AK-Threads-Booster SKILL 架構解析：設計原則學習報告

分析目的：不是安裝使用，而是從開源 SKILL 工程設計中萃取可改善我們系統的設計原則 分析日期：2026-04-29 來源 Repo：github.com/akseolabs-seo/AK-Threads-booster（MIT License） 對比對象：tzlth-hq .claude/skills/ 現有 SKILL 系統（週報.md / 品牌分析.md / 諮詢完整輸出.md 為主要對比樣本） 類型：design-analysis（SKILL 架構設計研究，非內容學習分析）

---

Section 一｜Repo 結構與文件組織

AK-Threads-Booster 結構（已驗證）

AK-Threads-booster/
├── SKILL.md          ← 路由層：接收用戶意圖 → 分派到對應子模組
├── AGENTS.md         ← Agent 入口：整體系統說明 + 8 模組清單
├── skills/           ← 子技能層（8 個，每個獨立目錄）
│   ├── analyze/SKILL.md    （最常用，14.6 KB — 診斷性分析）
│   ├── draft/SKILL.md      （14.6 KB — 內容起草）
│   ├── voice/SKILL.md      （品牌聲音建立）
│   ├── setup/SKILL.md
│   ├── topics/SKILL.md
│   ├── predict/SKILL.md
│   ├── review/SKILL.md
│   └── refresh/SKILL.md
├── agents/           ← 與 skills/ 平行的 Agent 定義層
├── knowledge/        ← 系統級知識（data-confidence.md 等）
├── templates/        ← 輸出模板
├── scripts/          ← 輔助腳本
├── examples/         ← 使用範例
└── .claude-plugin/   ← Claude Code 插件設定

我們的結構（當前狀態）

tzlth-hq/
└── .claude/
    └── skills/         ← 扁平結構，26 個 .md 文件，無子目錄
        ├── 週報.md
        ├── 品牌分析.md
        ├── 諮詢完整輸出.md
        └── ... (23 個其他 SKILL)

關鍵差異

---

Section 二｜觸發詞設計分析

AK 的觸發詞設計

Root-level SKILL.md 路由（8 個意圖分類）：

關鍵設計原則：

• 觸發詞支援中英文雙語（起草 = draft）
• 根層路由 不處理業務邏輯，只做分派
• 路由決策 明確記錄 在 AGENTS.md 的入口說明

我們的觸發詞設計

• 觸發詞直接寫在各 SKILL .md 頂部，無統一路由層
• 中文觸發詞為主（如「給我週報」「品牌分析 [帳號名稱]」）
• 26 個 SKILL 各自獨立，無分類層次

對比結論

AK 的路由層設計讓系統在意圖不明確時有機會先分類再執行，而我們的設計需要 Tim 精確說出觸發詞。目前 26 個 SKILL 的量還在可管理範圍內，但觸發詞衝突風險隨 SKILL 數量增長而上升。

---

Section 三｜資料流架構（Tracker-Centric 設計）

AK 的資料流設計（核心）

單一正規資料源（Canonical Source）：

threads_daily_tracker.json  ←  所有 8 個模組都以此為基礎

各模組讀取策略（/analyze 為例）：

Path A（完整）: tracker + style_guide.md + concept_library.md + brand_voice.md
Path B（部分）: 只有 tracker → 從 tracker 衍生基準線（標注低信心）
Path C（最少）: 無 tracker → 請用戶提供 5-20 則範本貼文

資料信心等級（knowledge/data-confidence.md）：

品牌聲音（brand_voice.md）三模式：

• /draft：作為創作驅動器（composition driver）— 唯一使用完整聲音的模組
• 其他模組：觀察用途（observation-only）— 標注漂移，不強制套用
• Manual Refinements 區塊：從不自動覆寫（用戶的手動修正有最高優先級）

我們的資料流設計

各 SKILL 各自定義要讀取的文件，沒有統一資料層：

• 品牌分析：讀取 watchlist.md + 歷史分析檔
• 諮詢完整輸出：讀取 CRM client-log.md + career-problem-patterns.md
• 週報：讀取 12 個部門 CLAUDE.md + 各系統狀態文件

關鍵差距

1. 無資料信心分類：我們的分析結果沒有標注「這條結論是基於 Deep 資料還是 Directional」
2. 無優雅降級路徑：缺少前置資料時，有些 SKILL 直接停止（諮詢完整輸出前置條件三選一），缺乏「以較低信心繼續」的設計
3. 無正規資料層：每個 SKILL 獨立讀取文件，相同文件可能被多個 SKILL 讀取但方式不同

---

Section 四｜複利迴路設計

AK 的複利迴路

用戶發布貼文
    ↓
/refresh 模組更新 threads_daily_tracker.json（加入最新貼文 + 互動數據）
    ↓
tracker 積累 → /analyze 分析品質提升（更多歷史對比）
    ↓
tracker 積累 → /voice 品牌聲音精準度提升（更多文體樣本）
    ↓
brand_voice.md 更新 → /draft 起草品質提升
    ↓
更好的貼文 → 更多互動 → 更豐富的 tracker

設計重點：

• /refresh 是系統的「心跳」— 每日執行維持資料新鮮
• 所有複利都圍繞 tracker 這個單一節點運作
• Freshness Gate（/draft Step 2.5）：每次起草前執行 WebSearch，確認話題不重複 + 時效性，結果記入 threads_freshness.log（JSON append），形成話題飽和度歷史
• 這個設計讓資料量越多，AI 表現越好（而不是每次 Session 重新開始）

我們的複利迴路

我們有類似設計但分散：

• 看板：auto-fetch.bat 定期抓取 Threads 數據 → threads-data.json 積累
• 知識庫：八維分析 → analyses/ 積累 → active surfacing 機制引用
• IMP 機制：觀察積累 → 三次閾值觸發 → 升規 CLAUDE.md

差距：

• 我們的 SKILL 執行沒有 execution log（每次執行的輸入/決策/輸出不被記錄）
• Freshness Gate 只存在於 CLAUDE.md Q7 嚴謹（IMP-040），沒有嵌入具體 SKILL 的執行步驟
• 內容創作相關的 SKILL（輪播貼文、品牌分析）沒有系統性地查詢 Threads 話題飽和度

---

Section 五｜輸出規範品質

AK /analyze 的輸出序列設計（11 段固定順序）

1. Algorithm Red Lines        ← 優先：無紅線 → "No red lines triggered."
2. Decision Summary           ← 上行驅動因素 + 阻礙 + 受眾適配（簡短）
3. Proposed Changes (Pointed) ← 精確位置/問題/建議/原因/優先級（逐條可接受/拒絕）
4. Highest-Upside Comparisons
5. Suppression Risks
6. Style Matching Summary
7. Psychology Analysis
8. Algorithm Signal Assessment
9. AI-Tone Detection
10. Reference Strength         ← 資料路徑 + 樣本量 + 每條主張的信心等級
11. Questions for You          ← 由 config 控制；最多 3 個具體問題

關鍵設計原則：

• 「skip sections with no genuine signal」— 沒有實質信號的段落直接跳過，不強制輸出
• 每個提議的修改「individually acceptable/rejectable」— 用戶可以逐條決策
• Reference Strength 段落確保每條主張的信心等級可追溯

AK /voice 的輸出設計

• 14 個維度，每個維度必須有原文佐證（no claim without evidence）
• Manual Refinements 區塊：用戶編輯後永遠不覆寫
• Completion Reporting 明確聲明：「This is a first-draft reference.」（預設謙遜而非定論）

我們的輸出規範現況

差距：

• 我們的輸出規範有「必輸出什麼」但沒有「何時可跳過」
• 沒有「Reference Strength」等效機制（分析結論的信心等級不透明）
• 單一採用點的「可接受/可拒絕」粒度不足（只有整體採用/不採用列表）

---

Section 六｜WHY 說明品質（對比 RCF-012 標準）

RCF-012 標準（我們自訂）

規則要說明「為什麼這樣做」，讓 Claude 在未預見的情境中能舉一反三，而不只是機械服從。

AK 的 WHY 設計

嵌入方式：各模組說明頁（SKILL.md）中直接寫入 Operating Mandate，解釋設計的底層邏輯：

特別值得注意的 WHY 模式：

• 邊界 WHY：明確說明「/draft 是唯一把 brand_voice.md 作為創作驅動器的模組」— 防止其他模組誤用
• 保護 WHY：Manual Refinements「never overwrite」的原因是「user edits win over generated content」
• 降級 WHY：Path A/B/C 設計的原因是讓系統在資料不完整時仍能有用，而非直接失效

我們的 WHY 現況

有 WHY 的 SKILL（RCF-012 後升規的）：

• 品牌分析.md：每個 Step 都有 WHY 說明（約佔文件 30%）✅
• 諮詢完整輸出.md：Step 級別的 WHY，品質良好 ✅

缺 WHY 的 SKILL：

• 週報.md：9 步驟、120 行，無任何 WHY 說明 ❌（為何雙路徑輸出？為何包含哪些部門？）
• 多數 P2/P3 任務相關 SKILL：純執行步驟列表，無設計邏輯 ❌

差距判斷：AK 的 WHY 設計更系統化，我們雖然有 RCF-012 標準但執行不一致（新 SKILL 有 WHY，舊 SKILL 多數沒有）。

---

Section 七｜差距清單

差距一：無資料信心分類機制

差距二：無優雅降級路徑（Graceful Degradation）

差距三：無 Freshness Gate 系統化嵌入

差距四：輸出 skip 邏輯缺失

差距五：SKILL 邊界說明缺失

差距六：WHY 說明覆蓋率不均

差距七：缺少 Hook/Payoff Gap 自查機制

來源：knowledge/psychology.md（補讀發現，2026-04-29）

差距八：缺少系統性 AI 味偵測步驟

來源：knowledge/ai-detection.md（補讀發現，2026-04-29）

差距九：缺少資料所有權定義

來源：skills/review/SKILL.md（補讀發現，2026-04-29）

差距十：缺少知識漂移偵測機制

來源：knowledge/chrome-selectors.md（全讀確認，2026-04-29）

---

Section 八｜可採用設計原則（依改善幅度 × 實作成本排序）

P1：立即可採用（高改善幅度 × 低實作成本）

原則 A：輸出 skip 邏輯（「no genuine signal = skip」）

• AK 設計：/analyze 明確定義各段落有無信號時的處理邏輯
• 採用方式：在品牌分析 Section 九 D 子節「樣本 < 9 則 skip」的模式已經存在，明確化為通用規則：「任何分析段落：若資料不足以支撐有意義結論 → 標注原因並跳過，不強制填充空洞內容」
• 落地位置：CLAUDE.md 內容創作模式 / 品牌分析 SKILL 輸出品質標準

原則 B：「不應選本 SKILL 的情境」標準格式

• AK 設計：每個模組有 Hard Constraints + 清楚說明 non-use cases
• 採用方式：我們的品牌分析.md 已有「⚠️ 不應觸發情境」章節（✅）。對缺少此節的 SKILL 補入，特別是功能相近的三個諮詢 SKILL（諮詢完成/諮詢完整輸出/會議整理）
• 落地位置：諮詢完成.md / 會議整理.md 補入「不應觸發情境」

原則 C：Reference Strength 輸出段（每條主張標注信心等級）

• AK 設計：/analyze 輸出第 10 段明確列出「Data path, sample size, confidence per claim」
• 採用方式：諮詢前分析 SKILL Step 4 輸出後加「分析依據強度」段落：標注哪些觀察是「Strong（有文件依據）」哪些是「Directional（推論）」
• 落地位置：諮詢前分析.md 輸出格式

P2：近兩週可規劃（高改善幅度 × 中實作成本）

原則 D：Freshness Gate 嵌入內容 SKILL

• AK 設計：/draft Step 2.5 強制 WebSearch 確認話題 + 自我重複風險 + 記錄到 log
• 採用方式：輪播貼文 SKILL 新增「發文前自查步驟」：WebSearch 確認話題近期有無過度飽和 + 查近 10 篇 Threads 貼文確認不重複
• 落地位置：輪播貼文.md 新增步驟（或 CLAUDE.md 內容創作模式新增通用要求）

原則 E：週報.md 補入 WHY 說明

• AK 設計：每個模組都有 Operating Mandate 解釋設計邏輯
• 採用方式：週報.md 每個關鍵決策補充 WHY（為何雙路徑輸出？為何涵蓋 12 部門而非精選？跳過空數據系統時的依據？）
• 落地位置：週報.md 補修

原則 F（新增）：Hook/Payoff Gap 自查嵌入內容 SKILL

• AK 設計：psychology.md 的三環節檢驗（開頭/正文/結尾）+ /analyze Psychology Analysis 段落系統化識別「期待被背叛」型貼文
• 採用方式：輪播貼文 SKILL 輸出後加入一步自查問題：「第一張卡片 Hook 的承諾，最後一張卡片是否完整兌現？若兌現的 Payoff 少於 Hook 製造的期待，標注並要求 Tim 補強或降低 Hook 強度」
• 落地位置：輪播貼文.md 新增輸出後自查步驟（Step 最末段）

原則 G（新增）：AI 味三層自查嵌入內容 SKILL 輸出前

• AK 設計：ai-detection.md 系統化三層偵測（語句/結構/內容）+ 6 確定項濃度判定，是 /analyze 的固定輸出段落
• 採用方式：輪播貼文 SKILL 輸出後自查語句層（AI 模式詞：「深層」「值得」「關鍵」等過度正面詞）+ 結構層（是否每張卡片都是完美列點）+ 內容層（是否只有通用建議無個人故事）；確定項 ≥ 3 → 輸出時明確標注「濃度高」並指出具體句子
• 落地位置：輪播貼文.md 新增 AI 味自查步驟（與 Hook/Payoff Gap 合併為「輸出前品質自查」區塊）

P3：評估期（中改善幅度 × 高實作成本）

原則 F：子技能模組化

• AK 設計：8 個獨立 skills/[name]/SKILL.md，每個 ~14KB，高度模組化
• 評估結論：我們的 26 個 SKILL 已有清晰觸發詞邊界，扁平結構目前運作正常。若 SKILL 數量超過 40 個或觸發詞衝突增加，再考慮引入子目錄層次
• 採用決策：暫不採用，觀察期 6 個月（至 2026-10）

原則 G：SKILL 執行 Log（JSON append）

• AK 設計：threads_freshness.log 記錄每次 /draft 的執行決策
• 評估結論：對於核心業務 SKILL（諮詢完整輸出）有價值，但實作需建立日誌格式 + 定期清理機制
• 採用決策：暫不採用，等 multi-session 框架建立後評估（因跨 session 持久化有賴於新架構）

---

Section 九｜具體改善建議（Task-Ready）

建議一：品牌分析 + 諮詢前分析 SKILL 加入 Reference Strength（P2 任務）

具體做法： 在 品牌分析.md Step 5 輸出格式末尾加入「分析依據強度聲明」：

## 分析依據強度
- Section 八 B 可學習優點：Strong（基於 15 則貼文直接觀察 + 互動數據）
- Section 九 D 高低互動比較：Usable（樣本 12 則，高互動閾值 ≥ 9 likes）
- Section 五 可採用點：Directional（基於定性觀察，未有量化驗證）

在 諮詢前分析.md Step 4 輸出末加入「P-type 判斷信心等級」：Strong/Usable/Directional + 依據。

---

建議二：功能相近 SKILL 補入「不應觸發情境」（P2 任務）

目標 SKILL（已有 ✅ 的無需修改）：

• 諮詢完成.md：❌ 缺失 → 補入（主要邊界：有逐字稿 → 改用「諮詢完整輸出」）
• 會議整理.md：❌ 缺失 → 補入（主要邊界：已有完整問題清單 + 需全套輸出 → 改用「諮詢完整輸出」）
• 品牌分析.md：✅ 已有

---

建議三：輪播貼文 SKILL 新增 Freshness Gate（P2 任務）

具體步驟（新增為 Step 2.5）：

Step 2.5：發文前 Freshness Check（新增）
- WebSearch：「[主題關鍵字] Threads 2026」確認話題飽和度
- 自查：Grep threads-data.json 近 10 篇確認不重複同主題
- 決策：Green（話題新鮮，繼續）/ Yellow（有重複但角度不同，調整 Hook）/ Red（話題過飽和，建議換主題）

---

建議四：週報.md 補入 WHY 說明（P3 任務）

目標段落：

• Step 1 拉取協議：「WHY：週報前必須讀取最新文件而非使用記憶，因為系統狀態隨時變動，靠記憶的週報 = 過時資訊報告。」
• Step 8 雙路徑存檔：「WHY：weekly-report.md 是即時索引（Tim 快速掌握），weekly/YYYY-WXX.md 是完整歷史（回顧對比用）；合二為一會導致即時索引難以瀏覽。」
• 跳過空系統說明：「WHY：若系統沒有本週活動記錄，強制填充等於製造虛假健康感，反而遮蓋需要注意的系統沉寂。」

---

建議五：輪播貼文 SKILL 新增輸出後品質自查區塊（P2 任務）

具體做法（新增為最末 Step）：

Step X：輸出後品質自查（新增，来自 AK psychology.md + ai-detection.md）

[Hook/Payoff Gap 自查]
Q：第一張卡片 Hook 製造的期待，最後一張是否真正兌現？
- 兌現 ✅ → 繼續
- 未兌現 ❌ → 選擇：(a) 補強 Payoff 內容，或 (b) 降低 Hook 強度避免期待被背叛

[AI 味三層自查]
語句層：是否出現「深層/值得/關鍵/有效」等過度正面詞？
結構層：是否每張卡片都是完美對稱列點？
內容層：是否只有通用建議、無個人故事或具體案例？
確定項 ≥ 3 → 標注「AI 濃度高」並列出具體需改寫的句子

---

建議六：品牌分析 Section 九 D 閾值統一（P2 小修）

問題：品牌分析.md Section 九 D 高低互動比較目前寫「樣本 < 9 則改質性描述」，但 data-confidence.md 的弱資料門檻是 5-9 posts（Weak 等級），完整資料五等級的分界點在 10 則（Usable ≥ 10）。

修正：Section 九 D 閾值從「< 9」改為「< 10」，與 data-confidence.md 的五等級標準對齊：

更新前：「若樣本數 < 9 則改為質性描述而非統計比較」
更新後：「若樣本數 < 10（Weak 等級）則改為質性描述，標注 ⚠️ Weak confidence」

---

總結

AK-Threads-Booster 的 SKILL 設計哲學可用三句話概括：

1. 「診斷性，而非規定性」（Diagnostic, not prescriptive）— 分析模組不主動改寫用戶的東西，只提出有依據的建議
2. 「信心透明」（Reference Strength visible）— 每條結論附上資料基礎和信心等級，讓用戶知道推論的強度
3. 「優雅降級」（Graceful degradation）— 資料不完整時不崩潰，以較低信心繼續提供有用服務

我們的系統在執行流程嚴謹性（HARD STOP + 兩段式查照）和知識資產管理（analyses/ + brand-benchmarks/ + improvements.md 三層積累）上優於 AK；在輸出信心透明度和話題 Freshness 管理上有明顯可改進空間。

---

分析完成：2026-04-29 | 分析者：Claude CEO 補讀更新 v1：2026-04-29 — 新增 Section 七 差距七-九（psychology / ai-detection / review / setup 補讀）+ Section 八 原則 F-G + Section 九 建議五-六 補讀更新 v2：2026-04-29 — chrome-selectors.md 補確認：新增差距十（知識漂移偵測）；最終統計：共 10 個差距、7 個可採用原則（P1:3 / P2:5 / P3:2）、6 個 Task-Ready 建議；所有 15 個有效文件全部讀取完成（chrome-selectors.md 為第 15 個）