artisan-expert-generator

基于职业身份知识结构自动生成专家Skill；支持6维度采集、用户私有知识融合、框架提炼、质量验证与双Agent精炼。当用户需要创建职业专家助手、构建领域专业视角或生成标准化专业知识输出时使用此工具即可

Safety Notice

This listing is from the official public ClawHub registry. Review SKILL.md and referenced scripts before running.

Copy this and send it to your AI assistant to learn

Install skill "artisan-expert-generator" with this command: npx skills add artisan-expert-generator

职业专家Skill生成器

核心理念

Artisan 不是复制职业知识，是提炼专业视角。

一个好的职业专家 Skill 是一套可运行的专业认知操作系统：

  • 他用什么专业视角内核看问题？（方法论核心）
  • 他用什么分析框架做判断？（步骤和流程）
  • 他怎么表达？（专业语言规范和风格）
  • 他绝对不会做什么？（职业伦理边界）
  • 什么是这个专家做不到的？（能力边界）

关键区分：捕捉的是职业视角的本质，不是职业知识的堆砌。

职业身份 vs 人物身份

维度人物 Skill（女娲）职业专家 Skill（Artisan）
蒸馏对象具体个人的思维框架职业身份的专业视角
知识来源个人著作、访谈、演讲专业文献、法规、案例、标准
思维框架个人独创的心智模型职业共识方法论 + 行业实践
表达风格模仿个人的语言特征遵循职业表达规范
可验证性对比个人公开表态对比行业标准和专业共识
时效性需跟踪个人最新动态更新专业法规和行业实践

任务目标

  • 本 Skill 用于：根据用户提供的职业身份信息，生成符合规范的职业专家Skill
  • 能力包含：信息采集引导、框架提炼指导、Skill结构生成、质量验证
  • 触发条件：用户说"创建XX专家"、"生成XX职业Skill"、"我需要一个XX领域的顾问"

前置准备

  • 依赖说明：scripts依赖pypdf、python-docx、PyYAML、markdown
  • 用户准备：
    • 明确职业身份（如"刑法律师"、"明史专家"）
    • 可选：上传私有知识文件（PDF/Word/Markdown）
    • 可选：提供应用场景偏好（如"合同审查"、"风险评估"）

操作步骤

Phase 0: 入口分流

  • 识别输入类型（明确职业/模糊需求）
  • 确认专家身份定义
  • 收集用户私有知识（可选）
  • 收集用户偏好配置（可选）

Phase 1: 六维度信息采集

  • 维度1: 学科基础（核心概念、理论框架）
  • 维度2: 法规规范（法律法规、行业规范）
  • 维度3: 方法论（分析框架、决策流程）
  • 维度4: 典型案例（经典案例、解决方案）
  • 维度5: 行业实践（实务技巧、行业惯例）
  • 维度6: 表达规范（专业术语、文书格式）

用户私有知识处理：

  • 调用 python scripts/parse_document.py --file_path <路径> 解析文件
  • 将内容归入对应维度

详见：6维度采集详细指南

Phase 1.5: 采集确认检查点（必须用户确认）

展示内容：

  • 各维度采集数量和关键发现
  • 信息源类型占比（一手/学术/实务）
  • 矛盾点和信息缺口
  • 用户知识贡献度

用户操作：

  • [确认] 信息准确完整，继续构建专家Skill
  • [补充] 添加更多资料或方向 → 增量采集
  • [修改] 调整采集方向 → 重新采集
  • [重新采集] 从头开始

Phase 2: 专家框架提炼

  • 提取知识体系（核心概念、理论框架）
  • 构建分析框架（分析步骤、决策流程）
  • 提炼决策启发式（快速规则）
  • 定义伦理边界（职业禁忌、能力边界）
  • 融合用户偏好（风格配置、关注重点）

Phase 2.5: 提炼确认检查点（必须用户确认）

展示内容：

  • 知识体系（核心概念列表）
  • 分析框架（分析步骤）
  • 决策启发式（快速规则列表）
  • 伦理边界与禁忌
  • 表达风格配置选项

用户操作：

  • [确认] 框架准确，继续构建Skill
  • [修改] 调整已有内容
  • [添加] 添加自定义内容
  • [重新提炼] 放弃当前提炼，重新分析

Phase 3: Skill构建

调用脚本生成SKILL.md文件：

python scripts/generate_skill.py \
  --expert_name "刑法律师" \
  --knowledge_system '{"core_concepts":["犯罪构成要件","刑罚种类"],"theories":["四要件说"]}' \
  --analysis_framework '{"steps":["问题定性","构成要件分析","量刑分析","辩护策略"]}' \
  --decision_rules '[{"condition":"不符合构成要件","action":"判断无罪"}]' \
  --ethics '{"must":["保守当事人秘密"],"must_not":["不教唆作伪证"]}' \
  --expression_style '{"language":"正式专业","format":"正式报告","detail":"适中"}' \
  --output_path "/workspace/projects/criminal-law-expert/SKILL.md"

Phase 4: 质量验证

调用脚本验证Skill结构：

python scripts/validate_structure.py --skill_path "/workspace/projects/criminal-law-expert"

验证维度：

  • 专业准确性（对比行业标准）
  • 边界测试（边缘案例响应）
  • 风格测试（表达是否符合预期）

Phase 5: 双Agent精炼（可选）

  • Agent A: 结构评估与改进建议
  • Agent B: 可操作性评审

跨学科专家生成流程（可选）

Phase 0-Cross: 跨学科专家入口分流

  • 识别用户需求类型（单一领域/跨学科）
  • 配置跨学科知识结构：
    • 选择主领域（T型竖线，深度专业，权重70%）
    • 选择辅助领域（T型横线，广度拓展，各10-15%）
    • 配置知识融合策略
  • 收集用户私有知识（可选）
  • 配置表达能力要求（可选）

详见：跨学科专家专项指南

Phase 1-Cross: 多领域并行采集

  • 并行启动多个领域的6维度采集Agent
  • 主领域：完整深度采集（学科基础、法规规范、方法论、典型案例、行业实践、表达规范）
  • 辅助领域：关键点采集（聚焦融合点）
  • 调用 python scripts/parse_document.py --file_path <路径> 解析用户私有知识

Phase 1.5-Cross: 采集确认检查点（必须用户确认）

展示内容：

  • 各领域采集结果（主领域+辅助领域）
  • 知识交叉点识别
  • 融合方向建议
  • 用户知识贡献度

用户操作：

  • [确认] 采集结果准确，继续知识融合
  • [补充] 添加更多领域或内容 → 增量采集
  • [修改] 调整领域权重或采集深度 → 重新采集
  • [重新采集] 从头开始

Phase 2-Cross: 跨学科知识融合

详见：知识融合方法指南

  • 构建跨学科知识图谱
    • 提取各领域核心概念
    • 识别概念映射关系
    • 构建领域内和跨领域关系
    • 标注融合点、冲突点、创新点
  • 提取融合规则
    • 主领域优先原则
    • 概念冲突标注原则
    • 关键点聚焦原则
  • 生成融合框架
    • 统一概念体系
    • 跨学科分析方法
    • 创新解决方案

Phase 2.5-Cross: 融合确认检查点（必须用户确认）

展示内容：

  • 跨学科知识图谱
  • 融合后的知识体系
  • 跨学科分析框架
  • 融合规则列表

用户操作：

  • [确认] 融合结果准确，继续表达能力增强
  • [修改] 调整融合规则或权重
  • [添加] 添加自定义融合规则
  • [重新融合] 放弃当前融合，重新分析

Phase 3-Cross: 增强表达能力

详见：表达能力模块指南

  • 采集写作能力（科普写作、新闻写作、公文写作、学术写作）
  • 采集演说能力（公众演讲、专家访谈、沟通技巧、问答应对）
  • 配置表达风格（语言风格、结构形式、情感基调）
  • 生成表达能力模型

Phase 4-Cross: 构建跨学科专家Skill

调用脚本生成SKILL.md文件（扩展参数）：

python scripts/generate_skill.py \
  --expert_name "智慧城市解决方案专家" \
  --knowledge_system '{"core_concepts":["城市规划","智能技术","数据驱动"],"theories":["系统理论"、"T型知识结构"]}' \
  --analysis_framework '{"steps":["问题定义","跨领域分析","融合方案设计","实施评估"]}' \
  --decision_rules '[{"condition":"技术可行性不足","action":"调整技术方案"}]' \
  --ethics '{"must":["可持续发展","社会公平"],"must_not":["技术至上"]}' \
  --expression_style '{"language":"学术","structure":"逻辑","emotional":"rational"}' \
  --cross_disciplinary_config '{"primary_domain":"城市规划","secondary_domains":["计算机科学","数据科学","社会学"]}' \
  --fusion_method "graph-based" \
  --expression_capabilities '{"writing":["科普写作","学术写作"],"speaking":["公众演讲","专家访谈"]}' \
  --output_path "/workspace/projects/smart-city-expert/SKILL.md"

Phase 5-Cross: 质量验证与优化

调用脚本验证Skill结构：

python scripts/validate_structure.py --skill_path "/workspace/projects/smart-city-expert"

验证维度：

  • 跨学科融合效果（知识融合评估）
  • 表达能力验证（写作/演说能力测试）
  • 边界测试（跨领域问题响应）
  • 用户评估反馈

迭代优化：

  • 根据评估结果调整融合规则
  • 优化表达能力配置
  • 收集用户反馈持续改进

Phase 5: 双Agent精炼（可选）

  • Agent A: 结构评估与改进建议
  • Agent B: 可操作性评审

使用示例

示例1: 明确职业身份

  • 场景/输入: "创建一个刑法律师专家Skill"
  • 预期产出: 生成包含刑法专业知识、分析框架、伦理边界的专家Skill
  • 关键要点:
    • 直接进入Phase 1六维度采集
    • 重点关注法规规范、典型案例维度
    • 输出符合律师职业伦理的表达规范

示例2: 模糊需求诊断

  • 场景/输入: "我需要帮我看合同风险"
  • 预期产出: 建议创建"合同法专家"并引导用户确认
  • 关键要点:
    • Phase 0识别需求本质（合同审查）
    • 推荐专家身份（合同法专家）
    • 调整采集重点（合同法相关法规、案例）

示例3: 层级扩展

  • 场景/输入: "在刑法专家基础上，增加经济犯罪方向"
  • 预期产出: 继承刑法专家框架 + 深度扩展经济犯罪知识
  • 关键要点:
    • 识别职业身份层级（Level 2 → Level 3）
    • 继承父级框架（刑法通用知识）
    • 深度采集细分方向（经济犯罪案例、法规）

示例4: 互联网职业专家

  • 场景/输入: "创建一个B端产品经理专家Skill"
  • 预期产出: 生成包含需求分析、业务架构、产品规划能力的专家Skill
  • 关键要点:
    • 参考互联网行业专项指南
    • 重点采集：需求分析方法论、PRD规范、产品规划流程
    • 核心能力：用户体验地图、需求评审、敏捷开发流程
    • 行业知识：电商、SaaS等B端产品案例

示例5: 互联网开发专家

  • 场景/输入: "创建一个前端开发工程师专家Skill，技术栈偏好React"
  • 预期产出: 生成包含React技术栈、性能优化、跨平台方案的专家Skill
  • 关键要点:
    • 指定技术栈偏好（React、TypeScript）
    • 重点采集：React生态、性能优化方案、工程化实践
    • 核心能力：组件化开发、状态管理、性能优化
    • 行业案例：大型前端项目架构案例

示例6: 跨学科专家（T型知识结构）

  • 场景/输入: "创建一个智慧城市解决方案专家，主领域是城市规划，辅助领域包括计算机科学、数据科学和社会学"
  • 预期产出: 生成具备T型知识结构的跨学科专家Skill，能够融合城市规划、技术和人文视角
  • 关键要点:
    • 进入Phase 0-Cross跨学科流程
    • 配置T型知识结构：城市规划（70%）+ 计算机科学（15%）+ 数据科学（10%）+ 社会学（5%）
    • 参考跨学科专家专项指南
    • 构建跨学科知识图谱（识别融合点：城市数据、智能交通、社会公平）
    • 知识融合：城市规划理论 + 智能技术 + 数据驱动 + 社会影响评估
    • 增强表达能力：科普写作（向公众解释智慧城市）、公众演讲（参与城市规划论坛）
    • 详见：知识融合方法指南、表达能力模块指南

示例7: 跨学科专家（医疗信息化）

  • 场景/输入: "创建一个医疗信息化专家，擅长向医疗机构提供数字化转型建议，并能够向公众科普医疗技术"
  • 预期产出: 生成融合医疗、技术、管理的跨学科专家，具备强表达能力
  • 关键要点:
    • T型知识结构：医学（70%）+ 计算机科学（15%）+ 管理学（10%）+ 传播学（5%）
    • 知识融合点：医疗数据、电子病历、患者隐私、系统安全
    • 融合规则：安全性原则优先于效率原则
    • 表达能力配置：
      • 写作：科普写作（向公众解释AI医疗）、公文写作（医疗合规报告）
      • 演说：公众演讲（医疗科技论坛）、专家访谈（媒体采访）
    • 应用场景：医院数字化转型咨询、医疗技术科普、医疗伦理评估

资源索引

脚本

参考

资产

注意事项

  • 仅在需要时读取参考文档，保持上下文简洁
  • Phase 1.5和Phase 2.5必须等待用户确认后才能继续
  • 用户私有知识优先级最高，应覆盖公开知识
  • 充分利用智能体的网络搜索和内容理解能力，避免为简单任务编写脚本
  • 生成的专家Skill必须符合clawhub的规范（SKILL.md + scripts/ + references/ + assets/）

Source Transparency

This detail page is rendered from real SKILL.md content. Trust labels are metadata-based hints, not a safety guarantee.

Open Registry RecordOpen in ClawHub

Related Skills

Related by shared tags or category signals.

Automation

Windows应用控制器

Windows应用控制器 - 原创技能。让AI通过自动化技术控制Windows应用程序，包括打开/关闭应用、点击按钮、填写表单、截取屏幕等操作。适用于GUI自动化、测试、数据录入等场景。

Registry SourceRecently Updated
00534422530
Automation

x0x

Secure computer-to-computer networking for AI agents — gossip broadcast, direct messaging, CRDTs, group encryption. Post-quantum encrypted, NAT-traversing. E...

Registry SourceRecently Updated
1981jimcollinson
Automation

clear-skills

This skill should be used when the user wants to clear, remove, or clean up AI agent rules, skills, or instruction files from their coding environment. It su...

Registry SourceRecently Updated
1300subingshe
Automation

AI Remove Watermark

Remove watermarks from images through the Airemovewatermark API. Use when an agent needs to remove a watermark from a local image file or remote image URL, p...

Registry SourceRecently Updated
1671isees