Claude-skill-registry ai-ad-code-selector

<skill>

install

source · Clone the upstream repo

git clone https://github.com/majiayu000/claude-skill-registry

Claude Code · Install into ~/.claude/skills/

T=$(mktemp -d) && git clone --depth=1 https://github.com/majiayu000/claude-skill-registry "$T" && mkdir -p ~/.claude/skills && cp -r "$T/skills/data/ai-ad-code-selector" ~/.claude/skills/majiayu000-claude-skill-registry-ai-ad-code-selector && rm -rf "$T"

manifest: skills/data/ai-ad-code-selector/SKILL.md

tags

#code-selection #evaluation #rule-engine #decision-making #scoring #automation

source content

<skill> ────────────────────────────────────────────── <name>ai-ad-code-selector</name> <version>1.0</version> <domain>AI_AD_SYSTEM / 代码工厂 / 选型评估</domain> <profile>Code-Selector / Rule-Engine / Multi-Dimension</profile> ──────────────────────────────────────────────

<code_sources> 本 Skill 主要为自研规则引擎，但借鉴了以下开源项目的设计理念：

1. **MetaGPT** (MIT License)
   - GitHub: https://github.com/geekan/MetaGPT
   - 借鉴内容:
     - 多维度评估决策框架
     - 角色化评审模式 (Product Mgr / Architect 评估)

2. **Devika** (MIT License)
   - GitHub: https://github.com/stitionai/devika
   - 借鉴内容:
     - 任务分解评估逻辑
     - 决策制定模式

核心设计:
- 四维评估: 技术栈匹配度 + 功能覆盖度 + 适配成本 + 代码质量
- 加权评分: 可配置的权重系数
- 历史学习: 预留历史成功率加成接口

</code_sources>

<mission> 作为代码工厂的选型评估师，负责从候选代码中选择最佳参考方案。

核心原则:
- 📊 多维评估: 从技术栈、功能、成本、质量四个维度评估
- 🏆 择优选择: 返回最佳选择及备选方案
- 📝 方案输出: 为选中的代码生成适配方案
- 📈 历史学习: 支持基于历史成功率的加权优化

</mission>

<input_contract> 必填: { candidates: SearchCandidate[], // 搜索结果候选列表 requirement: string // 原始需求描述 }

可选:
{
  weights: {                      // 自定义权重 (默认值如下)
    tech_stack_match: 0.30,
    feature_coverage: 0.30,
    adaptation_cost: 0.25,
    code_quality: 0.15
  },
  historical_success: {           // 历史成功率 (用于学习优化)
    [candidate_id]: number        // 0-1 成功率
  },
  strict_mode: boolean            // 严格模式: 技术栈不匹配直接淘汰
}

</input_contract>

<output_contract> { success: boolean, data: { selected: SearchCandidate, // 选中的最佳参考 scores: { // 各维度得分 tech_stack_match: number, feature_coverage: number, adaptation_cost: number, code_quality: number, total: number }, adaptation_plan: { // 适配方案 base_code: string, source: string, modifications_needed: [ { type: string, description: string, effort: "low" | "medium" | "high" } ], estimated_adaptation_rate: string }, alternatives: [ // 备选方案 (前 2 个) { candidate_id: string, total_score: number, reason_not_selected: string } ] }, error: string | null } </output_contract>

<evaluation_dimensions> <dimension id="TECH_STACK_MATCH" weight="0.30"> <name>技术栈匹配度</name> <description>评估候选代码的技术栈与项目的兼容性</description> <scoring> - 100: 完全匹配 (同版本 FastAPI/Next.js/Pydantic) - 90: 高度兼容 (版本差异小，易升级) - 70: 部分兼容 (需要适配) - 50: 低兼容 (需要大量重写) - 0: 不兼容 (技术栈完全不同) </scoring> </dimension>

<dimension id="FEATURE_COVERAGE" weight="0.30">
  <name>功能覆盖度</name>
  <description>评估候选代码覆盖需求功能的程度</description>
  <scoring>
    - 100: 完全覆盖 + 有扩展
    - 90: 完全覆盖核心需求
    - 70: 覆盖主要功能
    - 50: 覆盖部分功能
    - 30: 仅提供参考思路
  </scoring>
</dimension>

<dimension id="ADAPTATION_COST" weight="0.25">
  <name>适配成本 (越低越好)</name>
  <description>评估将候选代码适配到项目的工作量</description>
  <scoring>
    - 95: 本项目代码 (几乎无需适配)
    - 85: 代码资料库已验证参考 (适配路径清晰)
    - 70: 技术栈相同的外部代码
    - 50: 需要部分重写
    - 30: 需要大量重写
  </scoring>
</dimension>

<dimension id="CODE_QUALITY" weight="0.15">
  <name>代码质量</name>
  <description>评估候选代码的质量和可维护性</description>
  <scoring>
    - 90: 类型完整 + 测试覆盖 + 文档齐全
    - 80: 类型完整 + 有测试
    - 70: 代码规范 + 无明显问题
    - 50: 能用但需要重构
    - 30: 质量较差
  </scoring>
</dimension>

</evaluation_dimensions>

<workflow> Phase 1: PRE_FILTER (预筛选) - 过滤相关度 < 40 的候选 - 严格模式下过滤技术栈不兼容的候选 - 检查许可证兼容性

Phase 2: MULTI_DIM_EVAL (多维评估)
  - 对每个候选计算四维得分
  - 应用自定义权重
  - 应用历史成功率加成

Phase 3: RANK (排序)
  - 按总分排序
  - 选出最佳 + 前 2 个备选

Phase 4: PLAN_GENERATION (方案生成)
  - 为选中的代码生成适配方案
  - 标注需要的修改类型和工作量

</workflow>

<adaptation_plan_template> 标准适配检查项:

1. 技术栈适配
   - Pydantic v1 → v2 (如需)
   - SQLAlchemy 1.x → 2.x (如需)
   - FastAPI 版本兼容性
   - Next.js 版本兼容性

2. 项目规范适配
   - 响应格式: StandardResponse
   - 错误码: ERROR_CODES_SOT
   - 命名规范: snake_case / camelCase
   - 目录结构: 放置正确位置

3. SoT 合规适配
   - 字段定义: DATA_SCHEMA
   - 状态值: STATE_MACHINE
   - 业务规则: BUSINESS_RULES
   - 错误码: ERROR_CODES

4. 功能定制
   - 按需求调整逻辑
   - 添加/删除功能
   - 集成现有服务

</adaptation_plan_template>

<forbidden_actions> <forbidden id="SEL-001"> <action>选择许可证不兼容的代码</action> <correct_action>只选择 MIT/Apache/BSD 兼容许可证</correct_action> </forbidden>

<forbidden id="SEL-002">
  <action>忽略技术栈严重不匹配</action>
  <correct_action>tech_stack_match < 50 时警告或排除</correct_action>
</forbidden>

<forbidden id="SEL-003">
  <action>不提供适配方案</action>
  <correct_action>必须为选中代码生成 adaptation_plan</correct_action>
</forbidden>

<forbidden id="SEL-004">
  <action>伪造评分</action>
  <correct_action>所有评分必须基于实际分析</correct_action>
</forbidden>

</forbidden_actions>

<usage> 示例 1: 基础选型「使用 ai-ad-code-selector， candidates = [搜索结果列表], requirement = "添加日报批量导出 Excel 功能" 」

示例 2: 自定义权重
「
使用 ai-ad-code-selector，
candidates = [...],
requirement = "...",
weights = {
  tech_stack_match: 0.40,  // 更重视技术栈匹配
  feature_coverage: 0.30,
  adaptation_cost: 0.20,
  code_quality: 0.10
}
」

示例 3: 严格模式
「
使用 ai-ad-code-selector，
candidates = [...],
requirement = "...",
strict_mode = true  // 技术栈不匹配直接淘汰
」

</usage>

<VERSION_NOTES> ### v1.0 (2025-12-17) - 初始版本 - 四维评估框架 (技术栈/功能/成本/质量) - 适配方案自动生成 - 借鉴 MetaGPT 的多维度决策框架 - 借鉴 Devika 的任务评估逻辑 </VERSION_NOTES>

</skill>