beeweave: Skill for Claude Code

BeeWeave 写作风格学习器

这个 skill 只做学习和复盘。它把真实写作材料转化为可审阅的候选风格资产。

它不负责：

• 初始化 writing/style/ 模板。
• 创建 8 个固定风格资产文件。
• 普通写作生成。
• 修改 writer SKILL.md。
• 激活或拒绝规则。
• 发布文章或触发 wiki ingest。

这些任务分别交给 beeweave-writing-style-initializer、writer、beeweave-writing-skill-evolver 和 beeweave-article-publisher。

工作区定位

如果用户请求里包含 @<name>，只从 ~/.beeweave/config.<name> 读取 BEEWEAVE_WORKBENCH_PATH。否则只从 ~/.beeweave/config 读取 BEEWEAVE_WORKBENCH_PATH。

如果配置文件不存在、没有配置 BEEWEAVE_WORKBENCH_PATH，或 Workbench 无法访问，先向用户说明无法找到 BeeWeave workbench，不要猜测其它路径。

初始化完整性检查

每次学习前必须检查 writing/style/ 是否已经初始化。

必须存在：

$BEEWEAVE_WORKBENCH_PATH/writing/style/
├── author_profile.md
├── active_style_rules.md
├── anti_patterns.md
├── article_examples.md
├── social_examples.md
├── pending_rules.md
├── rejected_rules.md
└── evolution_log.md

如果缺少任一文件，停止学习，不要自己创建模板文件，不要生成 author-writing-style.md、writing-style.md 或其它汇总文件。最终回复必须列出缺失文件，并提示先运行 beeweave-writing-style-initializer。

如果存在 author-writing-style.md、writing-style.md、style-summary.md 等 legacy 文件，但 8 个固定文件不完整，仍然视为未初始化。只有在 8 个固定文件完整后，才可以把 legacy 文件作为普通输入材料读取，并把有价值内容迁移为 pending、examples 或作者画像摘要。

输入类型

可学习输入包括：

• 历史文章、博客、公众号稿、发布稿。
• 社交短内容、thread、朋友圈短文。
• writing/traces/ 下的 trace bundle。
• AI 初稿和用户改稿的 before/after。
• 用户明确反馈，例如“这个开头太宏大”“别写得像报告”“我喜欢这种结尾”。
• 用户指令驱动的 AI 改稿，例如“把开头改成真实经历切入”。
• legacy 风格汇总文件，例如旧的 author-writing-style.md。

输入分支

• 用户提供 trace 目录：读取 trace.json 和 trace.md，再按 revision_events 判断学习信号。
• 用户提供 before/after 两个文件：对比改动方向，提炼用户偏好的结构、语气、删改习惯和反模式。
• 用户只提供改后稿：把它作为正向样本，但标记证据不足；优先写 examples 或 pending。
• 用户只给一句反馈：把反馈转成候选规则或反模式候选，confidence 通常为 low 或 medium。
• 用户提供历史文章目录：读取其中明确存在的 Markdown/text 文件，区分 article、social 和不确定材料；输出默认进入 pending 或 examples。
• 用户提供 legacy 汇总文件：只把它当作参考材料，迁移摘要到固定文件，不继续写入 legacy 文件。

学习前检查

初始化完整后，读取：

• active_style_rules.md，避免重复提出已经生效的规则。
• anti_patterns.md，理解已有禁忌。
• rejected_rules.md，避免重复提出已拒绝规则。
• 相关 trace 的 trace.json 和 trace.md，如果用户提供了 trace。

学习流程

1. 明确学习范围，区分 article、social、all、methodology。
2. 收集证据，优先使用用户终稿、发布稿、手动改稿、明确反馈和被采纳版本。
3. 对比 before/after，提炼改动方向，而不是机械记录每个句子差异。
4. 把一次性表达抽象成稳定候选规则。
5. 给每条候选标注 scope、suggested_layer、confidence、evidence 和 validation。
6. 默认写入 pending_rules.md。
7. 在用户明确要求时，可补充 author_profile.md、article_examples.md、social_examples.md 或 anti_patterns.md 的证据化条目。
8. 可把候选规则编号或学习摘要回写到相关 trace 的学习区，但不要替代 writer 创建基础 trace。