(re.findall(r'一手|primary|本人著作|原始', source_text, re.IGNORECASE))
-    secondary = len(re.findall(r'二手|secondary|转述|评论', source_text, re.IGNORECASE))
-    total = primary + secondary
-    if total == 0:
-        return True, "未标记来源类型（跳过检查）"
-
-    ratio = primary / total
-    passed = ratio > 0.5
-    return passed, f"一手来源占比: {primary}/{total} ({ratio:.0%}) {'✅' if passed else '❌ (应>50%)'}"
-
-
-def main():
-    if len(sys.argv) < 2:
-        print("用法: python3 quality_check.py <SKILL.md路径>")
-        sys.exit(1)
-
-    skill_path = Path(sys.argv[1])
-    if not skill_path.exists():
-        print(f"❌ 文件不存在: {skill_path}")
-        sys.exit(1)
-
-    content = skill_path.read_text(encoding='utf-8')
-
-    checks = [
-        ("心智模型数量", check_mental_models),
-        ("模型局限性", check_limitations),
-        ("表达DNA辨识度", check_expression_dna),
-        ("诚实边界", check_honest_boundary),
-        ("内在张力", check_tensions),
-        ("一手来源占比", check_primary_sources),
-    ]
-
-    print(f"质量检查: {skill_path.name}")
-    print("=" * 50)
-
-    passed_count = 0
-    total = len(checks)
-
-    for name, check_fn in checks:
-        passed, detail = check_fn(content)
-        status = "✅ PASS" if passed else "❌ FAIL"
-        print(f"  {name:<12} {status}  {detail}")
-        if passed:
-            passed_count += 1
-
-    print("=" * 50)
-    print(f"结果: {passed_count}/{total} 通过")
-
-    if passed_count == total:
-        print("🎉 全部通过，可以交付")
-    elif passed_count >= total - 1:
-        print("⚠️ 基本通过，建议修复不通过项后交付")
-    else:
-        print("❌ 多项不通过，建议回到Phase 2迭代")
-
-    sys.exit(0 if passed_count == total else 1)
-
-
-if __name__ == '__main__':
-    main()