Unify skills under repository root

2026-05-08 10:54:27 +08:00
parent dcc43adaa6
commit 37fc367304
16 changed files with 967 additions and 6 deletions
@@ -0,0 +1,319 @@
+---
+name: product-data
+description: 从产品/标签定义、手写边界规则或示例 query 中提取标签边界，并生成可 review 的数据计划、dataset draft text 和 canonical metadata records。
+when_to_use: 当用户提供产品定义、标签规则、路由边界文档、示例 query、手写标签边界，并希望生成训练/评测/专项数据时使用。
+aliases: definition-data, label-data
+allowed_tools: read_file, write_file, edit_file, grep_search, glob_search, ask_user_question, data_agent_load_input_sources, data_agent_render_source_context, data_agent_extract_case_evidence, data_agent_prepare_generation_goal, data_agent_confirm_generation_goal, data_agent_prepare_generation_plan, data_agent_show_generation_plan, data_agent_update_generation_plan, data_agent_confirm_generation_plan, data_agent_normalize_dataset_draft, data_agent_validate_dataset_records, data_agent_export_dataset_records
+---
+
+使用这个 skill 作为“产品/标签定义/手写规则/示例 query -> 输入文本化 -> generation goal 草案 -> 人工 review -> 生成计划 review -> dataset draft text -> canonical metadata records”的统一入口。
+
+本 skill 内置数据记录生成协议。其他数据开发 skill 如果需要生成或整理标准数据，可以复用这里的“交互门禁、dataset draft text v1、canonical record v1”规则。
+
+## 输入假设
+
+用户可能会提供：
+
+- 产品定义文档、标签定义文档、路由规则文档。
+- 表格、Markdown、JSON、CSV 或普通文本里的标签定义。
+- 手写的标签边界规则。
+- 一组 example query、badcase、正例或反例。
+- 已知边界冲突，例如某类 query 应该进入哪个 Agent/function。
+
+输入可能不完整或存在歧义。保留不确定性，不要自行发明隐藏规则。
+
+## 任务定位
+
+先判断用户输入属于哪一类：
+
+1. **文件定义型**：用户提供文件路径、文档、表格或粘贴的大段定义内容。
+2. **手写规则型**：用户直接描述标签边界，例如“找附近美食是餐饮服务，导航去某地是地图导航”。
+3. **示例归纳型**：用户只给 query/example/badcase，需要先归纳边界和标签倾向。
+
+三类输入最后都要统一产出：
+
+```text
+dataset_label:
+target 或 target_definitions:
+plan_hint:
+coverage:
+exclusions:
+open_questions:
+source_refs:
+```
+
+这一步称为 `generation_goal`。它是模型基于输入资料整理出的数据生成目标草案，不是最终生成计划。
+
+`generation_goal` 必须先展示给用户 review。只有用户确认 generation goal 后，才能进入本 skill 内置的 generation plan review 流程。
+
+## 交互门禁
+
+默认不要一步到位生成数据。除非用户已经明确说“开始生成”“确认计划”“按这个计划生成”或同义表达，否则只能做目标对齐、计划草案和问题确认。
+
+为了减少重复确认，优先按下面两种门禁模式选择：
+
+- **一次确认模式**：用户直接给出手写规则、完整 target 表达，并且明确希望生成数据时，直接调用 `data_agent_prepare_generation_plan`，传 `direct_review=true` 和 `target_definitions`。这一次 review 同时确认目标、数量、轮次和路径；用户回复“确认，开始生成”后即可调用 `data_agent_confirm_generation_plan`。
+- **两段确认模式**：用户提供文件、表格、badcase、长文档，或者标签/边界/字段含义有歧义时，先用 `data_agent_prepare_generation_goal` 做目标 review；目标确认后再做 plan review。
+
+所有数据产物必须放在当前用户当前会话的 output 目录下。不要把 records、draft 或 validation 写到项目根目录的 `output/`、`tasks/` 或其他源码目录。canonical records 的稳定输出文件名固定为 `output/records.jsonl`，不要按数据集名创建子目录，不要自定义时间戳、中文专题名或随机文件名。工具会把相对 `output_path` 自动路由到会话 output 目录，并把 records 路径归一到当前会话 `output/records.jsonl`；展示给用户时以工具返回的实际路径为准。
+
+开始生成前必须确认这些信息：
+
+- `dataset_label`：数据集或专题名称。
+- `target` / `target_definitions`：最终监督标签。单标签任务用 `target`，多标签边界任务必须用 `target_definitions` 列出每个标签和判定规则。
+- 生成数量：总条数，以及单轮/多轮数量或比例。
+- 覆盖范围：需要覆盖哪些 query 类型、意图边界或错误类型。
+- 负例/排除项：哪些表达不要生成，或哪些边界容易误判。
+- 落盘路径：canonical records 固定使用 `output/records.jsonl`，由工具路由到当前会话 output 目录。
+
+如果任一信息缺失，不要生成数据，不要调用 `data_agent_prepare_generation_plan`，不要调用 `data_agent_normalize_dataset_draft`，不要调用 `data_agent_validate_dataset_records`，只向用户提出需要确认的问题。
+
+两段确认模式下，信息完整后，调用 `data_agent_prepare_generation_goal` 创建 pending goal。这个工具会暂停本轮，必须把返回的 `generation_goal` 展示给用户 review。用户确认 goal 之后，调用 `data_agent_confirm_generation_goal` 获取 `confirmed_goal_id`，再调用 `data_agent_prepare_generation_plan` 创建 pending plan。创建 plan 后也会暂停本轮，必须等待用户 review。
+
+一次确认模式下，不要先创建 generation goal；直接创建 pending plan，并在 plan 里包含 `target_definitions`、`total_count`、`turn_mix`、`coverage`、`exclusions`、`output_path`。`output_path` 固定传 `output/records.jsonl`。不要让用户先确认目标再确认计划。
+
+用户确认后，拿到 `confirmed_plan_id`，才能生成 dataset draft text，并继续调用工具。
+
+`data_agent_normalize_dataset_draft` 对生成数据有代码级门禁：没有 `confirmed_plan_id`，或者计划未确认，会拒绝执行。
+
+如果用户在原始需求里已经写出 `Agent(tag="xxx")`、function 调用或其他完整标签表达，`target` 必须原样保留这个完整表达，不要简化成纯标签名。例如用户说 `Agent(tag="餐饮服务")`，则 `target_definitions[*].target` 和后续 draft 的 `target:` 都必须写 `Agent(tag="餐饮服务")`，不要写成 `餐饮服务`。
+
+review 展示必须简短清晰，不要重复解释工具和流程。每次 review 最多展示 6 行，格式优先如下：
+
+```text
+我先把生成目标整理好了，先确认边界，暂时不生成数据。
+- 数据集：xxx
+- 标签：A -> Agent(tag="A")；B -> Agent(tag="B")
+- 边界：一句话说明核心判定规则
+- 覆盖：一句话说明主要 case 类型
+- 内部：goal_id `...`，revision `...`
+
+你看这个目标是否准确？没问题就回“确认目标”；想改的话直接说哪里不对。
+```
+
+计划 review 也最多展示 6 行，只展示数量、轮次、覆盖、输出路径和确认口令。不要把 goal 的完整内容再次复制到 plan review 中，开头必须说明“目标已确认，现在只补充生成参数，标签边界沿用上一步”。确认口令可以自然一点，例如“如果这个数量和路径可以，就回‘确认，开始生成’；想调整就直接说，比如‘改成 20 条，全单轮’。”
+
+多标签边界数据不要拆成多个互不相关的单标签计划。应该创建一个计划，并在 `target_definitions` 中列出所有候选标签。例如：
+
+```json
+[
+  {
+    "name": "餐饮服务",
+    "target": "Agent(tag=\"餐饮服务\")",
+    "rule": "找附近的美食、奶茶、餐厅等，没有明确要求导航。"
+  },
+  {
+    "name": "地图导航",
+    "target": "Agent(tag=\"地图导航\")",
+    "rule": "明确出现导航去某地点、带我去某地点、路线规划等。"
+  }
+]
+```
+
+生成 draft text 时，每条 case 的 `target:` 必须从已确认计划的 `target` 或 `target_definitions[*].target` 中选择。不要临时发明新 target。
+
+## 必须遵守的数据生成协议
+
+不要直接生成 canonical JSON，不要直接导出最终训练/评测格式，不要绕过人类 review。
+
+如果需要生成数据，必须按顺序执行：
+
+1. 用 `data_agent_load_input_sources` 读取文件。
+2. 用 `data_agent_render_source_context` 把输入渲染成大模型可读 evidence text。
+3. 大模型只基于 evidence text 抽取 `generation_goal`，包括 `dataset_label`、`target_definitions`、`plan_hint`、`coverage`、`exclusions`、`open_questions`、`source_refs`。
+4. 如果目标标签、边界或字段含义不清楚，先用普通回复向用户提问并停止。
+5. 如果是手写规则且信息完整，调用 `data_agent_prepare_generation_plan`，设置 `direct_review=true`，创建一次确认的 pending 计划，并停止等待用户 review。
+6. 如果是文件/示例归纳/歧义场景，调用 `data_agent_prepare_generation_goal` 创建 pending goal，并停止等待用户 review。
+7. 用户确认 generation goal 后，调用 `data_agent_confirm_generation_goal` 获取 `confirmed_goal_id`，再调用 `data_agent_prepare_generation_plan` 创建 pending 计划。
+8. 展示计划后停止本轮，等待用户 review。
+9. 用户提出修改意见时，调用 `data_agent_update_generation_plan`，再展示计划。
+10. 用户明确确认当前计划版本后，调用 `data_agent_confirm_generation_plan`。
+11. 生成 dataset draft text v1。
+12. 调用 `data_agent_normalize_dataset_draft`，必须传入 `confirmed_plan_id`。
+13. 调用 `data_agent_validate_dataset_records`。
+14. 如果用户要求落盘 canonical records，调用 `data_agent_export_dataset_records`，`output_path` 固定传 `output/records.jsonl`，默认导出紧凑 JSONL，不要用 `write_file` 手写 JSON。
+15. 本阶段默认只推进到 canonical metadata records；除非用户另行要求，不做最终训练/评测格式导出。
+
+## 数据生成输出格式
+
+当需要生成数据样本时，默认使用 dataset draft text v1，不要直接输出 JSON、JSONL、CSV 或最终表格格式。除非用户明确要求机器可读格式，否则优先输出便于人工 review 的文本格式。
+
+### 格式
+
+```text
+# dataset_label: 数据集或专题名称
+
+### case: case名称
+用户: 本轮 query
+target: Agent(tag="xxx")
+notes: 可选，说明覆盖的问题或边界
+
+### case: 多轮 case 名称
+用户: 前一轮 query
+小爱: 前一轮 tts
+用户: 本轮 query
+target: Agent(tag="xxx")
+notes: 可选，说明覆盖的问题或边界
+```
+
+### 规则
+
+- 每条数据用一个 `### case:` 开始。
+- `用户:` 表示用户 query。
+- `小爱:` 表示小爱回复 tts。
+- 最后一个 `用户:` 是本轮 query。
+- `target:` 是本轮 query 对应的监督标签，必须存在。
+- 单轮数据只需要写一行 `用户:`，然后写 `target:`。
+- 多轮数据需要按照时间顺序写多组 `用户:` / `小爱:`。
+- 多轮数据的最后一轮只写 `用户:` 和 `target:`，不要写最后一轮 `小爱:`，因为本轮 query 不包含 tts。
+- 如果 `target` 无法确定，不要编造，必须向用户确认。
+- 不要手写 `record_id`、`request_id`、`timestamp`、`context`。
+- 线上挖掘数据如有真实 `request_id` 和 `timestamp`，可以附加在 case 中；没有则不写。
+
+## Canonical Record
+
+`data_agent_normalize_dataset_draft` 会把 dataset draft text 转成 canonical records，并统一补齐 `record_id`、`source`、`timestamp`、`context`、`target_type` 等机械字段。
+
+canonical records 落盘必须使用 `data_agent_export_dataset_records`，默认格式是紧凑 JSONL：一行一个 canonical record，不带外层数组，不手写缩进 JSON。默认 `output_path` 固定传 `output/records.jsonl`；不要传 `output/<数据集名>/records.jsonl`，不要传 `tasks/...`，不要自定义文件名。只有用户明确要求兼容旧文件时，才使用 `output_format="json"` 导出紧凑 JSON 数组，此时工具会归一为 `output/records.json`。
+
+当前 canonical record v1 工作格式：
+
+```json
+{
+  "record_id": "gen_aabbccdd_000001",
+  "source": {
+    "type": "generated",
+    "request_id": "aabbccdd",
+    "timestamp": 1755567930500
+  },
+  "turn": {
+    "query": "本轮 query",
+    "timestamp": 1755567930500
+  },
+  "prev_session": [
+    {
+      "query": "前一轮 query",
+      "tts": "前一轮 tts",
+      "timestamp": 1755567870500
+    }
+  ],
+  "context": {},
+  "label": {
+    "dataset_label": "数据集或专题名称",
+    "target": "Agent(tag=\"xxx\")",
+    "target_type": "agent"
+  },
+  "meta": {
+    "case_name": "case名称",
+    "notes": ""
+  }
+}
+```
+
+## 场景工作流
+
+### 文件定义型
+
+1. 使用 `data_agent_load_input_sources` 读取用户提供的文件。
+2. 如果用户只描述了文件名或主题但没给路径，先询问路径，不要猜。
+3. 使用 `data_agent_render_source_context` 文本化输入资料，必要时用 `focus_keywords` 缩小到 query、功能点、标签、badcase 相关内容。
+4. 大模型基于 evidence text 总结 query 语义、功能点、边界、正例、反例、冲突点和缺失假设。
+5. 把标签边界整理为 `generation_goal.target_definitions`。
+6. 如果文档里没有明确 target 格式，向用户确认，例如 `Agent(tag="xxx")` 还是 function 调用格式。
+7. 调用 `data_agent_prepare_generation_goal`，由工具暂停等待用户 review；用户确认后再调用 `data_agent_confirm_generation_goal` 和 `data_agent_prepare_generation_plan`。
+
+### 手写规则型
+
+1. 直接从用户描述里抽取标签边界。
+2. 多标签边界必须使用 `target_definitions`，不要拆成多个无关单标签计划。
+3. 识别规则中的冲突词、优先级和反例。
+4. 如果用户已经给出完整 target 表达，直接写入 `target_definitions`；如果 target 表达不明确，先提出问题。
+5. 如果数量、轮次或输出路径未指定，可以由模型给出保守建议，走一次确认模式；不要为了这些默认参数单独多问一轮。
+6. 调用 `data_agent_prepare_generation_plan`，传入 `direct_review=true`，让用户一次确认目标和生成参数。
+
+### 示例归纳型
+
+1. 先把 example query / badcase 按意图和可能标签分组。
+2. 输出边界归纳和不确定点，不要马上生成数据。
+3. 如果 query 没有明确正确标签，必须向用户确认标签或允许的 target 集合。
+4. 用户确认后，整理为 `generation_goal.target_definitions` 和 `generation_goal.coverage`。
+5. 调用 `data_agent_prepare_generation_goal` 展示 `generation_goal` 给用户 review；用户确认后再调用 `data_agent_confirm_generation_goal` 和 `data_agent_prepare_generation_plan`。
+
+## Generation Goal 草案格式
+
+大模型完成产品定义或 badcase 分析后，先输出下面的草案给用户 review：
+
+```json
+{
+  "dataset_label": "数据集或专题名称",
+  "goal_summary": "这批数据要解决什么问题",
+  "target_definitions": [
+    {
+      "name": "标签名称",
+      "target": "Agent(tag=\"xxx\") 或 function 调用",
+      "rule": "哪些 query 应该进入这个标签",
+      "positive_examples": [],
+      "negative_examples": [],
+      "boundary_notes": [],
+      "source_refs": []
+    }
+  ],
+  "plan_hint": "建议先生成 50 条单轮，输出到 output/records.jsonl；具体数量和轮次在 generation plan 中确认。",
+  "coverage": "需要覆盖的 query 语义、功能点、错误类型",
+  "exclusions": "不要生成或需要排除的表达",
+  "open_questions": [],
+  "source_refs": []
+}
+```
+
+`generation_goal` 只确认“做什么数据、为什么做、标签边界是什么”。不要在 goal 中维护结构化的 `total_count`、`turn_mix` 或 `output_path`；这些字段属于后续 `generation_plan`。如果需要在 goal review 阶段提示执行方向，只写一句 `plan_hint`，例如“建议先生成 50 条单轮，输出到 output/records.jsonl；具体数量和轮次在 generation plan 中确认”。
+
+如果未来增加 `data_agent_validate_generation_goal`，它只做结构校验和缺失字段提示，不做语义判断，不替代用户 review，也不替代 `data_agent_prepare_generation_plan`。
+
+现在已经有代码级 goal review 门禁：不要手写 goal 后直接进入 plan，必须先调用 `data_agent_prepare_generation_goal`，并在用户确认后用 `data_agent_confirm_generation_goal` 取得 `confirmed_goal_id`。
+
+## 计划中的专用工具
+
+当前前链路只保留三个工具。不要再假设有 `data_agent_load_definition_source`、`data_agent_extract_target_definitions` 这类更细工具。
+
+### `data_agent_load_input_sources`
+
+读取目录或文件，统一抽取 `xlsx/csv/docx/pdf/txt/md/json/jsonl` 的段落、表格预览、行数据样例和 source refs。
+
+### `data_agent_render_source_context`
+
+把 `data_agent_load_input_sources` 的结构化结果渲染成大模型可读的 evidence text。产品定义/PRD/走查文档的语义理解应该基于这个文本由大模型完成，不要依赖程序规则直接抽语义。
+
+### `data_agent_extract_case_evidence`
+
+从 badcase、评测表、走查表里识别 query、上下文、预期标签、模型预测、类型和备注。字段不明确时，它会返回 `required_questions`，此时必须向用户确认字段含义。
+
+## 当前可用工具
+
+- `read_file`：读取用户提供的产品定义、标签定义、样例 query 文件。
+- `write_file`：在用户确认后落盘 draft、校验结果或说明文档；不要用它手写 canonical records 文件。
+- `edit_file`：修改已有的计划、说明文档或生成结果文件。
+- `grep_search`：在项目中搜索已有标签定义、历史数据样例或相关文档。
+- `glob_search`：按路径模式查找定义文件、样例文件或历史产物。
+- `ask_user_question`：需要用户明确选择或补充关键信息时使用；如果不可用，就用普通回复提问并停止。
+- `data_agent_load_input_sources`：读取用户给的目录或文件，把 docx/xlsx/pdf 等输入统一抽成段落、表格和 source refs。
+- `data_agent_render_source_context`：把结构化输入渲染成大模型可读文本，支持 `max_chars`、表格行数和关键词过滤，用于后续模型语义抽取。
+- `data_agent_extract_case_evidence`：从 badcase/评测/走查表中抽取 query、预期标签、模型预测、上下文和备注；字段歧义会返回需要确认的问题。
+- `data_agent_prepare_generation_goal`：在已经整理出 `dataset_label`、`target_definitions`、`plan_hint`、`coverage`、`exclusions`、`source_refs` 后，创建待 review 的 generation goal；调用后本轮会暂停等待用户 review。
+- `data_agent_confirm_generation_goal`：用户明确确认 generation goal 后使用，获取 `confirmed_goal_id`。
+- `data_agent_prepare_generation_plan`：在 generation goal 已确认后创建待 review 的生成计划；必须传入 `confirmed_goal_id`，调用后本轮会暂停等待用户 review。
+- `data_agent_show_generation_plan`：用户要求查看当前计划，或继续上下文时需要恢复计划详情时使用。
+- `data_agent_update_generation_plan`：用户对计划提出修改意见后使用，更新计划并重新展示。
+- `data_agent_confirm_generation_plan`：用户明确确认当前计划版本后使用，获取 `confirmed_plan_id`。
+- `data_agent_normalize_dataset_draft`：用户确认计划后，把 dataset draft text v1 转成 canonical records；必须传入 `confirmed_plan_id`。
+- `data_agent_validate_dataset_records`：对 canonical records 做结构、标签、时间戳和多轮上下文校验。
+- `data_agent_export_dataset_records`：校验 canonical records 并落盘；默认写紧凑 JSONL，一行一条，固定传 `output/records.jsonl`，不要再用 `write_file` 手写 records 文件。
+
+## 约束
+
+- 不要静默解决产品或标签歧义。
+- 如果 `ask_user_question` 不可用，使用普通回复向用户提问并停止，不要自己替用户确认。
+- canonical records 通过校验前，不要生成最终导出格式。
+- canonical records 需要落盘时，必须用 `data_agent_export_dataset_records`；不要自己拼接 JSON/JSONL；不要创建数据集子目录或自定义 records 文件名。
+- 除非用户明确要求，否则不要把“修改标签定义”和“生成数据”混在一起做。
+- 不要因为用户说“生成一些数据”就跳过边界总结和 generation plan review。