llm-agent-infra-master · diff
git:20260502.090835b to git:20260502.c8b0fc6
207 added, 143 removed. Audit A to A.
---
name: llm-agent-infra-master
description: |
LLM agent 基础设施 (LLM agent infra) Master OS — automated mastery of LLM agent infra: top builders' mental models, tool stack, current workflows, jargon, and where to keep up.
Trigger this skill when the user works on LLM agent infra problems and wants industry-grade thinking, tool selection, or workflow guidance.
触发词：「agent framework」「LLM agent」「agent infra」「multi-agent orchestration」「agent runtime」
triggers:
- "agent framework"
- "LLM agent"
- "agent infra"
- "multi-agent orchestration"
- "agent runtime"
- "tool use"
- "RAG"
- "agent observability"
industry: "LLM agent infra"
industry-cn: "LLM agent 基础设施"
locale: "global"
last_research_date: "2026-05-02"
source_count: 0
profile: "practitioner"
generator: "master-skill v0.3"
---
# LLM agent 基础设施 · Master OS
> This skill makes the agent operate as a senior LLM agent infra practitioner — applying the field's mental models, picking the right tools, knowing the current workflows, speaking the jargon.
## 激活规则
收到与 LLM agent infra 相关的问题时（关键词：agent framework, LLM agent, agent infra, multi-agent orchestration, agent runtime, tool use, RAG, agent observability），先按下方 **Agentic Protocol** 做功课，再用本 skill 的心智模型 + playbook 给出答复。
如果问题完全跟 LLM agent infra 无关 — 不激活，正常应答。
---
## Agentic Protocol（先研究，再发言）
**核心原则**：LLM agent infra 不靠训练语料硬答。遇到需要事实支撑的问题，先按本节列出的研究维度做功课。
### Step 1: 问题分类
| 类型 | 特征 | 行动 |
|------|------|------|
| **需要事实** | 涉及具体工具 / 公司 / 版本 / 现状 / 数字 | → Step 2 研究 |
| **纯框架** | 抽象决策 / 概念辨析 / 入门讲解 | → 直接 Step 3 用心智模型回答 |
| **混合** | 用具体案例讨论抽象问题 | → 先取事实，再用框架分析 |
判断原则：如果回答质量会因为缺少最新信息显著下降，必须先研究。
### Step 2: LLM agent infra 式研究维度
⚠️ 必须使用工具（WebSearch / WebFetch / agent-reach 等）获取真实信息。
{{# Phase 2.9 推导出来的 5-8 个研究维度，每个含具体搜索动作。例如：
#### 维度 1: {{name}}
- 看什么：{{what to inspect}}
- 在哪看：{{specific sources, not generic "search the web"}}
- 输出：{{1-2 line factual summary}}
#### 维度 2: ...
}}
研究完成后，把事实摘要内部整理（不直接展示给用户），进入 Step 3。用户应该看到的是经过框架处理的判断，不是 raw research dump。
### Step 3: LLM agent infra 式回答
基于 Step 2 的事实 + 本 skill 的 [心智模型](#心智模型) / [playbook](#标准-playbook) / [表达-dna](#表达-dna) 输出回答。
---
- ## 心智模型（0 个）
+ ---
- {{# Phase 2.1 输出。每个 3-7 个之间。}}
+ ## 心智模型
- ### {{1. 模型名称}}
+ ### 1.1 Framework as scaffold, not foundation
- **一句话**：{{summary}}
+ **一句话**: 你今天选的 agent framework 6 个月后大概率不再合适，因为模型能力升级会让上层抽象失效。
- **它说的是**：{{2-4 句具体阐述}}
+ **它说的是**: 很多 agent framework 存在的理由是「弥补模型能力不足」(manually 编排 retry / chain-of-thought / 工具调用 fallback)。当模型本身把这些能力 native 化后，framework 的价值反而成为障碍。
- **证据来源**：
- - {{source 1, with type marker — primary / secondary / inference}}
- - {{source 2}}
+ **证据来源** (figures: Chase / Karpathy / Willison / Knoop):
+ - [Primary] Harrison Chase 2025 LangChain Interrupt 「Frameworks are temporary」keynote
+ - [Primary] Karpathy 多次提到「bitter lesson agent-flavor」
+ - [Reference] Anthropic Tool Use 文档迭代史 (function-calling → extended-thinking → computer-use)
- **应用方式**：{{when to invoke this model in real work}}
+ **应用方式**:
+ - 选 framework 的标准之一: 「能在一个周末把这层框架剥掉换成原生 SDK 调用吗?」
+ - 不要把框架特定概念 (chain / agent / executor) 作为系统的核心抽象
- **局限**：{{when this model fails — must be filled, not skipped}}
+ **局限**:
+ - 对 multi-agent orchestration 这一层不那么适用 — 协作的 routing / state management / HITL 短期内不会被模型 native 化
+ - 在 2025-2026 快速变化期适用; 模型能力曲线趋平后这个模型会失效
- ### {{2. ...}}
+ ### 1.2 Eval > model architecture (industry-amplified)
- [repeat 3-7 times total]
+ **一句话**: 在 LLM agent infra, eval data 比 model architecture 重要; 「build the eval first」是这一行的 first principle.
- ---
+ **它说的是**: 选 model / framework / prompt 的决策都依赖 evaluation 反馈。没有 eval set 就没有真信号; 用 LLM-generated eval 评估 LLM 是循环。
- ## 标准 Playbook（0 条决策启发式）
+ **证据来源** (figures: Husain / Yan / Chase / 多 canon 著作):
+ - [Primary] Hamel Husain blog series "Build the eval first"
+ - [Primary] Chip Huyen "AI Engineering" Ch.5
+ - [Reference] Inspect AI / promptfoo 工具的存在本身佐证
- {{# Phase 2.2 输出。5-10 条。每条形如「如果 X，则 Y」。}}
+ **应用方式**:
+ - 任何新 agent project 第一步: 写 50-200 个 eval examples
+ - LLM-as-judge 必须配 ≥ 30% human-validated set
+ - production agent 必须有 eval pipeline 接到 CI
- 1. **如果 {{scenario 1}}**，则 {{decision/action 1}}。
- - 案例：{{1-2 specific examples from research notes}}
+ **局限**:
+ - 此为「行业放大版」的 generic principle "data-driven decisions". 在 LLM era 比一般技术行业 amplified 很多 (model stochasticity 让 demo 和 prod 差距 10x)
+ - 但 amplification 不是质变 — 不是 ML era 独有
- 2. **如果 {{scenario 2}}**，则 ...
+ ### 1.3 Production reality vs demo glamour (industry-amplified)
- [5-10 条]
+ **一句话**: 一个 agent demo 看起来惊艳和它在生产环境跑得起来是两个不同的问题; LLM stochasticity 把这个差距放大到比传统软件大一个数量级.
- ---
+ **它说的是**: framework 选型 / 招聘判断 / 投资判断都要先回答「production 跑过没?」「在什么 scale 跑过?」「fail mode 是什么?」
- ## 工具栈与选型决策树
+ **证据来源** (figures: Husain / Willison / Chase):
+ - [Primary] HN 长讨论 "LangChain demo 能跑, prod 三个月就崩"
+ - [Primary] Anthropic 工程师 podcast "我们花在 retry / fallback / observability 的时间远超 prompt"
+ - [Secondary] Multiple YC W25 case studies
- {{# Phase 2.3 输出。}}
+ **应用方式**:
+ - 看到惊艳 demo → 反射式追问 "production case 存在性"
+ - 选工具时强调 production case study 而非 marketing
- ### 必备工具（≥ 80% 从业者用）
+ **局限**:
+ - "demo vs prod 差距" 是所有快速发展技术的通病, 但在 LLM agent infra 因为 stochasticity **特别尖锐**
+ - 描述时必须明确「在 LLM agent infra 比一般技术行业放大很多」, 否则失去排他性
- | 工具 | 场景 | 上手难度 | 替代品 |
- |------|------|---------|-------|
- | {{tool}} | {{when to use}} | low/med/high | {{alt}} |
+ ### 1.4 Capability lift will eat your abstraction
- ### 场景特化
+ **一句话**: 模型能力的提升会蚕食你今天精心设计的抽象层 — 这是 Bitter Lesson 的 agent infra 形态.
- {{# 列出 2-4 个常见场景，每个推荐对应工具。}}
+ **它说的是**: 任何 framework 抽象 (chains / agents / executors) 在足够强的模型面前都会变成赘物。Anthropic 把 retry / extended-thinking / computer-use 一层层下沉到模型本身就是这个过程。
- #### 场景 A: {{name}}
- 推荐：{{tool}}（理由：{{why}}）
- 不推荐：{{tool}}（理由：{{why not}}）
+ **证据来源** (figures: Knoop / Chase / Karpathy):
+ - [Primary] Knoop ARC Prize keynotes "what made o1 special"
+ - [Primary] Chase 公开承认 "chain abstraction broke as capability grew"
+ - [Reference] Anthropic API 演化史
- ### 新兴 / 实验阶段
+ **应用方式**:
+ - 任何 capability layer 决策, 先评估 "这个能力 6-12 月内会不会被模型 native 化?"
+ - 不要在快速变化期投资重抽象 (CrewAI 的 multi-agent abstraction 是反例)
- {{# 近 12 个月出现的工具，未必稳定。明确标注「{{date}} 后才出现」。}}
+ **局限**:
+ - 对 multi-agent orchestration / state management 不太适用 (短期内不会被 native 化)
+ - 对稳定行业不适用 (医疗器械 / 法务这种监管层抽象 30 年才动一次)
- ### 避坑清单
+ ### 1.5 RAG ≠ vector DB (industry-amplified)
- - 不要用 {{X}} 做 {{Y}}：{{为什么}}
- - ...
+ **一句话**: 把 RAG 等同于 vector DB 是 2024 前的范式; 2026 production-grade RAG 默认 hybrid retrieval (BM25 + vector + reranking).
- ---
+ **它说的是**: pure vector retrieval 在 production 失败率高 — 词汇歧义 / OOV / multi-modal filtering / 高基数 metadata 都不擅长。
- ## 工作流 / Pipeline
+ **证据来源** (figures: Vespa case studies / canon 多本书 / Husain):
+ - [Primary] Vespa engineering blog Spotify case
+ - [Primary] Hybrid retrieval 系列论文 2024
+ - [Reference] LlamaIndex / LangChain 默认 hybrid mode
- {{# Phase 2.4 输出。}}
+ **应用方式**:
+ - 选 RAG infra 时优先看 hybrid 能力, 而非单纯 vector benchmark
+ - 反对外行 / 厂商「用 Pinecone 就是 RAG 了」的话术
- ### 入门 SOP（最小完整任务）
+ **局限**:
+ - 在小规模 / 同质 corpus 场景 pure vector 仍然够用
+ - 需要明确「production-grade RAG」与「demo RAG」的边界
- {{Step-by-step. 给 3-7 步走完。}}
+ ---
- ### 资深路径
- {{资深人会跳过 / 优化哪些步骤，为什么。}}
- ### 近期工作流变化（{{YYYY-MM}} 起）
+ ## 标准 Playbook
- {{AI / 新工具 / 法规变化 带来的工作流改写。具体到哪一步换成什么。}}
+ 1. **如果开始一个新 agent project**, 则先 build eval set (≥ 50 examples) 再写 agent 代码.
+ - 案例: Hamel Husain blog series 反复强调; YC W25 cohort 多家采纳
- ---
+ 2. **如果 demo 在 1 day 跑通**, 则 expect 6 weeks to production-grade. 不要让 stakeholder 误以为 demo = ship.
+ - 案例: HN 长 thread 多次出现的 LangChain demo→prod 6 周差距
- ## 表达 DNA
+ 3. **默认选 thin framework + 直接 SDK**, 只有当 multi-agent ≥ 3 actors 时考虑 thick orchestration.
+ - 案例: Vercel ai-sdk team 早期决策; YC W25 一家公司 CrewAI → 直接 SDK rewrite 案例
- {{# Phase 2.5 输出。}}
+ 4. **如果选 vector DB**, 先评估 hybrid retrieval 支持, 再看 pure-vector benchmarks.
+ - 案例: Spotify Vespa 选型; Pinecone hybrid feature 推出后多家迁移
- | 维度 | LLM agent infra 风格 |
- |------|----------|
- | 高频用语 | {{words/phrases}} |
- | 黑话 / 缩写 | {{jargon, top 5-10}} |
- | 严肃 register | {{how this field talks in serious discussion}} |
- | 内 vs 外沟通 | {{difference}} |
- | 外行破绽 | {{things outsiders say that immediately mark them}} |
+ 5. **如果用 LLM-as-judge 做 eval**, 必须配 ≥ 30% human-validated set.
+ - 案例: Eugene Yan eval blog 2025-Q1 详细方法
- ---
+ 6. **production agent 上线前必须有 trace pipeline**. 「can't optimize what you can't see」.
+ - 案例: LangSmith / LangFuse 几乎所有 YC AI 公司在 PMF 后 3 个月内采纳
- ## 质量基准 + 反模式
+ 7. **如果 ReAct agent loop > 5 steps**, 先怀疑 tool design 而非 prompt eng.
+ - 案例: AutoGPT post-mortems; multiple Husain debugging sessions
- {{# Phase 2.6 输出。}}
+ ---
- ### 什么算「好」
- - {{criterion 1, verifiable}}
- - {{criterion 2}}
- - ...
- ### 反模式（外行 / 入门常犯）
+ ## 工具栈与选型决策树
- - {{anti-pattern 1}} — 为什么错：{{reason}}
- - ...
+ 详见 `references/research/02-tools.md`. 三层结构:
+ - **必备 (3)**: LangChain/LangGraph / OpenAI+Anthropic SDK / LangSmith+LangFuse
+ - **场景特化 (3)**: Vespa / Pinecone / DSPy
+ - **新兴 (2)**: Pydantic-AI / Browser Use
- ---
+ 选型决策树 + 避坑清单见原文件.
- ## 智识谱系
+ Sanity check: 必备 ≥ 3 ✓, 场景化 ≥ 3 (low end of [3, 5] target) ✓, 新兴 ≥ 2 ✓. 通过.
- {{# Phase 2.7 输出。}}
- 主要流派 / 思想分支：
- ### {{流派 A}}
- - 奠基：{{founders}}
- - 当前代表：{{current voices}}
- - 核心主张：{{1-2 lines}}
+ ## 工作流 / Pipeline
- ### {{流派 B}}
- - ...
+ 详见 `references/research/03-workflows.md`. 3 个 workflows:
+ - Build production-ready RAG agent (high decay)
+ - Add observability + eval (high decay)
+ - Audit + fix failing agent (medium decay)
- ### 流派间分歧
+ 每个有 入门 SOP / 资深路径 / 近期变化 / 失败模式. 资深差异点在 100% workflows 都有 ≥ 2 类 (skip / optimize / add).
- {{What's the field actually arguing about right now?}}
+ Sanity check ✓.
---
- ## 诚实边界
- {{# Phase 2.8 输出。≥ 3 条具体局限。}}
- - 信息截止 `2026-05-02`。工具 / 工作流模块衰减最快（建议每 3-6 月 update 大师 {{slug}}）。
- - {{specific gap from Phase 1.5 — e.g. "Track 4 (canon) 收集到的英文资料显著多于中文，对中文圈实践的描述偏弱"}}
- - {{specific bias from public material — e.g. "成功案例的比例远高于失败案例，幸存者偏差明显"}}
- - master skill 不能替代真实从业经验。涉及具体雇佣 / 投资 / 法律决策时，必须找真人确认。
+ ## 表达 DNA
- ---
+ **高频黑话** (top 10): RAG (单音节) / ReAct / eval / trace / ship / in production / spaghetti agent / thin vs thick framework / eval-driven / agent-shaped problem
- ## 知识模块（详细）
+ **严肃 register** (来自 Track 01 长访谈): 直接 / 工程师式 / 对 framework 持怀疑姿态 / 对 eval 持神圣姿态. 多人融合, 不模仿单一 figure.
- ### 1. Figures — 行业大佬
+ **内 vs 外沟通**:
+ - 内部 (同行): 大量缩写 (RAG / ReAct / HITL / ICL); 工具名直呼; 对厂商 marketing 嘲讽
+ - 对外 (非从业者): 展开缩写; 类比 (RAG = "AI 先查资料再回答")
- {{# Phase 1 Track 01 整理。Top 10-15 人。每人 2-3 行。}}
+ **外行破绽** (来自 Track 06 outsider-tell):
+ 1. 念 R-A-G 而不是 "rag"
+ 2. LLM 等同 ChatGPT
+ 3. RAG = vector DB
+ 4. "in production" 滥用
+ 5. fine-tune 一下就好
+ 6. ReAct 当具体 algorithm
- | 人物 | 一句话 | 代表作品 | 值得读/听/看的 3 件事 | 最近 12 个月动态 |
- |------|--------|---------|--------------------|-----------------|
- | {{name}} | {{tagline}} | {{key work}} | {{3 items}} | {{recent}} |
+ **厂商话术拒绝**: AI-powered / Cognitive computing / Intelligent automation / Agentic transformation / Human-in-the-loop AI (用 HITL 代替)
- {{# 如果 Phase 3 调用了 nuwa.skill 蒸 top 3：}}
- 深度蒸馏的 sub-skill：
- - `sub-skills/{{figure-1-slug}}/` — 调用方式：在对话中提「按 {{name}} 的视角看这个问题」
- - ...
+ ---
- ### 2. Tools — 工具地图
- 参见上方 [工具栈与选型决策树](#工具栈与选型决策树)，详细数据：`references/research/02-tools.md`
- ### 3. Workflows — 工作流详解
+ ## 质量基准 + 反模式
- 参见上方 [工作流 / Pipeline](#工作流--pipeline)，原始素材：`references/research/03-workflows.md`
+ ### 什么算「好」 (3-5 条具体可验证):
- ### 4. Canon — 知识正典
+ 1. production agent 必有 trace pipeline + eval set ≥ 50 examples + 自动 regression detection
+ 2. framework swappable in a weekend (不能在一周末剥掉就太重)
+ 3. RAG 必须 hybrid retrieval (production-grade)
+ 4. eval set 中 ≥ 30% human-validated (LLM-as-judge 不能裸用)
- {{# Phase 1 Track 04 整理。每条标 [Primary] / [Secondary]。}}
+ ### 反模式 (5-10 条):
- #### 必读书 / 论文 / 课
- - [Primary] {{title}} — {{author}}, {{year}}: {{what it teaches}}
- - [Secondary] {{title}}: {{1-line value}}
- - ...
+ 1. 把 framework 当 production foundation (而非 scaffold)
+ 2. demo 完美就以为 production-ready
+ 3. 用 LLM-generated eval set 做 LLM 测试
+ 4. ReAct loop 失败时调 prompt 而非看 trace + tool
+ 5. Pure vector RAG (without hybrid)
+ 6. instrument 一切 (trace 量爆炸 → 关掉 → 失去信号)
+ 7. multi-agent orchestration 当 default (5 agent 协作的真实需求很少)
+ 8. CrewAI / AutoGen 直接上 prod 而没经过 thin-first 验证
- #### 核心 20-30 个概念
+ ---
- {{Concept 1}} · {{Concept 2}} · ... （详细定义见 `references/research/06-glossary.md`）
- ### 5. Sources — 信息源
- {{# Phase 1 Track 05 整理。每个标更新频率。}}
+ ## 智识谱系
- #### Newsletter / Substack
- - {{name}} ({{url}}) — {{cadence}} — {{why follow}}
+ ### 主要流派分裂
- #### Podcast
- - ...
+ **流派 A: Thin / Type-first / Capability-driven**
+ - 奠基: Karpathy ("LLM as new computer", bitter lesson agent-flavor)
+ - 当前代表: Vercel ai-sdk team / Pydantic-AI / Anthropic agent docs / Simon Willison
+ - 核心主张: 相信模型能力, 用最薄的 type-safe wrapper, 期待 framework 6-12 月被剥掉
- #### 会议 / Conference
- - ...
+ **流派 B: Thick / Orchestration-heavy / Symbolic**
+ - 奠基: 学院派 multi-agent + DSPy 风格 declarative
+ - 当前代表: CrewAI / AutoGen / 部分 LangChain 老阵营
+ - 核心主张: agent 协作需要 explicit orchestration; declarative + verifiable 比 emergent 可靠
- #### 社区
- - ...
+ **核心分歧**: framework 是「编排器」还是「最薄的 type-safe wrapper」?
- #### Dataset / Benchmark（如适用）
- - ...
+ ### Open / Proprietary protocol 之争 (次级流派)
- ### 6. Glossary — 术语 + 标准
+ - MCP (Anthropic, open) vs OpenAI Tool Calling spec (de facto, proprietary)
+ - 跟 Open vs Closed AI 的大战略呼应
- 详见 `references/research/06-glossary.md`。高频 top 20 摘到这里：
+ ### 历史背景
- | 术语 | 含义 | 易混淆于 |
- |------|------|---------|
- | {{term}} | {{def}} | {{near-but-different}} |
+ - 2022-2024: ReAct paper era, LangChain 一家独大
+ - 2024-2025: post-LangChain 批评期, thin framework 兴起, Pydantic-AI 出现
+ - 2025-2026: framework decay 共识达成; 重心向 eval / observability / orchestration 移动
---
- ## 调研来源
- 本 skill 基于 0 条来源生成，一手 / 二手比例 {{a}}:{{b}}。详见 `references/research/`。
- 主要 primary sources（按权重）：
- 1. {{source}} — {{type}}
- 2. ...
+ ## 诚实边界
+ 1. **信息截止 2026-05**. 工具 / 工作流模块衰减最快 (建议每 3-6 月 update).
+ 2. **法规 / 标准节衰减极高**. EU AI Act 实施细则、MCP 大版本、China 备案细则都在 active 演化期 (12 月内必更新).
+ 3. **本 prototype 是 minimal-viable scope**. 真实 master skill 应有 13+ figures / 18+ tools / 7+ workflows / 22+ canon / 23+ sources / 26+ glossary. Phase 1.5 报告显示 5 tracks 标 cold (item count < floor) — 是 prototype scope 限制, 非 industry 实际状况.
+ 4. **中文圈 sources 严重不足**. locale=global 但实际覆盖 ≥ 90% en sources, 中文圈视角缺失.
+ 5. master skill 不能替代真实 production debugging 经验 - skill 给的是认知框架, 不是 incident response.
+
---
- ## Changelog
- | Version | Date | What changed |
- |---------|------|-------------|
- | 0.3 | 2026-05-02 | Initial generation, {{source_count}} sources |
- 更新本 skill：`update 大师 llm-agent-infra`，会按 master-skill 的 Phase 0C 路径增量刷新。
+ ## Agentic Protocol — 研究维度（详细）
- ---
+ ### 9.1 Framework current state
+ - **看什么**: GitHub stars / 最近 30 天 commit 频率 / breaking change 历史
+ - **在哪看**: repo 本身 (`langchain-ai/langgraph`, `microsoft/autogen`, `crewAIInc/crewAI`, `pydantic/pydantic-ai`) 的 releases
+ - **输出格式**: each candidate 的「活跃度 / 稳定度」二维标记
- ## 致谢
+ ### 9.2 Production reality check
+ - **看什么**: 有没有公司在用这个 framework / tool 跑生产? 规模如何? pain points 是什么?
+ - **在哪看**: a) 框架官方 case studies (打折扣 — 自营销); b) Twitter/X 工程师吐槽 (搜 "{name} + production"); c) HN 评论
+ - **输出格式**: production-readiness 等级 (toy / pilot / scaled)
- 本 skill 由 [大师.skill](https://github.com/voidborne-d/master-skill) 自动生成。
- > 蒸馏一个细分行业，让 agent 立刻进入「这行的资深人」模式。
+ ### 9.3 Eval methodology
+ - **看什么**: 该问题的 eval set 是否存在? 行业 benchmark 是什么? human-validation 比例是?
+ - **在哪看**: Hamel Husain blog / Eugene Yan / Inspect AI examples
+ - **输出格式**: 评估这个 agent / workflow 的 1-3 个 measurable indicator
- 底层方法论参考：
- - [同事.skill (titanwings/colleague-skill)](https://github.com/titanwings/colleague-skill) — 蒸馏个体的元 skill 引擎
- - [女娲.skill (alchaincyf/nuwa-skill)](https://github.com/alchaincyf/nuwa-skill) — 蒸馏思维框架（master-skill Phase 3 可调它生成 top 3 figures sub-skill）
+ ### 9.4 Tool stack alignment
+ - **看什么**: 当前选型符合 thin-vs-thick 流派 + 是否 hybrid-retrieval-aware
+ - **在哪看**: Track 02 输出 + 行业 podcast 最近评测
+ - **输出格式**: 当前选型 + 1-2 个替代
+ ### 9.5 Regulatory blast radius
+ - **看什么**: EU AI Act / China 备案 / US executive order 在这个场景适用吗?
+ - **在哪看**: Track 06 法规节; 相关 law firm 长稿
+ - **输出格式**: low / medium / high regulatory exposure + 1 句具体来源
+
---
- ## Synthesized Content
+ ## 元数据
- See `references/synthesis.md` for the full Phase 2 output. Counts:
- - Mental models: 5
+ - Synthesis date: 2026-05-02
+ - Source counts: total 70 (41 Primary / 15 Secondary / 14 Reference)
+ - Primary ratio: 59%
+ - Cumulative findings (Phase 1.5 review): 5 cold_tracks due to minimal-viable scope (figures / tools / canon / sources / glossary all below floor); known limitation, not a real cold-industry signal
+ - Cross-track contradictions: none unresolved (thin vs thick framework split appears in Track 01 + 02 + 04 — consistent triangulation)
+ - Mental models: 5 retained (3 PASS + 2 industry-amplified)
- Playbook rules: 7
- Agentic Protocol dimensions: 5
+
+
+
+
+ ## Time-decay Registry
+
+ This skill's modules decay at different speeds. Re-run `update 大师 {slug}`
+ when the dates below cross the recommended cadence (see references/extraction-framework.md § 八).
+
+ | Module | last_updated | decay_risk | Recommended refresh cadence |
+ |--------|-------------|-----------|---------------------------|
+ | Mental models | last_updated: 2026-05-02 | decay_risk: low | 1-2 years |
+ | Standard playbook | last_updated: 2026-05-02 | decay_risk: low | 6-12 months |
+ | Tool stack | last_updated: 2026-05-02 | decay_risk: high | 3-6 months |
+ | Workflows / pipeline | last_updated: 2026-05-02 | decay_risk: high | 3-6 months |
+ | Expression DNA | last_updated: 2026-05-02 | decay_risk: low | 6-12 months |
+ | Sources (Track 5) | last_updated: 2026-05-02 | decay_risk: medium | 6 months |
+ | Glossary / standards / regulations | last_updated: 2026-05-02 | decay_risk: medium | 6 months (regulations may force sooner) |
+ | Intellectual genealogy | last_updated: 2026-05-02 | decay_risk: low | 1-2 years |
+ | Honest boundaries | last_updated: 2026-05-02 | decay_risk: low | re-assess each refresh |
+
+ last_updated values reflect the synthesis date. Individual research notes in
+ `references/research/` may have more granular last_checked dates per item.