[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7APX5RYNBC0CE5EJFNCC7NS":3,"skill-same:01M7APX5RYNBC0CE5EJFNCC7NS":48},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":26,"commitSha":27,"skillDirectory":28,"forksCount":14,"repositoryHtmlUrl":29,"repositoryHomepageUrl":6,"ownerHtmlUrl":30,"ownerBlogUrl":31,"ownerDescription":32,"updatedAt":33,"install":34,"resources":47},"01M7APX5RYNBC0CE5EJFNCC7NS","source-audit",null,"外部高风险 claim 与研究贡献审计。Use when: 数字、benchmark、因果、趋势、模型能力、 外部论文或会进入 docs\u002FADR\u002FPPT 的结论。Not for: 低风险常识、只读官方原文且不外推、 已进入 deep-research 的重调研。Output: claim ledger + source \u002F non-triviality \u002F decision-fit 三轴 verdict + provenance。","peps1666\u002FBuildCrew-AI","peps1666","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F128503359?v=4","01M7APD9BQ6NTJ79J9FTB6YZGT","junhao zhou","01M7APD9CD06Q6CCJ22FYVG2AK",0,"MIT","https:\u002F\u002Fgithub.com\u002Fpeps1666\u002FBuildCrew-AI\u002Fblob\u002Fmain\u002Fcat-cafe-skills\u002Fsource-audit\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: source-audit\ndescription: >\n  外部高风险 claim 与研究贡献审计。Use when: 数字、benchmark、因果、趋势、模型能力、\n  外部论文或会进入 docs\u002FADR\u002FPPT 的结论。Not for: 低风险常识、只读官方原文且不外推、\n  已进入 deep-research 的重调研。Output: claim ledger + source \u002F non-triviality \u002F\n  decision-fit 三轴 verdict + provenance。\ntips_exempt: Existing audit quality contract refinement; no new user-facing capability or discovery moment.\n---\n\n# Source Audit\n\n## Why This Is a Skill\n\nF218 的事故不是模型凭空幻觉，而是外部不可靠信息源污染：多篇博客互引看起来像\"多方验证\"，但最终回到同一个营销来源。这个 skill 把\"这东西靠谱吗？\"绑到引用外部 claim 的动作上，补 WebSearch 和 deep-research 之间的中档。\n\n## Trigger\n\n准备把外部 claim 写进回复、research、PPT、ADR、spec 或 review 结论时，命中任一特征就跑：\n\n- 数字 \u002F 百分比 \u002F x 倍增长 \u002F benchmark 排名\n- 因果归因（\"失败是因为...\"）或趋势判断\n- 模型能力对比、论文结论、医学\u002F金融\u002F法律等高风险主题\n- 来源会进入长期文档，影响后续猫的判断链\n\n不触发：只回答低风险常识；只引用官方文档原文且不外推；已经按 deep-research 跑完整多源调研。\n\n## L0 判断力镜头：先换坐标系，再查细节\n\n这两副镜头来自家里的 Magic Words，不是给审计再加一套平行术语，也不能凭感觉代替证据。\n它们负责产生可证伪的反事实；一手来源、baseline、干预和 holdout 负责裁决。\n\n### 第一性原理 \u002F 数学之美\n\n先把论文去品牌化并缩成最小问题：\n\n1. 它声称原系统缺少什么能力，而不是缺少哪个作者命名的模块？\n2. `strongest_cheap_alternative` 是什么：强模型直接做、一句静态 prompt、短规则、\n   deterministic tool、retrieval \u002F cache，还是一次人工配置？\n3. 实验是否在独立证据上击败了这个替代物？\n4. 如果没有，claim ceiling 降到“自动搜索 \u002F elicitation \u002F 工程集成”，不得写成\n   “获得新能力 \u002F 证明自进化必要”。\n\n### 补锅匠 failure-mode audit\n\n看到连续局部机制、多个 fallback 或“再加一个 evaluator \u002F generator \u002F memory”时，不逐块\n验完就默认整条路线合理。做一次有边界的同类审计：\n\n1. 写出这些补丁共同在代偿的原始 failure mode；\n2. 区分真实世界约束与论文自己引入的坐标系；\n3. 问一个更直接的表示、契约或静态策略能否同时删掉多层；\n4. 对保留的每一层写明“去掉后哪条已观测证据会坏”；\n5. 若作者只证明每块都能工作、没证明原问题存在或整套不可约，保留 source validity，\n   但下调 non-triviality 与 decision fit。\n\n禁止把 Magic Word 当作否定论文的结论。“这像补锅匠”只能触发 failure-mode hypothesis；\n没有替代方案、ablation 或证据边界，就不能写 `reject`。\n\n## Claim Ledger\n\n先列 claim，再逐条审：\n\n| Claim | Metric \u002F comparator | Strongest cheap alternative \u002F claim ceiling | Scope \u002F denominator \u002F exclusions | Lifecycle cost \u002F unknowns | 原始来源 | Source verdict | Non-triviality verdict | Decision fit | Provenance |\n|-------|---------------------|---------------------------------------------|----------------------------------|---------------------------|----------|----------------|------------------------|--------------|------------|\n| ... | ... | ... | ... | ... | paper \u002F official \u002F vendor blog \u002F media \u002F forum | ... | ... | ... | ... |\n\n## 六问 Checklist\n\n1. **一手 or 二手？** 追到原始论文、官方文档、实验报告或数据集。多篇文章互相引用不等于多方验证。\n2. **利益冲突？** 卖产品\u002F咨询\u002F课程的一方说\"这个问题很严重\"要扣分，并标明动机。\n3. **方法可复核吗？** Peer review、博客、营销页都只是来源属性；继续查样本、指标定义、\n   baseline、实验代码\u002F数据、重复次数和不确定性。Peer-reviewed 不自动等于结论可复现。\n4. **时效性？** 标清发布时间、测试年份、模型\u002F版本。AI 领域旧模型数据不能直接论证新模型。\n5. **对象和决策匹配吗？** 区分“这个结果在它测的任务上成立”与“它能支持我们的决定”。\n   写清目标 workload、用户群、系统版本和未覆盖能力；家里体感只负责触发冲突调查，不能\n   反过来当作否定外部结果的证据。\n6. **测量与账本边界清楚吗？（防 true-but-incomplete）** 不要求证明一个不存在的“完整\n   世界账本”，而要重建**足以支持当前决定的 scoped ledger**：指标定义与 comparator；\n   分子、分母、排除项和自适应复用次数；系统边界、时间窗和生命周期成本（采集\u002F预处理、\n   在线调用、cache read\u002Fwrite\u002Fmiss、维护、人审）；质量、覆盖、延迟、可靠性等联动结果；\n   测不到的项明确记 `unknown`。缓存收益必须按目标 provider\u002Fmodel\u002Fworkload 的真实 usage\n   与计费规则测量，不能从“改了中间 context”直接推导“全 miss”或固定倍率。\n\n口诀可以保留：一切命运的馈赠都暗中标注价码（operator 原话）。但口诀不是证据；边界、\n观测值和 unknown 才是。\n\n### 性能 \u002F 成本 Claim 的最小执行格式\n\n凡“更准 \u002F 更快 \u002F 更省 \u002F SOTA”都要记录以下字段，但它们不是一张把两轴重新压平的\n通过\u002F失败清单：\n\n```text\nmeasured_construct: 它实际测了什么\ncomparator: 与谁比；版本和配置是否同条件\npopulation_and_denominator: 样本\u002F请求\u002F用户范围、分母、排除项\ndecision_boundary: 我们要据此做什么决定；目标 workload 和时间窗\nlifecycle_ledger: ingest\u002Fextract + query\u002Fretrieval + generation + cache + maintenance\u002Fhuman\ncoupled_outcomes: quality + coverage\u002Fabstention + latency + reliability + risk\nunknowns: 未报告或无法复核的项\n```\n\n研究贡献、Benchmark、Eval 或“自进化”claim 还要补：\n\n```text\nexact_claim: 去品牌化后到底声称什么\nevolving_object: weights \u002F memory \u002F skill \u002F harness \u002F judge \u002F task \u002F problem definition\nstrongest_cheap_alternative: 足以解释同一结果的最便宜可信方案\nevidence_roles: development \u002F selection \u002F holdout \u002F production\nfailure_mode_map: 各机制在修哪个根因；是否多层修同一个错坐标系\nclosure_map: task \u002F generator \u002F judge \u002F value owner\nclaim_ceiling: 当前证据最多允许写到哪里\n```\n\n- **Source verdict 的最低证据面**：`measured_construct`、`comparator`、\n  `population_and_denominator`，以及六问中足以复核方法的证据。若 claim 自称“总成本”或\n  “端到端”，`lifecycle_ledger` 也属于 measured construct 的定义。缺少这些 source-validity\n  证据时，Source verdict 最高只能 `use-with-caveat`。\n- **Decision fit 的最低证据面**：`decision_boundary`、与该决定相关的\n  `lifecycle_ledger` \u002F `coupled_outcomes`，以及明确的 `unknowns`。这些字段缺项**不降级已成立的 Source verdict**，\n  但 Decision fit 最高只能 `partial`；若连决策边界或目标 workload 都未知，则为 `none`。\n\n## Verdict（三轴，不压成一个总分）\n\n**Source verdict**（claim 在它声称的范围内是否站得住）：\n\n- `use`：方法与来源足以支持限定后的 claim。\n- `use-with-caveat`：可用但必须附限制，例如二手、旧模型、小样本、账本缺项。\n- `reject`：追不到证据、方法不支持结论、回声室互引，或 numerator\u002Fdenominator 不成立。\n- `escalate-to-deep-research`：claim 重要且证据冲突，单轮审计不够。\n\n**Non-triviality verdict**（复杂机制是否展示了超出最低充分替代物的增量）：\n\n- `demonstrated`：在合适的独立证据上击败强而可信的廉价替代物。\n- `not-compared`：只击败 naive \u002F 缺失 baseline，或没有排除 prompt、规则、retrieval 等解释。\n- `failed`：廉价替代物已经匹配 \u002F 击败该机制，或所谓进化只重新发现了预先可写出的规则。\n\n这根轴不反向污染 Source verdict：论文可以真实、可复现，却没有证明其复杂性或“自进化”\nclaim 的必要性。\n\n**Decision fit**（它能否支持我们眼前的决定）：\n\n- `direct`：对象、workload、约束和效用维度匹配。\n- `partial`：只覆盖决策向量的一部分；明确哪部分可迁移、哪部分未知。\n- `none`：claim 可能为真，但与当前决定正交或关键边界不匹配。\n\n## Provenance\n\n聊天短行：\n\n```text\n[一手\u002F二手 | 来源类型 | 数据年份 | 适用对象 | 置信度]\n```\n\ndocs\u002Fresearch \u002F ADR \u002F PPT 用 claim ledger 表。若 claim 被拒绝，也记录拒绝原因，防止后续重复捡回。\n\n## Common Mistakes\n\n| 错误 | 后果 | 修复 |\n|------|------|------|\n| 把搜索结果当证据 | 被 SEO \u002F 营销文带跑 | 搜索结果只算候选线索，必须追一手 |\n| 多篇博客互引就说\"多方验证\" | 回声室污染 | 画引用链，找到共同源头 |\n| 用旧模型数据论证新模型 | 对象错配 | 标测试模型\u002F年份，只谈适用范围 |\n| 只写 caveat 不改结论 | 弱证据仍污染判断 | verdict 决定表述强度；弱证据不能撑强结论 |\n| 把公开 benchmark 分数当产品总效用 | 测量构念被偷换 | 先写 measured construct，再单独判 decision fit |\n| 逐组件核验复杂 pipeline，却不问原能力缺口是否存在 | 每块都真实，整项贡献仍可能是补锅 | 触发补锅匠 failure-mode audit，找共同根因与可删层 |\n| 只与 naive baseline 比就声称“进化获得能力” | 把自动发现 \u002F elicitation 抬成新能力 | 过第一性原理 \u002F 数学之美，补 strongest cheap alternative 与 claim ceiling |\n| 把 Magic Word 当负面 verdict | 用家里审美代替外部证据 | Magic Word 只生成反事实；由 baseline、ablation、holdout 裁决 |\n| 宣称“完整账本”却不写边界和 unknown | 用完整感掩盖选择性记账 | 固定 workload \u002F 时间窗 \u002F 生命周期，未知项显式保留 |\n| 把联动风险写成必然因果 | 用一个营销故事替换另一个 | 记录待测机制；用 provider usage \u002F billing \u002F A-B 数据验证 |\n| 每个低风险事实都跑全表 | friction 过高 | 只对高风险 claim 跑 ledger |\n\n## Pressure Test\n\nMemU 65% 事件：输入多篇互引博客声称\"65% 企业 AI 失败归因 harness 缺陷\"。合格输出必须追到营销博客源头，识别商业利益冲突，不能把互引当独立验证，verdict 至少是 `use-with-caveat`，若没有一手证据则 `reject`。\n\nTrue-but-incomplete 事件：供应商声称“recall 输入从 10k 降到 2k，节约 80% token”。\n合格输出可以接受“该次 recall payload 降 80%”，但不得升级成“系统总成本降 80%”；必须\n补 extraction\u002Fingest、query、generation、cache write\u002Fread\u002Fmiss、质量\u002F覆盖和人工维护，\n缺数据记 `unknown`，再给独立的 decision-fit verdict。\n\n自进化沟通策略事件：论文用 rollout \u002F reflection 找到“模糊问题用文本、结构化字段用 UI”，\n但没有在 untouched holdout 上击败一句强静态规则。合格输出可以给限定后的 Source verdict\n`use`，但 Non-triviality verdict 必须是 `not-compared`，且不得把“搜索环能找到策略”升级成\n“只有自进化才能获得该能力”。\n\n## Related Skills\n\n- `deep-research`：重调研管道。source-audit 发现重要 claim 证据冲突时升级过去。\n- `memory-search-best-practices`：查家里历史来源图谱时使用；source-audit 只管外部 claim 的信源卫生。\n","# Source Audit\n\n## Why This Is a Skill\n\nF218 的事故不是模型凭空幻觉，而是外部不可靠信息源污染：多篇博客互引看起来像\"多方验证\"，但最终回到同一个营销来源。这个 skill 把\"这东西靠谱吗？\"绑到引用外部 claim 的动作上，补 WebSearch 和 deep-research 之间的中档。\n\n## Trigger\n\n准备把外部 claim 写进回复、research、PPT、ADR、spec 或 review 结论时，命中任一特征就跑：\n\n- 数字 \u002F 百分比 \u002F x 倍增长 \u002F benchmark 排名\n- 因果归因（\"失败是因为...\"）或趋势判断\n- 模型能力对比、论文结论、医学\u002F金融\u002F法律等高风险主题\n- 来源会进入长期文档，影响后续猫的判断链\n\n不触发：只回答低风险常识；只引用官方文档原文且不外推；已经按 deep-research 跑完整多源调研。\n\n## L0 判断力镜头：先换坐标系，再查细节\n\n这两副镜头来自家里的 Magic Words，不是给审计再加一套平行术语，也不能凭感觉代替证据。\n它们负责产生可证伪的反事实；一手来源、baseline、干预和 holdout 负责裁决。\n\n### 第一性原理 \u002F 数学之美\n\n先把论文去品牌化并缩成最小问题：\n\n1. 它声称原系统缺少什么能力，而不是缺少哪个作者命名的模块？\n2. `strongest_cheap_alternative` 是什么：强模型直接做、一句静态 prompt、短规则、\n   deterministic tool、retrieval \u002F cache，还是一次人工配置？\n3. 实验是否在独立证据上击败了这个替代物？\n4. 如果没有，claim ceiling 降到“自动搜索 \u002F elicitation \u002F 工程集成”，不得写成\n   “获得新能力 \u002F 证明自进化必要”。\n\n### 补锅匠 failure-mode audit\n\n看到连续局部机制、多个 fallback 或“再加一个 evaluator \u002F generator \u002F memory”时，不逐块\n验完就默认整条路线合理。做一次有边界的同类审计：\n\n1. 写出这些补丁共同在代偿的原始 failure mode；\n2. 区分真实世界约束与论文自己引入的坐标系；\n3. 问一个更直接的表示、契约或静态策略能否同时删掉多层；\n4. 对保留的每一层写明“去掉后哪条已观测证据会坏”；\n5. 若作者只证明每块都能工作、没证明原问题存在或整套不可约，保留 source validity，\n   但下调 non-triviality 与 decision fit。\n\n禁止把 Magic Word 当作否定论文的结论。“这像补锅匠”只能触发 failure-mode hypothesis；\n没有替代方案、ablation 或证据边界，就不能写 `reject`。\n\n## Claim Ledger\n\n先列 claim，再逐条审：\n\n| Claim | Metric \u002F comparator | Strongest cheap alternative \u002F claim ceiling | Scope \u002F denominator \u002F exclusions | Lifecycle cost \u002F unknowns | 原始来源 | Source verdict | Non-triviality verdict | Decision fit | Provenance |\n|-------|---------------------|---------------------------------------------|----------------------------------|---------------------------|----------|----------------|------------------------|--------------|------------|\n| ... | ... | ... | ... | ... | paper \u002F official \u002F vendor blog \u002F media \u002F forum | ... | ... | ... | ... |\n\n## 六问 Checklist\n\n1. **一手 or 二手？** 追到原始论文、官方文档、实验报告或数据集。多篇文章互相引用不等于多方验证。\n2. **利益冲突？** 卖产品\u002F咨询\u002F课程的一方说\"这个问题很严重\"要扣分，并标明动机。\n3. **方法可复核吗？** Peer review、博客、营销页都只是来源属性；继续查样本、指标定义、\n   baseline、实验代码\u002F数据、重复次数和不确定性。Peer-reviewed 不自动等于结论可复现。\n4. **时效性？** 标清发布时间、测试年份、模型\u002F版本。AI 领域旧模型数据不能直接论证新模型。\n5. **对象和决策匹配吗？** 区分“这个结果在它测的任务上成立”与“它能支持我们的决定”。\n   写清目标 workload、用户群、系统版本和未覆盖能力；家里体感只负责触发冲突调查，不能\n   反过来当作否定外部结果的证据。\n6. **测量与账本边界清楚吗？（防 true-but-incomplete）** 不要求证明一个不存在的“完整\n   世界账本”，而要重建**足以支持当前决定的 scoped ledger**：指标定义与 comparator；\n   分子、分母、排除项和自适应复用次数；系统边界、时间窗和生命周期成本（采集\u002F预处理、\n   在线调用、cache read\u002Fwrite\u002Fmiss、维护、人审）；质量、覆盖、延迟、可靠性等联动结果；\n   测不到的项明确记 `unknown`。缓存收益必须按目标 provider\u002Fmodel\u002Fworkload 的真实 usage\n   与计费规则测量，不能从“改了中间 context”直接推导“全 miss”或固定倍率。\n\n口诀可以保留：一切命运的馈赠都暗中标注价码（operator 原话）。但口诀不是证据；边界、\n观测值和 unknown 才是。\n\n### 性能 \u002F 成本 Claim 的最小执行格式\n\n凡“更准 \u002F 更快 \u002F 更省 \u002F SOTA”都要记录以下字段，但它们不是一张把两轴重新压平的\n通过\u002F失败清单：\n\n```text\nmeasured_construct: 它实际测了什么\ncomparator: 与谁比；版本和配置是否同条件\npopulation_and_denominator: 样本\u002F请求\u002F用户范围、分母、排除项\ndecision_boundary: 我们要据此做什么决定；目标 workload 和时间窗\nlifecycle_ledger: ingest\u002Fextract + query\u002Fretrieval + generation + cache + maintenance\u002Fhuman\ncoupled_outcomes: quality + coverage\u002Fabstention + latency + reliability + risk\nunknowns: 未报告或无法复核的项\n```\n\n研究贡献、Benchmark、Eval 或“自进化”claim 还要补：\n\n```text\nexact_claim: 去品牌化后到底声称什么\nevolving_object: weights \u002F memory \u002F skill \u002F harness \u002F judge \u002F task \u002F problem definition\nstrongest_cheap_alternative: 足以解释同一结果的最便宜可信方案\nevidence_roles: development \u002F selection \u002F holdout \u002F production\nfailure_mode_map: 各机制在修哪个根因；是否多层修同一个错坐标系\nclosure_map: task \u002F generator \u002F judge \u002F value owner\nclaim_ceiling: 当前证据最多允许写到哪里\n```\n\n- **Source verdict 的最低证据面**：`measured_construct`、`comparator`、\n  `population_and_denominator`，以及六问中足以复核方法的证据。若 claim 自称“总成本”或\n  “端到端”，`lifecycle_ledger` 也属于 measured construct 的定义。缺少这些 source-validity\n  证据时，Source verdict 最高只能 `use-with-caveat`。\n- **Decision fit 的最低证据面**：`decision_boundary`、与该决定相关的\n  `lifecycle_ledger` \u002F `coupled_outcomes`，以及明确的 `unknowns`。这些字段缺项**不降级已成立的 Source verdict**，\n  但 Decision fit 最高只能 `partial`；若连决策边界或目标 workload 都未知，则为 `none`。\n\n## Verdict（三轴，不压成一个总分）\n\n**Source verdict**（claim 在它声称的范围内是否站得住）：\n\n- `use`：方法与来源足以支持限定后的 claim。\n- `use-with-caveat`：可用但必须附限制，例如二手、旧模型、小样本、账本缺项。\n- `reject`：追不到证据、方法不支持结论、回声室互引，或 numerator\u002Fdenominator 不成立。\n- `escalate-to-deep-research`：claim 重要且证据冲突，单轮审计不够。\n\n**Non-triviality verdict**（复杂机制是否展示了超出最低充分替代物的增量）：\n\n- `demonstrated`：在合适的独立证据上击败强而可信的廉价替代物。\n- `not-compared`：只击败 naive \u002F 缺失 baseline，或没有排除 prompt、规则、retrieval 等解释。\n- `failed`：廉价替代物已经匹配 \u002F 击败该机制，或所谓进化只重新发现了预先可写出的规则。\n\n这根轴不反向污染 Source verdict：论文可以真实、可复现，却没有证明其复杂性或“自进化”\nclaim 的必要性。\n\n**Decision fit**（它能否支持我们眼前的决定）：\n\n- `direct`：对象、workload、约束和效用维度匹配。\n- `partial`：只覆盖决策向量的一部分；明确哪部分可迁移、哪部分未知。\n- `none`：claim 可能为真，但与当前决定正交或关键边界不匹配。\n\n## Provenance\n\n聊天短行：\n\n```text\n[一手\u002F二手 | 来源类型 | 数据年份 | 适用对象 | 置信度]\n```\n\ndocs\u002Fresearch \u002F ADR \u002F PPT 用 claim ledger 表。若 claim 被拒绝，也记录拒绝原因，防止后续重复捡回。\n\n## Common Mistakes\n\n| 错误 | 后果 | 修复 |\n|------|------|------|\n| 把搜索结果当证据 | 被 SEO \u002F 营销文带跑 | 搜索结果只算候选线索，必须追一手 |\n| 多篇博客互引就说\"多方验证\" | 回声室污染 | 画引用链，找到共同源头 |\n| 用旧模型数据论证新模型 | 对象错配 | 标测试模型\u002F年份，只谈适用范围 |\n| 只写 caveat 不改结论 | 弱证据仍污染判断 | verdict 决定表述强度；弱证据不能撑强结论 |\n| 把公开 benchmark 分数当产品总效用 | 测量构念被偷换 | 先写 measured construct，再单独判 decision fit |\n| 逐组件核验复杂 pipeline，却不问原能力缺口是否存在 | 每块都真实，整项贡献仍可能是补锅 | 触发补锅匠 failure-mode audit，找共同根因与可删层 |\n| 只与 naive baseline 比就声称“进化获得能力” | 把自动发现 \u002F elicitation 抬成新能力 | 过第一性原理 \u002F 数学之美，补 strongest cheap alternative 与 claim ceiling |\n| 把 Magic Word 当负面 verdict | 用家里审美代替外部证据 | Magic Word 只生成反事实；由 baseline、ablation、holdout 裁决 |\n| 宣称“完整账本”却不写边界和 unknown | 用完整感掩盖选择性记账 | 固定 workload \u002F 时间窗 \u002F 生命周期，未知项显式保留 |\n| 把联动风险写成必然因果 | 用一个营销故事替换另一个 | 记录待测机制；用 provider usage \u002F billing \u002F A-B 数据验证 |\n| 每个低风险事实都跑全表 | friction 过高 | 只对高风险 claim 跑 ledger |\n\n## Pressure Test\n\nMemU 65% 事件：输入多篇互引博客声称\"65% 企业 AI 失败归因 harness 缺陷\"。合格输出必须追到营销博客源头，识别商业利益冲突，不能把互引当独立验证，verdict 至少是 `use-with-caveat`，若没有一手证据则 `reject`。\n\nTrue-but-incomplete 事件：供应商声称“recall 输入从 10k 降到 2k，节约 80% token”。\n合格输出可以接受“该次 recall payload 降 80%”，但不得升级成“系统总成本降 80%”；必须\n补 extraction\u002Fingest、query、generation、cache write\u002Fread\u002Fmiss、质量\u002F覆盖和人工维护，\n缺数据记 `unknown`，再给独立的 decision-fit verdict。\n\n自进化沟通策略事件：论文用 rollout \u002F reflection 找到“模糊问题用文本、结构化字段用 UI”，\n但没有在 untouched holdout 上击败一句强静态规则。合格输出可以给限定后的 Source verdict\n`use`，但 Non-triviality verdict 必须是 `not-compared`，且不得把“搜索环能找到策略”升级成\n“只有自进化才能获得该能力”。\n\n## Related Skills\n\n- `deep-research`：重调研管道。source-audit 发现重要 claim 证据冲突时升级过去。\n- `memory-search-best-practices`：查家里历史来源图谱时使用；source-audit 只管外部 claim 的信源卫生。\n",{"name":5,"description":24,"tips_exempt":25},"外部高风险 claim 与研究贡献审计。Use when: 数字、benchmark、因果、趋势、模型能力、 外部论文或会进入 docs\u002FADR\u002FPPT 的结论。Not for: 低风险常识、只读官方原文且不外推、 已进入 deep-research 的重调研。Output: claim ledger + source \u002F non-triviality \u002F decision-fit 三轴 verdict + provenance。\n","Existing audit quality contract refinement; no new user-facing capability or discovery moment.","main","e43f83d5ceb309323cae7e0f31e5e48fd816a57d","cat-cafe-skills\u002Fsource-audit","https:\u002F\u002Fgithub.com\u002Fpeps1666\u002FBuildCrew-AI","https:\u002F\u002Fgithub.com\u002Fpeps1666","https:\u002F\u002Fwww.cug.edu.cn\u002F","My name is Zhou Junhao, and I am from China University of Geosciences (Wuhan). My major is Resources and Environment, and my research direction is Remote Sensin","2026-08-16 00:25:38",{"source":8,"skillName":5,"commands":35,"prompt":45,"zipAvailable":46},[36,39,42],{"tool":37,"command":38},"npx","npx skills add peps1666\u002FBuildCrew-AI --skill source-audit",{"tool":40,"command":41},"bunx","bunx skills add peps1666\u002FBuildCrew-AI --skill source-audit",{"tool":43,"command":44},"pnpm","pnpm dlx skills add peps1666\u002FBuildCrew-AI --skill source-audit","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fpeps1666\u002FBuildCrew-AI\u002Fblob\u002Fmain\u002Fcat-cafe-skills\u002Fsource-audit\u002FSKILL.md",true,[],[49,55,62,69,76,83],{"skillNo":50,"name":51,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":52,"categories":53,"keywords":54,"publishedAt":19},"01M7APYYSHV2SSSRV5Q15JWWPF","plugin-reconcile-skill","https:\u002F\u002Fgithub.com\u002Fpeps1666\u002FBuildCrew-AI\u002Fblob\u002Fmain\u002Fplugins\u002Ftest-reconcile-plugin-regr\u002Fskills\u002Fplugin-reconcile-skill\u002FSKILL.md",[],[],{"skillNo":56,"name":57,"nameZh":6,"description":58,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":59,"categories":60,"keywords":61,"publishedAt":19},"01M7APYWAJ119TPF079F2AXWAS","weixin-mp","通过 Limb 体系操作微信公众号：发布文章、上传图片、管理草稿。 Use when: 需要发布内容到微信公众号、查看草稿、检查公众号连接状态。 Not for: 其他平台的发布、纯文本聊天、非公众号相关操作。 Output: 微信公众号操作结果（发布ID、草稿列表、图片URL等）。","https:\u002F\u002Fgithub.com\u002Fpeps1666\u002FBuildCrew-AI\u002Fblob\u002Fmain\u002Fpackages\u002Fapi\u002Fsrc\u002Fplugins\u002Fweixin-mp\u002Fskills\u002Fweixin-mp\u002FSKILL.md",[],[],{"skillNo":63,"name":64,"nameZh":6,"description":65,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":66,"categories":67,"keywords":68,"publishedAt":19},"01M7APYNNEMBP2T62WT0JT7GNE","writing-skills","创建或修改 Clowder AI skill \u002F MCP tool description 的元技能（含质量标准、范本、发布）。 Use when: 写新 skill、修改现有 skill、写\u002F改 MCP tool description、验证 skill 质量； 或者功能实现中产出了 SKILL.md \u002F cat-cafe-skills\u002F 新目录 \u002F manifest.yaml skill 条目。 Not for: 使用 skill（直接触发对应 skill）。 Output: 新\u002F更新的 SKILL.md + manifest 条目 + symlinks。 GOTCHA: 软硬同重——skill\u002FMCP 质量 = 代码质量；不要写模型已知的通用教程，先过价值门禁。","https:\u002F\u002Fgithub.com\u002Fpeps1666\u002FBuildCrew-AI\u002Fblob\u002Fmain\u002Fcat-cafe-skills\u002Fwriting-skills\u002FSKILL.md",[],[],{"skillNo":70,"name":71,"nameZh":6,"description":72,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":73,"categories":74,"keywords":75,"publishedAt":19},"01M7APYHJDXRH9EDP5D3JZHSVN","writing-plans","将 spec\u002F需求拆分为可执行的分步实施计划。 Use when: 有 spec 或需求，准备动手前需要拆分步骤。 Not for: trivial 改动（≤5 行）、已有详细计划。 Output: 分步实施计划（含 TDD 步骤和检查点）。","https:\u002F\u002Fgithub.com\u002Fpeps1666\u002FBuildCrew-AI\u002Fblob\u002Fmain\u002Fcat-cafe-skills\u002Fwriting-plans\u002FSKILL.md",[],[],{"skillNo":77,"name":78,"nameZh":6,"description":79,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":80,"categories":81,"keywords":82,"publishedAt":19},"01M7APYD2SSZ6Y6CF5SD3YZ5C0","worktree","为代码、脚本、API 与第一方执行面创建隔离 Git worktree，并配置 Redis 6398；classifier 放行的 co-creation docs direct push 不进入本流程。","https:\u002F\u002Fgithub.com\u002Fpeps1666\u002FBuildCrew-AI\u002Fblob\u002Fmain\u002Fcat-cafe-skills\u002Fworktree\u002FSKILL.md",[],[],{"skillNo":84,"name":85,"nameZh":6,"description":86,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":87,"categories":88,"keywords":89,"publishedAt":19},"01M7APY8R4E7RR2WZVPH9V8WWP","workspace-navigator","猫猫把“打开文档、代码或日志”等模糊意图解析成本地绝对路径或 worktree 相对路径，并返回 applied、queued、blocked 或 unconfirmed 的真实 Workspace 投递状态。","https:\u002F\u002Fgithub.com\u002Fpeps1666\u002FBuildCrew-AI\u002Fblob\u002Fmain\u002Fcat-cafe-skills\u002Fworkspace-navigator\u002FSKILL.md",[],[]]