muse-agent-example/muse/lifecycle/quality/humanization/skills/诊断机器味/SKILL.md

name, description, disable-model-invocation

name	description	disable-model-invocation
诊断机器味	技能 3 诊断：对目标正文跑 active 规则库，产出带精确片段与证据的发现清单，检测完成自动落库。只查不改；没有本产物，修正正文机器味 拒绝启动。	true

诊断(scenario: deai_diagnose | purpose: detection | 槽位: 检测→detector)

何时用：每次生成后对候选正文跑一次；也可对既有正文回溯诊断。诊断是修订的唯一合法前置（专题-09 铁律：没诊断不能改）。

执行顺序

1. scripts/diagnose_ai_flavor.py run --text-file <正文> --work-ref <作品引用> --output <产物.json>。
2. 确定性层按五层合同执行：regex、handler、density 由代码运行；carrier scope 会屏蔽明确对白/场内载体；结构/语义层由模型或人产出 finding 后，用 --external-findings 注入。
3. 外部 finding 必须绑定当前正文 hash、active 规则、规则版本和 layer；缺任一项直接拒绝。规则库指纹覆盖完整规则内容，触发器未升版本也会使旧诊断失效。
4. 诊断建议保守：blocking mechanical 才可默认 repair，其它命中进入 ask/仲裁；carve-out 只作为候选，不自动删除。
5. 产物头（text_hash、规则库版本、mode、发现清单）缺任何一项，下游视为诊断未发生。
6. 检测完成即落库：example_run + example_quality_result（judge_kind=detection，绑正文 sha256）；--offline 仅作显式离线回放。

输出合同

诊断产物 JSON：产物头 + findings[]。每条 finding 带 id / rule_id / spans / context_window / evidence / confidence / decision_proposal（确定性层产 ask，blocking 机械规则产 repair；语义层外部注入的 finding 可为 pending/ask/keep）。到这里一个字没改；作者可以只看报告不动手。

数据库读写合同

• 读：规则/样例读 example_ai_flavor_rule / example_ai_flavor_sample（DDL-111 运行时权威）；数据库不可用失败关闭，不静默回退 Git；--offline 显式使用 humanization/ 文件资产（离线夹具/回放）。
• 写：example_run（幂等 upsert，run_id=作品+文本哈希+规则库版本）、example_quality_result（append-only）。

红线

• 诊断不得改正文、不得产 patch。
• decision_proposal 只是机械层初步建议；候选/语义命中必须经过功能仲裁，不能当执行指令。
• 命中不等于修改命令：发现清单是给仲裁的输入，不是执行指令。

复利合同

• 可复用的观察应登记为 example_lesson 或范式/规则候选（见 记录运行证据 / 建立机器味规则）；当前 manifest 标记为 closed_loop，接线按 P4 批次推进。

输入

• 用户明确点名本 Skill 所服务的创作阶段任务包（作品、章节/场景范围、冻结上下文摘要）。
• 只消费 本 Skill 的 references/ 目录 中与当前阶段相关的合同段落。