holyorevil/ascend-history-to-skill

Ascend History To Skill

Overview

这个 skill 用于把历史对话、执行记录、会话日志中的昇腾经验沉淀成可复用 skill。 优先提取已经跑通过的环境、代码修改、验证命令、性能结果和排错结论，避免把未验证的讨论直接写进 skill。

Workflow

1. 明确目标模型和范围

先确认以下信息；若用户没给全，做最小必要推断：

• 目标模型名，如 esm2、DiffSBDD、Boltz2
• 目标阶段：适配、优化，或两者都要
• 历史来源：codex、claude-code、opencode、cursor，默认全搜
• 输出位置：默认写到 ~/.codex/skills/<model-skill-name>/

若模型名存在常见变体，同时搜索：

• 原始名，如 esm2_t33_650M_UR50D
• 仓库名，如 esm-main
• 连字符、下划线、大小写变体

2. 搜索历史记录

优先运行脚本：

python scripts/search_history.py --model esm2 --stage adapt,optimize --output markdown

按需补充关键词：

python scripts/search_history.py   --model esm2   --stage adapt,optimize   --keyword torch_npu   --keyword TASK_QUEUE_ENABLE   --keyword esm2_t33_650M_UR50D

若默认路径没命中，读取 references/history-sources.md，再显式追加 --root。

如果命中里混入当前任务或其他噪声，可追加 --exclude-term <keyword> 做二次过滤。

3. 只保留高价值证据

优先保留这些记录：

• 明确的环境创建与依赖安装命令
• 已落地的代码修改点、脚本路径、关键参数
• 真实跑通的验证命令和输出产物
• 有数字的性能对比、精度对比、benchmark 结论
• 真实报错及对应修复

降权或丢弃这些记录：

• 只有用户提问、没有执行结果的片段
• 纯 brainstorming、没有落地命令的讨论
• 与目标模型无关、只共享“昇腾”关键词的记录
• 被后续记录推翻的旧方案

4. 整理成 skill 素材

从命中的历史中提炼以下结构化信息：

• 模型/仓库定位：仓库路径、入口脚本、权重名
• 环境要求：Python、torch、torch_npu、CANN、conda 环境名
• 适配步骤：入口注入、CUDA API 替换、第三方库处理、分布式约束
• 优化步骤：热点路径修改、运行时环境变量、benchmark 口径
• 验证步骤：README 命令、最小推理、精度/性能验收标准
• 常见问题：真实遇到的错误和修复动作

如果历史里同一模型已有旧 skill，优先更新它，而不是再造一个近似副本。

5. 生成模型 skill

新 skill 应尽量复用历史中已经证明可行的命令和路径，避免重新发明流程。 生成时遵循这些规则：

• 默认输出目录：~/.codex/skills/<model-skill-name>/
• SKILL.md 要写清触发场景，不要只写模型名
• 只写已验证通过的步骤；未验证内容必须明确标注
• 若同一模型同时有“适配”和“优化”记录，按“先能跑、再跑快”的顺序组织
• 若历史里有本地脚本、命令模板、验证模板，优先放进 scripts/ 或 references/

6. 生成后验证

至少做两类验证：

1. 结构验证：

python /root/.codex/skills/.system/skill-creator/scripts/quick_validate.py ~/.codex/skills/<model-skill-name>

2. 内容验证：

• 检查 skill 中引用的路径、环境名、脚本名在本机是否真实存在
• 检查验证命令是否来自历史中的成功记录，而不是未执行草案
• 若有性能数字，确认 baseline 和优化版口径一致

Notes

• 历史路径和存储格式会随工具版本变化。默认脚本只提供常见位置，必要时自行扩展 --root。
• SQLite 命中需要二次人工确认上下文，避免把 unrelated row 当作结论。
• 如果不同工具历史互相矛盾，以最近、已验证、带产物的记录为准。
• 当用户要“直接生成 skill”时，不要停在搜索结果；应继续整理并落盘。