zfl-absorb-skill

把"别人丢来一个技能包"变成"该装装、该挑挑、该跳跳"的确定性决策。
本技能处理的是技能包（zip / SKILL.md / prompt.md）这条路径；若文献源是一篇方法论文章，用 zfl-absorb-article-insight。

30 秒速查（一眼选路）

何时用

• 用户发来 *.zip 或技能目录，问"这个技能怎么样""能不能吸收""对我有用吗"。
• 目标是给一句有依据的 verdict + 可执行吸收动作，不是逐行翻译对方 README。

工作流（5 步，先查后判）

0. 预研究（先理解再评估，呼应 last30days 的 pre-research）

• 在解包前，先解析该技能的"真实身份"：它解决什么具体问题、对应你生态里哪个
  zfl 技能可能重叠、去哪找它的真实使用信号（SkillHub 评分/评论、社区讨论，而非只看 README 自述）。

• 目的：避免被单一 README 的车轱辘话带偏（如"经 AI 双重验证 100% 准确"这类自信通胀话术）。
  带着"实体画像"再去解包精读，比对效率远高于裸关键词扫描。

• 同域冲突预检（本次踩坑点）：在解包后、决策前，必须 grep 你生态内是否已存在同名或同域（功能/触发词重叠）的 zfl 技能：
  ls ~/.workbuddy/skills/ | grep -iE "<关键词>" 列同名；
  grep -rln "<技能名>" ~/.workbuddy/skills/ --include=SKILL.md 查反向引用（判断对方是否"参考了你"还是"独立另起"）；
  关键词覆盖度/能力冗余检索优先用公共标准件（结构化输出+自动跳噪声目录+退出码语义）：python ~/.workbuddy/skills/zfl-common/scripts/grep_redundancy.py <kw1,kw2,...> --skills-dir ~/.workbuddy/skills（单一真源，@see zfl-common）。
  若命中已有技能，进入步骤 2.5 / 3.5 走"冲突诊断→收割/下线"分支，不要直接整装装进去再发现撞车。

• 能力深查（2026-09-17 新增，jlxz 翻盘实证）：上面两条只扫顶层技能名 + SKILL.md，会漏掉折叠进套件 references/ 子文档的能力——zfl 生态按「折叠到现有技能而非新建独立技能」原则，大量能力以references/*.md 章节形式存在，顶层技能名完全看不出来。判据：「生态里没有叫 X 的技能」≠「生态里没有 X 能力」。必做两条：
  1. 全量深扫（不限 SKILL.md，须含 references/ 与子技能目录）：grep -rln "<关键词>" ~/.workbuddy/skills/ --include=*.md
  2. 查已吸收痕迹（对方技能可能早已被吸收过）：扫 来源： / 吸收自 / 经适配融入 / 经适配 / 对方作者名 / 对方技能名；命中即说明已吸收，直接走「跳过 or 收割」，不要再判成「缺能力」。
  实证：jlxz-audit v1.3.1 初判「zfl 缺监理实施细则审核能力 → 整装候选」，深查后 zfl-telecom-completion-audit/references/supervision-implementation-audit.md 第15章明写「来源：张晋 jlxz-audit v1.2.0，经适配融入本体系」、第16章 Excel 三色表逐字一致，且 zfl 版已增强 → 结论翻转为跳过（整装会撞触发词 + 造面板噪声）。
  @see PF-459（动手写规则前先检索既有 references）、PF-420（「未并入」常是「已部分吸收」）。

• 机械前置（不靠清单记忆判缺口/冗余）：判「生态没有 X 能力」「该技能是重复造轮子」前，跑机械前置而非凭清单回忆（能力规模已超记忆可靠范围）：
  python ~/.workbuddy/skills/zfl-skill-factory/scripts/enumerate_skill_tree.py --covered "<关键词>"（覆盖度实证，含 references/ 与套件子技能）；
  ... --gap-check <候选清单>（真缺口候选 / 弱覆盖 / 伪缺口三栏）；... --suite <套件>（子技能实时版本）。
  @see zfl-common/references/anti-memory-checks.md（反「清单记忆」机械前置对照表 SSOT）。实证：2026-09-18 凭清单记忆判 6 处缺口，机械枚举后 4 处为伪缺口（漏纳套件 references/）。

1. 解包精读（不凭文件名拍脑袋）

• 全部解压到临时目录（_absorb_<date>/，用完硬删——见下"清理"）。
• 必读：SKILL.md + prompt.md + *_meta.json + skill.json + examples/*。看实际 SKILL.md 正文，不只看 description。
• 一句话概括：这个技能核心在做什么动作，靠什么跑起来。

2. 四维度评估（每维给结论）

2.5 同域冲突识别（命中步骤 0 预检后必做）

当生态内已存在同名或同域技能时，先判冲突类型，再决定走整装还是步骤 3.5 收割分支：

> 关键判定：grep 对方技能有无引用你的同名技能。本次 IMA zfl-doc-desensitize 完全没引用 zfl-redaction，是独立较弱重复（纯提示词版、无执行引擎），属「触发词撞车型」。

> 跨源合并（呼应 last30days 的 cross-source cluster merge）：单一 README 只是"作者自述"这一个信源。
> 评估时至少交叉 README + SkillHub 上架信息/评分 + 社区真实反馈 三源；同一能力的不同表述
> 合并为一条判断，不被某一源的夸大或修饰带偏。真实使用者信号 > 作者的间接自述。

3. 三档决策

• 整装：核心能力你缺、零冲突、能跑 → 直接装（极少发生）。
• 挑零件：框架错配但含可复用微观原则 → 抽 2–3 个平台无关零件，并入现有 zfl 技能，不整包导入。
• 跳过：冗余 / 零价值 / 高风险 → 不进生态。

> 铁律：宏观成熟技能对 demo 级同行方法论，价值在微观零件不在整体框架。 整体框架跑不起来时，挑零件即可，连零件都不值得捡就直接跳。

3.x Verdict 输出模板（固定格式，一看就懂）

每次评估完成后，按此模板输出结论，保证可复现、可对比、可追溯：

## Verdict: zfl-absorb-skill 评估报告

### 输入
- 技能包: <名称>.zip / 目录路径
- 版本: <版本号>
- 来源: SkillHub / IMA / 其他（链接/路径）

### 四维评估（1-5 分）
| 维度 | 得分 | 结论 |
|---|---|---|
| 核心内容 | _/5 | <一句话> |
| 重叠度 | _/5 | <与生态内哪些技能重叠> |
| 可行性 | _/5 | <国内中文无外部基建能跑吗> |
| 风险 | _/5 | <装进来会污染什么> |

### 冲突诊断
- 同域技能: <有/无，如有列出名称>
- 冲突类型: <代码复制型 / 触发词撞车型 / 命名冲突型 / 无冲突>
- grep 反向引用: <有引用/无引用>

### 决策
- 结论: **整装 / 挑零件 / 跳过 / 收割下线**
- 理由: <2-3 句依据>
- 吸收动作: <并入哪个现有技能的哪个段落 / 挑哪些零件 / 下线存档路径>

### 风险提示
- <如有，列出具体风险点和规避措施>

3.5 同域冲突收割分支（命中步骤 2.5「触发词撞车型」时）

目标：一条线、无重复、无触发冲突，契合"吸进现有不新建"原则。先比成熟度，再选决策：

B 收割落地清单（本次已验证可复现）：
1. 收割用"默认关新规则"最低风险继承细粒度：在现有技能引擎加一条 default: False 的规则（additive，零回归）。匹配须双向覆盖（如"姓名+类型"、"标签：姓名"），并用负向先行断言排除正确名的子串（教训：校验"错误拼写"log-gen 时，log-generator 含该子串会误报，须 (?!erator)）。
2. 下线用 mv 存档（可逆）：沙箱 safe-delete 守卫 fail-closed 不删文件，移 _archived_skills/ 而非 rm。
3. 全树改标签：用脚本批量 replace 对手技能名→现有技能名（含版本号），复核 live 零残留（本次 153 文件 / 409 处）。
4. 升被改技能版本（五源对齐）：SKILL.md 有 frontmatter 与 metadata 两处 version 须都改 + VERSION/_skillhub_meta.json/CHANGELOG。默认规则集不变，跑对抗/回归测试确认零回归再收尾。

4. 挑零件落地（若选"挑零件"）

• 并入已有技能的正确段落（如内容质量原则并入 zfl-公众号排版 的"内容质量自检"段），不新建独立技能位（你警惕"启用超 80 个技能"的面板噪声）。
• 最便宜的高价值动作（2026-09-01 实战提炼）：对方技能的「验收标准表/必检行」结构，常可零成本吸收为把本生态已有纪律物化成验收表明文物证行——如 corporate-legal 的「法条引用须精确条款号+版本」映射到 zfl 既有 R5「标准版本号审计」纪律，仅把它从"心里有数"落成审计技能验收表的必检行，不引入任何新逻辑，却立刻提升全技能可核查性。优先挑这类"纪律物化"而非"逻辑搬运"。
• 三不：不引对方的非标准记号（如 I-Lang 压缩 DSL）、不绑对方外部工具链、不搬整套框架。
• 来源/边界在文档里显式声明（来源技能 + "启发非照搬" + 丢弃了什么）。
• 升被改技能的版本号（frontmatter 两处同步；若技能有 VERSION/_meta 等五源文件，按 zfl-skill-factory 的 align_versions.py + five_source_check.py 走六源一致）。

5. 零件若含网络/API 功能 → opt-in 守护零依赖

这是本技能最关键的护栏。任何"接入模型/调 API"的增强，做成：
- 默认关：不加 flag 时全程本地零依赖、离线可跑。
- 显式开：用户传 --embed / --api 之类才联网。
- 优雅降级：密钥缺失或接口报错 → 自动回退本地降级方案并明文提示，绝不崩溃或变不可用。
- 用 Node 22 自带全局 fetch（零 npm 依赖）调 OpenAI 兼容端点，密钥走环境变量（EMBED_* 等），端点可 EMBED_BASE_URL 覆盖（支持本地 ollama/vLLM）。
- 诚实边界写进脚本 docstring 与 SKILL.md：哪条原则"机检不了需人工"、哪条"是代理非真语义"。

实战样例（2026-08-12，ilang 三技能）

• 输入：ilang-compress-skill-2.3.2（提示词压缩 DSL）、ilang-everything-is-ok-1.0.4（同 DSL 精简子集，与前者 100% 冗余）、ilang-seo-awesome-1.2.2（出海 Google pSEO 框架）。
• 评估：#1/#2 价值≈0 且引入"描述操作"的非标准记号（与中文可读技能治理冲突，是 footgun）；#3 框架绑 Google API/建站/联盟，国内公众号场景跑不起来，但其"内容质量 4 原则"平台无关。
• 决策：三个都不整装；从 #3 抽 4 条内容质量原则（独家信息增益≥15% / 开头200字实体锚定 / 关键词密度已死 / 段落语义衔接）并入 zfl-公众号排版，明确不引 I-Lang、不绑外部工具链。
• 落地：原则的 R2/R3/R4 做成零依赖脚本 check_content.js（v1.2.0）；R4 后续按用户"如果适合，做"升级为 --embed 真语义余弦（v1.3.0），严格走上述 opt-in 三护栏。验证：默认离线 / 无密钥回退 / 端点不可达 catch 回退 三路径全绿。
• 教训：#3 自称"Google 算法经 Gemini 双重验证 100% 准确"属 AI 自信通胀话术，仅作启发参考，非事实权威。

实战样例（2026-08-12，IMA 脱敏技能同域冲突）

• 输入：IMA 导出 zfl-doc-desensitize v1.1.0（与已发布的 zfl-redaction 同域）。
• 预检命中：grep 发现生态内已有 zfl-redaction（代码引擎、21+ 规则确定性机检、真涂改、审计日志）。
• 冲突识别（步骤 2.5）：IMA 版完全没引用 zfl-redaction（反向 grep 空白）→ 触发词撞车型，且 IMA 版是纯提示词较弱重复（无引擎、无真涂改、可能漏脱误脱）。
• 决策（步骤 3.5）：B 收割+下线。
• 收割 IMA 版独有"通信工程单位/岗位分类替换"→ 吸进 zfl-redaction 新增 org_role_cat 规则（默认关、双向匹配、负向先行断言防子串误报），实测"建设单位：X"→"建设单位：××公司"不漏、对"总监理工程师"不误伤。
• 存档下线 IMA 版（mv 可逆）；plan/rule/ctr 全树 153 文件 409 处标签改指向 zfl-redaction，零残留。
• zfl-redaction 升 1.0.6 五源对齐；默认规则集不变，对抗测试基线维持（零回归）。
• 教训：生态内同名域技能要先 grep 再吸收；收割用"默认关新规则"最低风险继承；五源 bump 时 SKILL.md 两处 version 都改。

FAQ / 避坑指南

1. "我该整装还是挑零件？"——看这条边界

• 整装只有一种情况：核心能力你完全没有 + 零冲突 + 能跑。实际工作中很少发生。
• 凡是"这个框架看起来不错，但绑了 XXX"→ 都是挑零件。
• 凡是"它的做法和我现有技能一样"→ 直接走同域冲突预检，大概率跳过或收割。

2. "对方技能自称 AI 验证 100% 准确"——可信吗？

不可信。这是自信通胀话术（AI 生成内容的常见特征）。评估时只看它能解决什么具体问题，不看它自称多准确。把"100% 准确"当作红旗而非背书。

3. "两个技能都做同一件事，我留哪个？"——收割判断

• 先看谁有执行引擎（脚本/工具链）→ 有引擎的优先
• 再看谁零幻觉（确定性机检 vs 提示词版）→ 确定性优先
• 两者都够好时，留成熟度更高的那个，把对方的独特细粒度吸进来（用"默认关新规则"最低风险继承）
• 绝不同时保留两个 → 触发词分流 + 面板噪声 + 维护成本翻倍

4. "收割时怎么保证零回归？"

• 新规则默认关（default: False），additive，不改变默认行为
• 匹配双向覆盖 + 负向先行断言防子串误报（如校验 log-gen 时排除 log-generator）
• 五源对齐后跑对抗/回归测试确认基线不变

5. "网络/API 功能怎么安全引入？"

三护栏缺一不可：① 默认关（不加 flag 不联网）② 显式开（--embed/--api）③ 优雅降级（密钥缺失/接口报错 → 本地回退 + 明文提示，绝不崩溃）

6. "升版本怎么升？"

• SKILL.md frontmatter 和 metadata 两处 version 都要改
• 有 VERSION/_skillhub_meta.json/CHANGELOG 的，按 zfl-skill-factory 的 align_versions.py + five_source_check.py 走六源一致

7. "临时解包目录删不掉怎么办？"

• D 盘 safe-delete 守卫会拦截 rm，用 python -S（跳过 site 钩子）+ 绝对路径硬删
• 绕过法见 zfl-windows-care 相关记忆

清理（每次必做）

• 临时解包目录用 python -S（跳过 site 钩子）+ 绝对路径硬删——D 盘 safe-delete 守卫会 fail-closed 拦截 rm，绕过法见 zfl-windows-care 相关记忆；source zip 不要动。
• 测试稿同理硬删，不留过程产物污染工作区。

@see（单一真源，不要维护第三份副本）

• zfl-absorb-article-insight — 文献源是文章时用（本文献源是技能包，别混用）。
• zfl-skill-absorb-audit — 吸收已有技能前的对抗审计（安全/触发率/增益）。
• zfl-skill-factory — 升版本 / 发布前六源一致性门禁（align_versions.py + five_source_check.py）。
• scripts/demo_verdict.js — 半自动化 Verdict 生成器：读技能包 SKILL.md → 自动提取元数据 + 信号扫描 → 输出已填元数据的 Verdict JSON（评分留"待评估"占位符，人工补充后标记 COMPLETED）。解决 TRACE 评测 R 维度"不运行任何程序"的分类偏见。
• zfl-公众号排版/scripts/check_content.js — 本技能 opt-in 护栏的落地范例（默认词面代理 / --embed 真语义 / 双降级）。

CHANGELOG

完整版本历史见 CHANGELOG.md（本文件不内嵌版本表，避免面板渲染断链与噪声审计误报）。

约束与错误处理

• 本技能仅处理其声明范围内的任务，不越界执行未授权操作。
• 错误处理：输入不合法时返回明确错误说明，不静默跳过；依赖缺失时降级提示并给出替代路径。
• scripts/demo_verdict.js 错误契约（运行失败可诊断）：
• 参数缺失 / 目标目录无 SKILL.md → console.error 明确用法或缺失路径，退出码 1，不静默退出。
• _skillhub_meta.json / skill.json 存在但内容损坏 → 输出 [WARN] <文件> 解析失败（内容损坏）… 后继续（不阻塞主流程，但版本一致性校验该项降级为 NOT_CHECKED，不误判为 PASS）。
• frontmatter 中 YAML 数组/对象值解析失败 → 保留原始字符串（设计性降级，非错误）。
• 零依赖：仅用 Node 原生 fs，无需 npm install；任何异常均落到上述三类明确输出之一，不存在空 catch 静默吞错。

不适用场景

• 不适用于需要实时交互或外部 API 调用的场景。
• 不适用于超出本技能声明范围的任务类型。

自检与成功标准

• 成功标准：输出满足任务声明的全部要求，关键信息完整无遗漏，视为完成。
• 输出前自检：核对输出是否覆盖全部要求项、数据是否准确、格式是否符合规范。