这个 Skill 能做什么，适合哪些场景？
该技能用于调试和优化 AI 智能体的推理轨迹，重点关注上下文退化、工具混淆、指令漂移、目标放弃和重复失败等模式。它支持使用 MiniMax M2.1 在工具调用之间进行交错思考，也支持分析其他智能体已有的会话记录。技能提供轨迹捕获、模式分析、提示词优化循环和可复用技能生成流程。它适合需要诊断长流程智能体行为并改善性能的开发者，但部分会话分析和命令集成依赖 Claude Code。
运行带有任务、系统提示词、工具和工具执行器的智能体任务，捕获推理轨迹；分析轨迹并输出总体评分、检测到的失败模式及改进建议；通过多轮运行比较初始分数和最终分数并生成优化后的提示词；使用 CLI 执行捕获、分析、优化和技能生成；还可从优化结果生成技能目录。
- 开发者发现智能体在长任务中丢失上下文，需要定位 context_degradation。
- 调试工具调用错误或工具返回结果理解错误的智能体。
- 在连续任务失败后，分析 instruction_drift、goal_abandonment 或 circular_reasoning。
- 希望通过多轮评估提升提示词质量并设置收敛阈值的团队。
- Claude Code 用户希望分析当前会话思考块或在工具错误后自动触发分析。
如何安装这个 Skill？
- 完整保存和分析思维字段可能暴露敏感信息、系统提示或用户数据；部署前应明确日志保留、脱敏、访问控制和合规边界。
- 示例包含 write_file 覆盖写入、网络请求和自动 post_tool_error 钩子，未见确认、路径限制或回滚机制；应在隔离环境中审查后启用。
- 技能依赖 MiniMax M2.1 及兼容 API，且文档中的接口、模型字段和示例存在不一致；应先用固定版本和最小测试任务验证。
- Shell / 命令行
- 本地文件系统
PythonMiniMax M2.1
README 给出了安装整个集合的 Claude Code 命令：先运行 /plugin marketplace add muratcankoylan/Agent-Skills-for-Context-Engineering，再运行 /plugin install context-engineering@context-engineering-marketplace。源材料没有明确说明如何单独安装 examples/interleaved-thinking/SKILL.md 这个示例技能。仓库采用 MIT 许可证。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/examples/interleaved-thinking" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
可在相关任务中请求分析推理轨迹、上下文退化、工具混淆或指令漂移。例如：请分析这次智能体任务的推理轨迹，找出工具混淆和目标放弃，并提出提示词改进方案。源材料还展示了 Python API（TraceCapture、TraceAnalyzer、OptimizationLoop、SkillGenerator）以及 rto capture、rto analyze、rto optimize 和 rto generate-skill 命令。
这个 Skill 有哪些优点和局限？
- 覆盖轨迹捕获、失败模式检测、提示词优化和技能生成的完整流程。
- 明确列出 context_degradation、tool_confusion、instruction_drift 等可诊断模式。
- 支持设置最大迭代次数和最低评分阈值。
- 概念和示例面向多种智能体平台，而非只绑定一个模型。
- 源材料未提供依赖安装命令、测试套件或基准结果来证明该示例技能可直接运行。
- 部分功能依赖 MiniMax M2.1；通用会话分析和钩子示例依赖 Claude Code 特有的思考块和命令机制。
- 完整优化循环会消耗较多 token，且每次迭代的成本未量化。
- 源材料没有说明单独安装该 `examples` 技能的具体目录步骤。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| 推理轨迹优化器 本页 | 38 · 不推荐 | ★ 18k | 18 天前 | MIT |
| Prompt Master 提示词大师 | 53 · 谨慎使用 | ★ 15k | 7 天前 | MIT |
| DOCA DPA 高级追踪器 ✓ NVIDIA · 官方 | 50 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| Megatron FSDP 配置与性能指南 ✓ NVIDIA · 官方 | 54 · 谨慎使用 | ★ 3.8k | 今天 | Apache-2.0 |
| Agents Best Practices 智能体架构技能 | 61 · 推荐 | ★ 2.4k | 11 天前 | MIT |
FollowSkills 如何评估这个 Skill？
文档明确要求保留完整思维轨迹，并示例使用 API 密钥、网络访问、工具执行、文件写入及自动故障钩子；未说明敏感推理数据的最小化、脱敏、用户确认、权限隔离、回滚或数据流边界，因此扣分。未发现恶意软件、凭据窃取或隐蔽外传等明确红线。
激活条件、模式和失败模式描述较清晰，且文档提到解析失败回退和回归检测；但选定技能未提供实现源码、测试套件或可复现的关键路径，示例中 SDK、模型字段和接口行为也存在不一致，静态评估按上限保守扣分。
面向需要调试代理、上下文退化和工具混淆的用户，触发语义较明确；但核心能力强依赖 MiniMax M2.1、特定 SDK 和可获得的推理字段，未清楚界定不适用场景。文档提供中国区域 endpoint，但未验证网络可达性或中文工作流支持，故扣分。
README、SKILL.md、文档、示例、CLI 和 API 说明较完整，包含 MIT、作者、版本和创建日期；但安装依赖、实际包实现、变更记录、维护责任和更新路径不完整，部分引用文档或文件未在所给材料中得到验证，故未满分。
目标是捕获并分析代理轨迹、优化提示词和生成技能，概念流程及示例输出具有直接参考价值；但实现源码与测试证据缺失，部分结果是模拟或声明性的，且暴露完整推理的实际收益、安全边界和替代方案未充分证明，因此静态评估限制在中等分数。
提供了详细 API 示例、文档和所谓实际输出，但没有提交测试套件、CI 覆盖或独立复核证据；README 中的“真实测试结果”和性能声明无法仅凭静态材料验证，故仅给有限可审计性分数。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →