Da7-Tech/SureForge:面向复杂工作的代理技能规范

Da7-Tech/SureForge

一份纯指令型的 Agent Skill（智能体技能），用来处理复杂工作。它要求 AI 智能体（agent）按这套顺序来，先研究再提问，先问清楚再规划，先定计划再动手，先核验再宣布完成，最后还要拿到一份独立评审才能算交差。

版本 1.0.0。MIT 协议。由 Da7-Tech 维护。

为什么需要它

智能体（agent）处理大任务时，失败的方式高度可预测。需求还没看明白就开始干；跳过的问题算默认同意；抽查一个样本就宣布完成；自己回头读一遍自己的产出就当成评审；评审轮次耗尽，照样交付。

SureForge 正是为了对付这些失败而攒出来的一套工作流程，写成文本就是让智能体（agent）能照着走。它背后的道理不复杂，花在理解、规划和检查上的时间，远远少于事后返工、打补丁和人工复查的时间。返工少了，整个任务周期里消耗的 token（词元，模型计费与计量的基本单位）也少，你花在评审上的精力也少，工作第一次就做对的可能性也会大幅提高。

它就是纯文本，一个简短的入口加上若干参考文件，智能体（agent）按需加载。没有运行时，没有钩子（hook，框架在事件触发时调用的回调机制），也没有依赖。智能体（agent）按读其他技能的方式来读它。

安装

这个技能就是 skills/sureforge/ 这个文件夹，里面有一份 SKILL.md，以及它链接到的参考文件和模板。所谓安装，就是把整个文件夹的副本丢到你的智能体（agent）查找技能的位置。安装的时候没有东西在跑，安装之后也没有；智能体（agent）只有在技能被选中时才会去读这些文本。

用 Skills CLI（Node.js 22.20 或更新版本），在你的项目目录下执行

npx skills add Da7-Tech/SureForge

CLI 会问你要安装到哪些智能体（agent），然后把文件夹复制到每一个的技能目录里。想跳过提示的话，可以用 CLI 的标识符（identifier）直接点名，比如

npx skills add Da7-Tech/SureForge --agent claude-code --agent codex --agent cursor --agent devin --agent hermes-agent -y

加 -g 是装到用户级别，而不是当前项目。CLI 可能会在你的项目里留一个 skills-lock.json，这个文件里可能带本地路径，所以提交前最好先看一眼。

npx skills update 用来刷新已安装的技能，npx skills remove 用来卸载。

手动安装，把整个 skills/sureforge/ 文件夹，包括 LICENSE、references/ 和 assets/，一起复制到你的宿主程序（host）读取技能的目录下。只复制 SKILL.md 是不够的，因为它还链了别的文件。

| 宿主（Host） | 项目目录 | 用户目录 |
| --- | --- | --- |
| Claude Code | .claude/skills/sureforge/ | ~/.claude/skills/sureforge/ |
| Codex | .agents/skills/sureforge/ | ~/.agents/skills/sureforge/ |
| Cursor | .agents/skills/sureforge/ 或 .cursor/skills/sureforge/ | ~/.cursor/skills/sureforge/ 或 ~/.agents/skills/sureforge/ |
| Devin CLI | .devin/skills/sureforge/ | ~/.config/devin/skills/sureforge/ |
| Hermes Agent | .hermes/skills/sureforge/ | ~/.hermes/skills/sureforge/ |上面这些是本次核验时，所固定的 Skills CLI 版本和各宿主（host）自家文档所给出的目录（日期与详情见 platforms.md）。宿主（host）会改路径；如果技能没被发现，先去看宿主（host）当下的文档。

不想装、直接读也行，打开 SKILL.md 就行。这份文本和智能体（agent）拿到的一字不差。

使用

按名字叫它> 用 SureForge 处理这个任务。先把那些关键未知项研究清楚再来问我，然后给我一份我能在你动手前审的计划。

风险高的工作，就明确要求完整模式（full mode）

> 以完整模式（full mode）使用 SureForge。任何一道关卡（gate），没有你自己实施的 3 种核验方法、再加上一个独立评审者实施的 3 种核验方法，就别想过。缺评审者或缺工具，直接告诉我，不要假装有。

小任务就让它小下去。让 SureForge 去改一个错别字，指令要的就是改掉错别字、核对差异（diff），不是启动一项研究。

工作原理

四个阶段。每个阶段以一道关卡（gate）收尾，关卡结果是 READY、REPAIR 或 BLOCKED。

研究与澄清。 先读已有的资料，再去研究那些会改变决策的未知项，从三个角度看问题，最后才抛出真正要紧的问题，并给出替代方案。跳过去的问题不能算答案。

规划。 把每一条验收标准映射到，一步操作、一个检查单元、一种核验方法。在动手之前，把权限、预算和停止条件白纸黑字写下来。

执行。 一个负责人，按依赖顺序推。在有测试的地方，先写一个失败的测试再修。如果执行过程揭出计划是错的，那就回到规划关卡（gate），别打补丁凑合。

交付。 把候选版本冻结住，在那个确切的版本上逐个检查约定的单元。走一遍接收方将走的路径（打开它、安装它、跑它），最后报告哪些核验过、哪些是复用的、哪些没查。

三个层级（tier）规定上面这套流程要跑多少。

| 层级 | 适用场景 | 智能体（agent）的职责 |
| --- | --- | --- |
| Light（轻量） | 小型、可逆、规格明确的任务 | 理解到位、做最小变更、检查一下 |
| Standard（标准） | 多步骤、后果可控的实质性工作 | 四道关卡，每关两种互补检查；计划与交付阶段若有评审者可用，就上独立评审 |
| Full（完整） | 你主动要求，或后果高风险且难以撤销 | 每个关卡都由智能体（agent）实施 3 种核验方法、再由一位新上下文（fresh-context，指没读过作者先前推理过程的）评审者自由选 3 种核验方法；对实质性分歧引入批评者（critic） |独立评审（Independent review）是说这位评审者没看过作者的推理过程、自我评分或倾向性结论。它只拿到产物（artifact，即被检查的输出物）、需求、合约（contract）以及所需的材料，方法由它自己挑。每一项发现都会先被调查，然后才动任何东西，调查结论是确认成立、用证据驳回、未解决、重复，或者超出范围。每个关卡最多 3 轮评审，轮次耗尽就是 BLOCKED，不算交付。

当某项条件缺失（没有网络、没有提问工具、没有评审者、没有渲染器）时，这份技能会明说，并用一套具名的回退方案顶上，而不是装作检查已经做过了。

本仓库包含什么

skills/sureforge/ 就是这份技能：SKILL.md、七份参考文件（四个阶段、评审协议、一份核验目录、一份带日期的平台说明），以及若干模板（评审者简报、批评者简报、任务台账（task ledger）、覆盖台账（coverage ledger））。普通用户拿到这个文件夹就够了。

evals/ 是评估套件，13 个失败场景，每个都带通过/失败的判定标准（oracle）；20 个激活提示，附预期层级；5 个合成基准任务，附隐藏评分标准；一份三臂（three-arm）研究协议；一个抽象关卡模型（gate model）；再加一个跑记录的严格聚合器。

review/ 里放着这份技能所依据的评审合约（review contract），以及一份面向新上下文评审者的中立接入文件。

scripts/ 和 tests/ 用来给这个包自身做体检，清单、元数据、链接、协议、隐私模式、归档完整性以及安装检查。命令见后面的 Verification 一节。

CONTRIBUTING、SECURITY 和行为准则（code of conduct）讲的是怎么提变更、怎么举报可能把智能体（agent）带偏的文本，以及在这里大家该怎么互相对待。

测试过什么

三类证据，分开保管，因为它们各自证明不同的事。

机械检查可在本仓库重跑。单元测试（见 Verification）在 Python 3.11 和 3.14 上通过；scripts/mutation_audit.py 里列出来的每一个故障，植入到一份临时副本后都会被测试捕获。这份技能在 review/toolchain.json 所固定的那个提交（commit）上通过了 reference skills-ref 校验器。

安装检查用 Skills CLI 1.5.23 在一份隔离项目中本地完成。为五个 CLI 目标（Claude Code、Cursor、Codex、Devin、Hermes）所装出来的副本（Cursor 和 Codex 共用一份，实际是四个目录），与 skills/sureforge/ 在字节层面完全一致；Devin CLI 3000.6.14 也列出了已安装的技能。从公共仓库发起的安装检查则在发布打标签（tag）时执行，记录写在那个发布的说明里，不在这里。

行为层面，证据来自两次试点（pilot），目的是看模型到底有没有照这份文本走、有没有越界。运行日志由维护者保管，不在本仓库内。

GLM-5.2 走 Devin，装上技能，共 38 次会话（13 个场景、20 个激活提示、5 个任务）。模型在 13 个场景中的 12 个上完整遵循了工作流，1 个部分遵循。在被标为不需要技能的 10 个提示上保持沉默；在被标为需要技能的 10 个提示中，5 个选了技能（其中含 2 次显式调用和 1 次 Light 级别的错别字修复）。5 个任务全部输出正确；模型没法完成的那一项检查（一次视觉渲染），它报成了 BLOCKED，而不是宣称已完成。

Grok 4.6 在最大力度（maximum effort）下，按启用与不启用技能分成两臂（arm），共跑 24 次：4 个任务、每臂重复 2 次（共 16 次），4 个场景、