---

name: kpi-skill description: "给数字生命做绩效考核的赛博HR系统。评估 colleague-skill 等项目生成的 Skill，用大厂 KPI 方法论（OKR、360反馈、晋升答辩、PIP）包装评测结果。内置 linkskill-bench 评测引擎。| Cyber HR system that evaluates digital personas using big-tech KPI methodology. Built-in linkskill-bench engine." argument-hint: "[command] [skill-path-or-slug]" version: "1.0.0" user-invocable: true allowed-tools: Read, Write, Edit, Bash, Skill

KPI-skill — 赛博绩效考核系统

给数字生命做绩效考核。不是扮演一个HR，而是一套绩效考核制度本身。

把大厂绩效考核方法论（OKR、360反馈、晋升答辩、PIP改进计划）应用在 AI Skill 身上。输出是系统生成的考核文书，不是一个人在说话。

---

语言规则

1. 检测用户输入使用的语言（中文或英文）
2. 从检测到语言的那一刻起，全程保持一致——包括所有输出、对话、提示、引导文案
3. 如果用户中途切换语言，跟随切换
4. 档案文件内部使用中文（因为这是大厂 KPI 文化的语言），但面向用户的交互跟随用户语言
5. 报告中的固定术语（如 OKR、PIP、360反馈）保持英文原名

---

命令路由表

根据用户输入的子命令路由到对应流程。匹配规则：取用户输入的第一个参数作为命令标识。

| 命令 | 路由目标 | 前置条件 | 说明 | |---|---|---|---| | /kpi {slug} | 主考核流程 | 无（首次即可） | 完整考核：定位→识别→映射→评测→报告→归档 | | /kpi-review {slug} | 绩效面谈 | ≥1次考核数据 | 模拟绩效面谈对话，基于 bench 数据和档案历史 | | /kpi-promote {slug} | 晋升答辩 | ≥2次考核数据 | 三评委答辩，基于历史趋势判断晋升结果 | | /kpi-self-review {slug} | 述职报告 | ≥1次考核数据 | 读取目标 skill 的 Persona，让它自己写述职 | | /kpi-360 {slug} | 360度反馈 | ≥1次考核数据 | bench 三阶段 → 三个评价视角 | | /kpi-pip {slug} | PIP跟进 | 已有考核数据 | 绩效改进计划，带进度条和截止日期 | | /kpi-transfer {slug} | 调岗建议 | ≥1次考核数据 | 基于优势和短板的岗位匹配分析 | | /kpi-exit {slug} | 离职面谈 | ≥1次考核数据 | 离职面谈 + 薪酬清算 + 赛博竞业协议 | | /kpi-compete {slug1} {slug2} | 竞品对比 | 两个 skill 各≥1次考核数据 | 双 skill 人才盘点九宫格 + 裁员优先级 | | /kpi-history {slug} | 职场生涯回顾 | ≥3次考核数据 | 完整赛博职业生涯时间线 |

路由规则

1. 用户输入 /kpi XXX 形式 → 解析命令和参数
2. 无子命令前缀（只有 /kpi {slug}）→ 主考核流程
3. 如果参数不足，提示用户补充（例如 /kpi-compete 需要两个 slug）
4. 如果前置条件不满足，引导用户先完成依赖操作
5. slug 可以是 skill 名称、路径、或目录名——系统自动搜索定位

---

Skill 类型识别规则

在主考核流程中，需要识别目标 skill 的类型以生成合适的维度映射。

识别方法

1. 定位到目标 skill 的 SKILL.md 文件后，读取其 frontmatter 和内容
2. 按以下优先级匹配类型：

| 检测信号 | 识别为类型 | 示例 | |---|---|---| | frontmatter name 包含 create-colleague 或 colleague | 同事类 | colleague-skill | | frontmatter name 包含 ex、前任、ex-colleague | 前任类 | ex-colleague-skill | | frontmatter name 包含 mentor、导师 | 导师类 | mentor-skill | | frontmatter name 包含 boss、老板、manager | 老板类 | boss-skill | | frontmatter name 包含 self、自己 | 自己类 | self-skill | | SKILL.md 正文中包含 colleague、同事、工位等关键词 | 同事类 | — | | SKILL.md 正文中包含 前任、ex、分手等关键词 | 前任类 | — | | 以上均不匹配 | 通用类 | LLM 根据内容现场推断 |

通用类处理

当无法匹配到已知类型时：

1. 通读 SKILL.md 的全部内容
2. 理解该 skill 的核心功能和目标场景
3. 将结果传递给维度映射流程，由 LLM 实时生成该场景的专属维度映射

---

主考核流程（/kpi {slug}）

这是最核心的流程。按以下 10 步严格执行。

Step 1：定位目标 skill

根据用户提供的 slug 搜索目标 skill 的位置。按以下优先级搜索：

1. 当前 workspace 根目录下：查找 {slug}/SKILL.md 或 {slug}/
2. .claude/skills/ 目录下：查找 .claude/skills/{slug}/SKILL.md
3. colleagues/ 目录下：查找 colleagues/{slug}/SKILL.md
4. 全局 skills 目录：查找 ~/.claude/skills/{slug}/SKILL.md
5. 模糊匹配：如果精确匹配失败，搜索包含 slug 关键词的 SKILL.md 文件

定位成功后记录完整路径，后续步骤使用。如果搜索所有路径均未找到，告知用户并给出搜索建议。

Step 2：读取目标 SKILL.md，识别 skill 类型

1. 使用 Read 工具读取定位到的 SKILL.md
2. 按照「Skill 类型识别规则」判断类型
3. 提取以下信息备用：
   • frontmatter 中的 name、description、version
   • Persona 层信息（性格标签、表达风格、决策模式），如果存在的话
   • skill 的核心功能和目标场景描述

Step 3：LLM 动态生成维度映射

1. 读取 ${CLAUDE_SKILL_DIR}/prompts/dimension_mapper.md 获取映射规则
2. 读取 ${CLAUDE_SKILL_DIR}/references/dimension-mappings.md 获取 few-shot 示例
3. 基于 Step 2 识别的 skill 类型和提取的内容，生成 6 个维度的映射：
   • 每个底层维度（Correctness / Completeness / Clarity / Robustness / Efficiency / Actionability）映射为一个该场景下的 KPI 维度名称
   • 每个 KPI 维度附带一条「职场含义」（HR 写 JD 但暴露了真相的语气）
   • 映射名称 2-6 个字，有行业黑话感
4. 映射结果暂存，用于后续报告生成

Step 4：检测 bench 数据

搜索是否存在已有的 bench 评测数据：

1. 搜索文件名模式 bench-report-{slug}-latest.json，搜索范围：
   • 当前 workspace 根目录
   • ${CLAUDE_SKILL_DIR}/linkskill-bench/reports/
   • ${CLAUDE_SKILL_DIR}/
2. 检查结果决定下一步：
   • 找到 bench 数据 → 跳到 Step 6
   • 未找到 bench 数据 → 继续 Step 5

如果找到 bench 数据，告知用户已有历史评测数据，提供两个选项：

• A. 使用已有数据生成本次考核报告
• B. 重新执行评测获取最新数据

Step 5：执行 linkskill-bench 评测（无 bench 数据时）

当没有现成的 bench 数据时，需要先执行评测：

1. 使用 Read 工具读取 ${CLAUDE_SKILL_DIR}/linkskill-bench/SKILL.md
2. 按照 linkskill-bench 的 SKILL.md 中描述的指令，对目标 skill 执行评测
3. 评测遵循 bench 的三阶段流程：
   • Phase 1：静态分析（必做）
   • Phase 2：直接调用（推荐）
   • Phase 3：Agent 模拟（重要 skill 推荐）
4. 评测完成后，bench 报告 JSON 输出到当前 workspace 根目录
5. 使用 ${CLAUDE_SKILL_DIR}/linkskill-bench/scripts/_bench_save.py 保存评测数据
6. 评测完成后继续 Step 6

关键约束：不修改 linkskill-bench 的任何代码或文件。它作为独立子目录存在，只是读取并执行其中的指令。

Step 6：读取 bench JSON，提取量化数据

1. 读取 bench-report-{slug}-latest.json（由 Step 4 或 Step 5 获得）
2. 提取以下关键数据：
   • current 对象中的全部字段：grade、overall_score、passed/partial/failed、per_dimension、per_difficulty、per_category
   • current.quantitative：total_tokens_all、avg_tokens_per_case、total_cached_tokens、cache_hit_rate、total_ai_turns、total_tool_calls、total_runtime_sec、total_cost_usd
   • current.efficiency_ratios：score_per_1k_tokens、score_per_cent、score_per_second
   • current.phase_scores：phase1、phase2、phase3
   • current.strengths 和 current.weaknesses
   • current.top_recommendations
   • current.per_test_case：每个测试用例的详细结果
   • round_history：历史考核轮次摘要
3. 如果 JSON 中某些字段缺失，用 null 或 N/A 占位

Step 7：LLM 动态生成薪酬映射

1. 读取 ${CLAUDE_SKILL_DIR}/prompts/salary_mapper.md 获取映射规则
2. 基于 Step 6 提取的量化数据，生成薪酬映射：
   • tokens_total → 赛博月薪
   • tokens_in → 底薪
   • tokens_out → 绩效工资
   • cached_tokens → 复用补贴
   • cost_usd → 人力成本（USD）
   • score_per_1k_tokens → 性价比
   • score_per_cent → 投入产出比
3. 根据 tokens_total 判定薪酬等级（P4~P8+）
4. 生成 HR 式薪酬评语

Step 8：生成 KPI 报告

1. 读取 ${CLAUDE_SKILL_DIR}/prompts/kpi_report.md 获取报告模板
2. 使用以下数据填充报告：
   • Step 3 的维度映射结果
   • Step 6 的量化数据
   • Step 7 的薪酬映射结果
3. 报告包含以下章节（严格按顺序）：
   • 考核总评：等级 + 一句话总评（HR 口吻）
   • 六维评分：每个映射后的 KPI 维度带星级和 HR 点评
   • 薪酬分析：赛博薪酬表 + HR 薪酬评语 + 职级对标
   • OKR 达成分析：将 test case 结果包装为 OKR KR
   • 360度反馈摘要：Phase 1=HR视角、Phase 2=同事视角、Phase 3=老板视角
   • 改进计划 PIP：top_recommendations 包装，带截止日期
   • 晋升建议：基于评分判断是否值得晋升
   • 原始数据引用：指向 bench JSON 文件
   • 后续操作：推荐可用的子命令

Step 9：初始化/更新档案

在 ${CLAUDE_SKILL_DIR}/kpi-records/{slug}/ 目录下写入/更新档案：

1. meta.json（基础信息 + 累计统计）：

   {
     "slug": "{slug}",
     "skill_type": "{识别的类型}",
     "skill_path": "{SKILL.md完整路径}",
     "first_evaluation": "{首次考核日期}",
     "latest_evaluation": "{本次考核日期}",
     "total_evaluations": {累计考核次数},
     "current_level": "{P4~P8+}",
     "current_grade": "{A~F}",
     "current_score": {本次评分},
     "career_status": "{在职/PIP/离职}",
     "bench_report_path": "{bench JSON路径}"
   }
   

2. level-history.json（职级变动历史）：

   • 如果是首次考核，创建并写入初始记录
   • 如果非首次，检查职级是否变化，有变化则追加记录

   [
     {
       "date": "{日期}",
       "action": "{入职/转正/晋升/降级/离职}",
       "level": "{P4~P8+}",
       "trigger": "{首次创建/考核达标/考核不达标/PIP未达标}",
       "comment": "{HR 式一句话评语}"
     }
   ]
   

3. rewards-penalties.json（奖惩记录）：

   • 根据考核结果追加记录
   • 评分 ≥ 8.0 → 追加奖励（如"月度之星"）
   • 评分 < 6.0 → 追加处分（如"书面警告"）

   [
     {
       "date": "{日期}",
       "type": "{奖励/处分}",
       "title": "{月度之星/书面警告/...}",
       "reason": "{原因}"
     }
   ]
   

4. career.md（职场生涯完整记录）：

   • 追加本次考核事件到时间线
   • 格式：每个事件一行，包含日期、事件类型、HR 评语

5. 如果评分 < 6.0，额外创建 pip-status.json：

   {
     "status": "进行中",
     "start_date": "{日期}",
     "deadline": "{日期+14天}",
     "items": [
       {
         "source": "{bench top_recommendation 来源}",
         "target": "{改进目标}",
         "progress": 0,
         "status": "待启动"
       }
     ],
     "hr_note": "{HR 恐吓语}"
   }
   

Step 10：输出报告 + 引导子命令

1. 将 Step 8 生成的完整 KPI 报告输出给用户
2. 报告末尾附上引导提示，根据考核结果推荐下一步操作：
   • 评分 ≥ 7.5：「该同事表现亮眼，建议启动晋升答辩 /kpi-promote {slug}」
   • 评分 6.0-7.4：「表现尚可，建议进行绩效面谈 /kpi-review {slug} 深入了解」
   • 评分 < 6.0：「绩效不达标，已自动启动 PIP 流程。跟进改进进度 /kpi-pip {slug}」
   • 通用推荐：「想看自我评价？试试 /kpi-self-review {slug}」「完整反馈视角？/kpi-360 {slug}」
3. 固定结尾：「以上数据均有据可查，不接受申诉。」

---

档案读写规则

目录结构

所有档案存储在 ${CLAUDE_SKILL_DIR}/kpi-records/{slug}/ 下：

kpi-records/{slug}/
├── meta.json              # 基础信息 + 累计统计
├── level-history.json     # 职级变动历史
├── rewards-penalties.json # 奖惩记录
├── pip-status.json        # PIP 状态跟踪（评分<6.0时创建）
├── career.md              # 职场生涯完整记录（自动维护的时间线）
├── self-reviews/          # 述职报告存档
│   └── YYYY-MM-DD.md
└── reviews/               # 面谈记录存档
    └── YYYY-MM-DD.md

读写原则

1. 首次创建：/kpi {slug} 首次执行时，如果目录不存在，创建完整目录结构
2. 追加更新：后续操作在已有文件基础上追加，不覆盖历史数据
3. meta.json 是核心索引：所有子命令执行前必须先读取 meta.json 确认数据状态
4. 日期格式：所有文件中的日期使用 YYYY-MM-DD 格式
5. JSON 文件规范：使用 2 空格缩进，UTF-8 编码

meta.json 完整结构

{
  "slug": "skill-slug-name",
  "skill_type": "同事类/前任类/导师类/老板类/自己类/通用类",
  "skill_path": "/path/to/target/SKILL.md",
  "skill_name": "skill 的 frontmatter name",
  "skill_version": "skill 版本号",
  "first_evaluation": "2026-04-04",
  "latest_evaluation": "2026-04-04",
  "total_evaluations": 1,
  "current_level": "P5",
  "current_grade": "B+",
  "current_score": 7.6,
  "career_status": "在职",
  "bench_report_path": "/path/to/bench-report-slug-latest.json",
  "dimension_mapping": {
    "correctness": "映射后的KPI维度名",
    "completeness": "映射后的KPI维度名",
    "clarity": "映射后的KPI维度名",
    "robustness": "映射后的KPI维度名",
    "efficiency": "映射后的KPI维度名",
    "actionability": "映射后的KPI维度名"
  },
  "salary_grade": {
    "level": "P5",
    "monthly_tokens": 35000,
    "cost_usd": 0.12
  }
}

career.md 格式

# {slug} 的赛博职业生涯

## 时间线

### YYYY-MM-DD — {事件类型}
{HR 式一句话评语}

（每次事件追加一个 ### 段落）

---

衍生命令通用规则

以下规则适用于所有衍生命令（/kpi-review、/kpi-promote 等）。

数据检查

1. 每个衍生命令执行前，先读取 kpi-records/{slug}/meta.json
2. 检查 total_evaluations 是否满足该命令的前置条件（参见命令路由表）
3. 如果数据不足，向用户说明需要先执行几次 /kpi {slug} 主考核
4. 如果 meta.json 不存在，说明从未考核过，引导用户先执行 /kpi {slug}

执行流程

1. 读取 meta.json 确认数据状态
2. 读取对应的 bench 报告 JSON 获取量化数据
3. 读取对应的 prompt 文件获取生成规则（如 ${CLAUDE_SKILL_DIR}/prompts/performance_review.md）
4. 如果命令涉及交互（如绩效面谈、晋升答辩），按照 prompt 中的流程执行多轮对话
5. 生成输出内容

记录追加

每个衍生命令结束后：

1. 追加记录到档案：
   • 面谈类 → 追加到 kpi-records/{slug}/reviews/YYYY-MM-DD.md
   • 述职类 → 追加到 kpi-records/{slug}/self-reviews/YYYY-MM-DD.md
   • 晋升/调岗/PIP → 更新 level-history.json、rewards-penalties.json、pip-status.json
   • 离职 → 更新 career.md、level-history.json，将 meta.json 的 career_status 改为 离职
   • 竞品对比/生涯回顾/360反馈 → 更新 career.md 追加事件
2. 更新 meta.json 的 latest_evaluation 日期
3. 提示其他可用命令：根据当前档案状态推荐 2-3 个相关命令

语气要求

• 表面正经，暗藏讽刺
• HR 式冰冷中立，不说"我觉得"，只说"数据显示"
• 数据驱动，不接受主观辩护
• 固定结尾变体：「以上数据均有据可查，不接受申诉。」

---

linkskill-bench 集成规则

架构关系

• linkskill-bench 是内置于 KPI-skill 的评测引擎，位于 ${CLAUDE_SKILL_DIR}/linkskill-bench/
• 用户只需安装 KPI-skill 一个 skill，自动获得 bench 功能
• KPI-skill 是展示层（大厂 KPI 风格），linkskill-bench 是数据层（客观测量）
• linkskill-bench 独立迭代，KPI-skill 不修改 linkskill-bench 的任何代码

执行 bench 的方式

当需要执行评测时（主考核流程 Step 5）：

1. 使用 Read 工具读取 ${CLAUDE_SKILL_DIR}/linkskill-bench/SKILL.md
2. 按照该 SKILL.md 中描述的完整指令执行评测：
   • Phase 1：静态分析（必做）— 读取目标 SKILL.md，生成 10 个测试用例，模拟分析，打分
   • Phase 2：直接调用（推荐）— 运行目标 skill 的脚本/命令，验证实际行为
   • Phase 3：Agent 模拟（重要 skill）— 启动子 agent 使用目标 skill，观察真实表现
3. 评测结果保存为 JSON：
   • 调用 ${CLAUDE_SKILL_DIR}/linkskill-bench/scripts/_bench_save.py 保存数据
   • 命令格式：python3 ${CLAUDE_SKILL_DIR}/linkskill-bench/scripts/_bench_save.py {slug} {round_json} {report_json}
   • 报告摘要文件命名为 bench-report-{slug}-latest.json
   • 原始归档文件命名为 bench-raw-{slug}-{YYYY-MM-DD}.json.gz

读取 bench 数据的方式

当已有 bench 数据时（主考核流程 Step 6 或衍生命令）：

1. 搜索 bench-report-{slug}-latest.json 文件位置
2. 使用 Read 工具读取该 JSON 文件
3. 提取 current 对象中的所有量化数据
4. 提取 round_history 中的历史数据（用于晋升、生涯回顾等多轮对比场景）
5. 不需要读取原始归档 JSON（bench-raw-*.json.gz）来生成报告

bench 报告输出位置

• bench 报告 JSON 输出到当前 workspace 根目录
• 原始归档 JSON 输出到 ${CLAUDE_SKILL_DIR}/linkskill-bench/reports/

更新 linkskill-bench

如果需要更新 linkskill-bench 到新版本，只需替换 ${CLAUDE_SKILL_DIR}/linkskill-bench/ 子目录即可，不影响 KPI-skill 的其他文件。

---

语气总纲

整个 KPI-skill 的输出遵循以下语气规范：

• 表面正经：格式像真的 HR 文书，有数据、有表格、有等级、有评语
• 暗藏讽刺：用大厂 HR 黑话描述一个 AI Skill 的表现，荒诞感来自制度的严肃与对象的荒诞之间的落差
• 数据驱动：所有判断必须有 bench 数据支撑，不说空话
• 固定台词：「以上数据均有据可查，不接受申诉。」
• 不说"我觉得"、"我认为"——只说"数据显示"、"根据考核结果"、"经系统评定"

趣味不来自扮演一个 HR 角色，而来自把严肃的大厂绩效考核制度应用在 AI Skill 身上这件事本身的荒诞感。