结构化LLM协作的Agent技能框架：知识库与任务分解模式

本文介绍的bukzor-agent-skills是一套面向LLM与人类协作的Agent技能集合，核心提供知识库管理、文档工作流和任务分解等结构化模式，支持多Agent协同工作。项目采用“有主见的（Opinionated）”设计理念，聚焦特定场景下的最佳实践，避免万能工具的模糊性与不一致性。

随着LLM在软件开发、知识管理等领域的深入应用，构建结构化协作模式成为关键问题。传统工具常因追求通用性导致模糊和不一致，而本项目通过“有主见”的设计，为特定场景提供清晰的使用边界和指导原则，解决LLM与人类协作中的结构化缺失问题。

llm-kb：结构化知识库模式

• 核心原则：小文件聚焦（单主题）、维护指南分离（CLAUDE.md）、按需汇总
• 目录结构：以.kb/目录为核心，包含根级维护指南、类别级摘要等
• 升级信号：复数文件名、平行同类章节、列表为主结构、独立生命周期管理

其他模块：llm-collab（协作工作流规范）、llm-subtask（任务分解）、llm-design-kb（设计决策知识库）、llm-must-read-kb（优先级内容）

• 前置依赖声明：通过requires:和depends:指令明确行动前需阅读的文件，避免上下文缺失
• 模式验证：支持JSON Schema验证YAML元数据文件，防止格式漂移
• 命名规范：kebab-case小写命名、描述性文件名、零填充数字前缀（如001-setup.md）

• 多Agent协作开发：统一.kb/结构让Agent快速定位领域知识
• 长期项目维护：维护指南与内容分离，降低文档更新成本
• 知识传承：新Agent通过结构化知识库快速建立上下文，减少口头传递依赖

项目核心启示：LLM协作工具应尊重人类和AI的认知边界，通过结构化信息扩展记忆而非增加负担。关键原则：

1. 显式优于隐式（依赖、规则显式声明）
2. 分离关注点（维护指南与内容分离）
3. 渐进式复杂度（从简单文件到目录结构）
4. 机器可读性（命名、结构适配LLM解析）

bukzor-agent-skills为LLM-human协作提供了实践检验的模式语言，核心价值在于结构化、显式、可维护的设计哲学。随着AI辅助开发常态化，这类框架将在软件工程中发挥重要作用。建议希望建立可扩展AI协作流程的团队深入研究本项目。