asd-ste100-skill Skill 技能

技能简介

danyuchn/asd-ste100-skill 是一款基于 Claude Code 平台的 Agent 文本精简技能，专门把含糊、冗长、易误读的英文改写成 ASD-STE100 Simplified Technical English（简化为技术英语，行业简称 STE）。STE 是航空航天与国防工业为防止维护手册被误读而定制的受控语言标准，强调"一词一义、主动语态、简单时态、一句一指令、句长可控、无缺省成分"。该技能的核心洞察在于：当一个 LLM Agent 解析另一个 Agent 的输出、工具描述、错误信息或 inter-agent 指令时，它与昔日的航空机修师处于几乎完全相同的位置——没有反问渠道、没有作者可找、误读就可能造成事故级后果。把 STE 的写作纪律平移到 Agent-to-Agent 通信场景，正是这个 skill 的价值定位。它本身不重新发布 ASD 官方约 900 词的核准词表（受版权限制，未授权方不可复制），而是通过一组结构性检查规则来贯彻 STE 的"用最朴素的词、每次都用同一种方式"原则，再叠加语义保留策略——为了精度而保留较长措辞时显式标记 trade-off，而不是偷偷简化掉关键事实。

核心能力

1. 双模式适配：提供 Strict 与 STE-flavored 两种模式。Strict 模式锁住词表与句式纪律，适用于流程说明、错误信息、工具描述；STE-flavored 模式保留句式纪律但放开固定词表约束，适用于 README、PR 描述、解释性散文等需要自然语感但拒绝歧义的场景。
2. 逐句规则扫描：对输入英文按句逐条标记违例，包括用词歧义、现在完成时/复合时态、缺主语被动语态、一句多指令、超长名词串、缺省词、超长句、短语动词、名词化动作、分号、模糊堆叠、营销形容词等十几种结构性问题。
3. 等价语义改写：在不丢事实、不丢条件、不丢限定范围的前提下重写每一句被标记的句子，必要时保留较长措辞并显式 flag 取舍，避免为了"看起来更简洁"而牺牲精度。
4. 差异追溯：用户只要说出"show the diff"或"which rules did it break"，技能即输出 before / after 对照表，逐条对齐到它违反的 STE 规则，方便审计与回溯。
5. 确定性结构检查器：内置 Python linter（scripts/ste-lint.py），独立检查分号、短语动词清单（spin up / reach out / dive into / kick off / circle back / touch base）、名词化、营销形容词、被动语态、现在完成时（包括 has run 等不规则分词）、超长句、同义词轮换、悬挂连词——给出可由单词或标点位证的机械违规清单，不依赖 LLM 自评。
6. 最小输出纪律：输出仅含改写后正文与一行 Kept as-is: 标记，不夹杂 preamble、不复述模式选择、不写改写小作文，把 token 消耗降到最低。

安装配置

1. 一键安装（推荐）：在项目根目录执行 npx skills add danyuchn/asd-ste100-skill，由 skills CLI 自动拉取并安装到当前项目的 Claude Code skills 目录，零克隆、零路径配置；后续用 npx skills update 一键升级。安装过程会向 skills.sh 排行榜匿名回传技能名与时间戳以辅助排名，可用环境变量 DISABLE_TELEMETRY=1 关停。
2. Git 克隆安装（手动）：执行 git clone https://github.com/danyuchn/asd-ste100-skill ~/.claude/skills/asd-ste100 将仓库克隆到 Claude Code 全局 skills 目录，适合需要本地修改规则或断网使用的场景。
3. 离线 linter 校验：运行 python scripts/ste-lint.py --baseline 41 SKILL.md 即可对任意文本输出结构违规清单，baseline 参数为允许的存量违例上限（仓库自有 README 故意保留约 41 处违例作为对照样本，因此阈值通常设为 41）。

使用步骤

1. 选模式：把英文文本与模式选择（Strict 或 STE-flavored）一起发给 Claude Code；Strict 用于工具描述、错误信息；STE-flavored 用于 README、PR、解释性文档。
2. 送入原文：把待精简文本整段发给 skill，可同时附上"目标读者是另一个 LLM agent、无人可反问"这一上下文。
3. 接收改写：skill 直接返回重写后文本与必要的 Kept as-is: 标记，不输出与原任务无关的解释。
4. 回查差异：若需审计，主动追问"show the diff"或"which rules did it break"，skill 即输出 before/after 对照表，逐条对位违例规则，便于在 PR review 中给出可引用的论据。

适用场景

1. 多 Agent 系统的 inter-agent 通信：当一个 orchestrator agent 把任务分派给 worker agent 时，把分派文本先过一次 skill，避免长句、被动、模糊副词把分派指令拖入歧义。
2. MCP 工具描述与错误信息改写：把厂商原始英文工具描述、错误码说明统一改写成 STE 风格的"一句一动作、主语清晰、可机读"，降低下游 agent 的解析失误率。
3. 长篇 README / PR 描述的精简：用 STE-flavored 模式把工程团队提交的英文技术文档压缩到无歧义但不僵硬的形态，特别适合 OpenAPI 描述、release notes、incident report 这类对精度敏感的文稿。
4. Agent 框架的 system prompt 校稿：在写 agent 的 system prompt 时，把草稿送进 skill 扫一遍结构违例，避免"may have been"、被动堆叠、悬挂连词等会让 LLM 偏离指令的句式。
5. 跨语言技术团队的英文校对：非英语母语工程师写的英文文档经 skill 一次过，能自动收敛到接近行业受控语言的水准，减少 review 反复。

适用人群

• 构建多 Agent 编排框架与 MCP 工具市场的开发者
• 维护大型 AI Coding / DevOps Agent 产品文档与错误信息的工程师
• 负责把厂商英文文档本地化、汉化的技术写作与产品经理
• 安全攸关行业（航空、轨道交通、医疗器械）AI Agent 落地方案的合规与技术负责人
• 需要高质量英文 PR、RFC、incident report 的研发团队

工作原理

skill 把 STE 规则工程化为两层：上层基于 Claude 的语义判断，负责识别"一句多指令""歧义用词""未明示主语的被动结构"等需要阅读理解的违例，并在改写时权衡是否值得为精度牺牲长度；下层是一个不依赖 LLM 的确定性 Python linter（scripts/ste-lint.py），专门检查机器规则可判的结构违例——分号、短语动词清单、名词化、营销形容词、被动语态、现在完成时、超长句、同义词轮换、悬挂连词。skill 不内置 ASD 官方 ~900 词的核准词表（因 Issue 9 版权限制未授权方不可复制），故词表层只能给"建议"而非"硬判定"，由上层 LLM 自行决定是否替换为更朴素的同义词；其余结构性规则则可以机械点位证，因此全部硬检查并标记输出。仓库自身 SKILL.md 文件约保留 41 处故意违例（用于讲解规则），可用 python scripts/ste-lint.py --baseline 41 SKILL.md 把它们视为"基线噪声"过滤掉。

官方链接

• GitHub 仓库：https://github.com/danyuchn/asd-ste100-skill
• ASD-STE100 官方标准说明：https://www.asd-ste100.org/
• Skills CLI 安装工具：https://skills.sh/
• 示例与规则对照：仓库内 examples/before-after.md 与 references/writing-rules.md