企业官网建设流程全解析

• 后端
• 前端
• AI 技能
• AI 插件
• 搜索引擎

导读

convex-improve-convex-plugin是 ClawHub 仓库.agents/skills/下随 Convex 官方 Agent 技能集一起分发的一项"系统改进型"技能：它把当前编码会话的转录（transcript）发送给 Convex 团队维护的 anteaterPOST /review端点，换取一份面向"快速启动（quickstart）系统"的 AI 事后分析（post-mortem）。本文将以该技能文档为骨架，结合仓库内其他 Convex 技能（convex/SKILL.md、convex-quickstart/SKILL.md、convex-add/SKILL.md）与项目规范（CLAUDE.md），完整讲解它的运行流程、命令与参数、输出标记、隐私同意机制，以及它在"Agent 技能自我进化"体系中的定位。

一、这个技能解决什么问题

1.1 定位：系统改进循环，而非终端用户功能反馈

技能文档在开头就划定了边界：

This is a system-improvement loop, not end-user feature feedback.

它收集的不是用户的业务数据，而是Agent 在使用 Convex 快速启动体系时暴露出的系统性问题。评审结果被明确限定为四类结构化发现：

• ambiguous instructions（指令含糊）：runbook、引导脚本或技能说明里描述不清、容易让 Agent 误解的步骤；
• agent-stuck patterns（Agent 卡住模式）：会话中 Agent 反复尝试却无法推进的典型场景；
• tooling failures（工具链故障）：脚手架、CLI、编译/推送环节的真实失败；
• wins（成功经验）：顺利走通的路径，作为正面样本保留。

这些发现的目标对象是runbook（操作手册）、bootstrap script（引导脚本）、skills（技能）与 components（组件）——也就是快速启动系统本身的工件，而不是任何端用户数据。这与仓库中其他"运行时观测"类技能（如convex-monitor关注线上错误、convex-insights查询运行日志）形成互补：前者改进的是 Convex 团队的下发工具，后者改进的是应用自身的运行质量。

1.2 与快速启动系统的关联

在技能生态中，convex-quickstart负责"从一句话想法起步，跑通一个裸的 Next.js + Convex 模板"（见 convex-quickstart/SKILL.md）。convex-improve-convex-plugin正是这条链路的后置反馈环节：每次 quickstart 会话结束后，把转录交给 anteater 做 AI 评审，帮助 Convex 团队持续打磨 quickstart 的 runbook、bootstrap 脚本与配套技能。换言之，两者构成"使用 → 评审 → 改进"的闭环。

二、底层机制：转录、anteater 与结构化评审

从技能文档可以梳理出该功能的技术骨架：

1. 转录来源：当前编码会话的 transcript。规则中明确REVIEW_NO_TRANSCRIPT表示"未找到 Claude/Codex 的.jsonl转录文件"，说明转录文件以.jsonl格式存在于本地会话目录中，由 anteater 提供的辅助脚本负责定位与收集。
2. 上传通道：anteater 服务的send-transcript辅助脚本 + 其POST /review端点。技能文档以<anteater>占位符指代服务地址，实际部署时由运行环境提供（仓库内其他技能如 convex/SKILL.md、convex-add/SKILL.md 同样引用该 anteater 服务来分发能力目录）。
3. 评审输出：结构化 findings，每个 finding 至少包含title（标题）、target（针对哪个工件）、suggestedFix（建议修复），外加wins（成功项）。

可以推断，这是一个"脚本收集 + HTTP 上传 + 服务端 AI 评审 + 结构化回传"的流水线：客户端只负责经用户同意后上传转录并解析标记，评审逻辑全部在 anteater 服务端完成，这与convex-add"获取服务端能力目录、按需拉取最新文档"的设计哲学一致——流程与规则可以随服务端持续更新，无需重装技能。

三、完整工作流程与命令解析

3.1 第一步：运行辅助脚本并携带会话想法

curl -fsSL "<anteater>/send-transcript" | bash -s -- --idea "<one-line app idea from this session>"

要点拆解：

• curl -fsSL：静默跟随重定向、失败即报错，属于"脚本即代码"的经典获取方式；
• <anteater>/send-transcript：anteater 服务提供的辅助脚本端点，脚本由服务端托管，保证与评审端点同步演进；
• --idea "<one-line app idea from this session>"：把本次会话的一句话应用想法作为上下文传给评审。这条元信息帮助评审方理解会话的意图起点，从而更准确地区分"指令问题"与"用户自身目标漂移"。

技能文档特别说明：即使没有附带--idea，脚本也应正常工作；--idea是用于丰富评审上下文的可选增强项（从文档中命令形态可以推断其非必需属性）。

3.2 第二步：处理同意门槛（CONSENT_REQUIRED，退出码 4）

脚本输出CONSENT_REQUIRED并以退出码 4退出时，表示用户尚未做出共享选择。此时必须暂停，向用户确认三选一：

用户明确回答后，重新运行并追加同意参数：

curl -fsSL "<anteater>/send-transcript" | bash -s -- --idea "<idea>" --consent always # 或 --consent once / --consent never

技能文档的硬性规则是：在用户明确表态之前，绝不发送任何转录（"Do not send until they answer"）。系统会"问一次并记住选择"（asks once and remembers the choice），即同意状态被持久化，后续会话不必重复询问，直到用户主动更改。

3.3 第三步：监控输出标记

上传与评审过程通过标准输出中的标记（marker）驱动，技能文档列出三个关键标记：

Agent 应持续观察这些标记，而不是凭超时猜测进度。另有一个失败标记REVIEW_NO_TRANSCRIPT：表示未找到任何 Claude/Codex.jsonl转录文件，此时应向用户如实说明，而不是假装评审已发起。

3.4 第四步：向用户汇报发现

评审返回后，按title → target → suggestedFix的顺序汇总最高严重度的发现，随后汇报 wins（成功项）。汇报口径必须保持"关于系统，而非用户数据"（"Keep the summary about the system, not the user's data"）——既保护隐私，也让反馈落在可执行的工件上。

四、规则与隐私边界

技能文档的 Rules 部分定义了四条不可逾越的约束，本文总结为三类：

1. 同意优先：未获用户显式选择前绝不发送转录（对应CONSENT_REQUIRED+ 退出码 4 的强制门禁）。
2. 转录缺失要明说：REVIEW_NO_TRANSCRIPT时直接告知用户，不静默降级、不伪造成功。
3. 密钥脱敏：上传前脚本会redact keys/tokens（对密钥与令牌做脱敏处理），Agent 不得在汇报中回贴任何原始密钥；汇报内容同样保持系统聚焦。

这些规则共同确保该技能是一个**opt-in（选择加入）**的反馈通道：默认不共享，共享由用户一次性授权，且上传内容在传输前已做脱敏。

五、在技能生态中的协作关系

从 convex/SKILL.md 的 Bundled skills 清单可以看到，convex-improve-convex-plugin是约三十个convex-*技能之一，同属 Convex 官方发布的 Agent 技能集（该技能文件头部注释也标明其由convex-agents内容自动生成，不应手工编辑）。在 ClawHub 项目中，仓库规范 CLAUDE.md 要求任何 Convex 工作先读取 clawhub-convex/SKILL.md 以路由到受管 Convex 技能，因此本技能在实际使用中通常经由这条路由被调用。

它与几个相邻技能的关系值得开发者注意：

• convex-quickstart：被评审的对象之一——本技能产生的发现会反哺 quickstart 的 runbook、bootstrap 脚本与模板；
• convex-add：同样依赖 anteater 服务（拉取能力目录、按需获取能力文档），两者共用同一服务基础设施，体现"服务端托管、客户端随取"的分发模式；
• convex-check-updates：检测并升级过时组件，其"检查 → 确认 → 逐个升级"的节奏与本技能"评审 → 汇报 → 反哺"的节奏同属受控反馈循环。

六、落地使用建议

• 在 quickstart 或脚手架类会话收尾时调用：此时转录内容最能反映"从零到跑通"的真实摩擦点，评审价值最高。
• 把--idea当作必填习惯：一句话应用想法能显著提升评审的上下文质量，帮助区分指令缺陷与目标漂移。
• 把输出标记当作状态机驱动：Agent 端按REVIEW_SOURCE → REVIEW_SUBMITTED → REVIEW_DONE推进，遇到CONSENT_REQUIRED（退出码 4）即转人工确认，遇到REVIEW_NO_TRANSCRIPT即如实汇报。
• 汇报遵守"三明治"格式：先高严重度发现（title → target → suggestedFix），再给 wins，全程不提及用户数据、不回贴密钥。

结语

convex-improve-convex-plugin是一个小而精的"系统反馈回路"技能：通过一条 curl 命令、一个退出码、四个输出标记和一组隐私规则，把 Agent 的真实会话体验转化为可执行的系统改进项。对于使用 ClawHub 或任何 Convex 项目的开发者而言，理解它的命令契约（--idea/--consent）、标记语义（REVIEW_*）与同意机制（Always / Just this once / Never），既是正确使用它的前提，也是理解 Convex Agent 技能集"服务端持续更新、客户端轻量执行"设计哲学的一个窗口。相关实现细节可继续查阅 convex-improve-convex-plugin/SKILL.md 原文及其生态文档 convex/SKILL.md。

• 后端
• 前端
• AI 技能
• AI 插件
• 搜索引擎