新闻详情

新闻详情

首页 / 资讯中心 / 详情

让SimpleEnglish自动生效:SessionStart Hook、Output Style与Token预算设计的原理详解

发布时间:2026/11/18 18:04:59来源:尧图网络
让SimpleEnglish自动生效:SessionStart Hook、Output Style与Token预算设计的原理详解
让SimpleEnglish自动生效SessionStart Hook、Output Style与Token预算设计的原理详解【免费下载链接】SimpleEnglishAgent skill: make LLMs write docs in ASD-STE100 Simplified Technical项目地址: https://gitcode.com/gh_mirrors/si/SimpleEnglishSimpleEnglish 是一个 Agent skill让 LLM 按 ASD-STE100 简化技术英语Simplified Technical English写文档。它用航空航天业沿用四十年的受控语言标准把 AI 文档里常见的长句、同义词轮换和seamlessly式废话直接消灭实测让 STE 违规率下降 74.6%。本文讲清楚它的三套自动生效机制——SessionStart Hook、Output Style 和 Token 预算设计——分别在什么时候触发、为什么这样设计帮你在 Claude Code、Codex 等 Agent 里实现无需点名技能、规则自动生效的体验。SimpleEnglish 是怎么工作的安装后SimpleEnglish 以一个文件夹、零依赖的形式进入你的 Agent核心是一份约 20,000 字符的规则说明书 skills/simple-english/SKILL.md包含 53 条编号规则20/25 词句长限制、一词一义、条件前置命令等Pragmatic 模式默认应用结构规则保留你的领域词汇Strict 模式额外启用完整词汇表纪律接近合规级别问题来了Agent 通常只在用户主动提到技能名时才去读 SKILL.md。想让规则每次会话自动生效需要更主动的注入方式。SimpleEnglish 因此设计了三条互补的生效路径。SessionStart Hook 自动注入原理规则如何在会话开始时送达SessionStart Hook 是最核心的机制。它挂在会话生命周期的四个时机上startup新开会话、resume恢复会话、clear清空上下文、compact压缩上下文。为什么后两个也要触发因为clear和compact都会把之前的上下文丢掉注入过的规则随之消失必须重新投递——这一点在配置里体现得很直白匹配器^(startup|resume|clear|compact)$四种上下文重置全覆盖触发命令用 Node.js 执行 src/hooks/simple-english-activate.js超时 5 秒配置位置hooks/hooks.jsonCodex 读取Claude Code 则通过插件清单的hooks字段挂载脚本本身逻辑极简做三件事找文件按PLUGIN_ROOT→ 仓库相对路径的顺序查找 prompts/system-prompt.md任一位置可读即采用拼头部在内容前加一句 SIMPLE ENGLISH SKILL ACTIVE AUTOMATICALLY并指明完整技能路径模型需要合规检查或 Strict 模式时可自行去读 skills/simple-english/SKILL.md兜底所有位置都读不到时输出一段极短的内置规则集并以 0 退出码结束——会话照常启动只是规则降级而不是直接报错。这个永远不阻塞会话启动的设计配合 src/hooks/simple-english-activate.test.js 里的 12 个单元测试路径回退、不可读文件跳过、超大内容降级等场景保证 Hook 在任何异常下都行为可预期。更多细节见 src/hooks/README.md。Output Style让简化英语成为全局默认写作风格Hook 解决规则什么时候进来Output Style 解决规则以什么身份生效。Output Style 是 Claude Code 的会话级输出风格机制选中后规则在整个会话的所有回复中持续生效而不是靠某次注入提醒模型。SimpleEnglish 的 Output Style 定义在 output-styles/simple-english.md它是 SKILL.md 的浓缩版用 8 个小节概括了整套规则先分类程序性/描述性、动词限制只用简单时态禁用 should/would/may/might、句子约束条件前置、禁分号、禁破折号、一词一义、警告句式、以及代码与标识符绝不动的底线。两个值得注意的细节注册名是simple-english:simple-english插件前缀 名称短名无法解析。对单个项目用/config选择即可想全局生效把{outputStyle: simple-english:simple-english}写进~/.claude/settings.json再重启 Claude Code。文件头部带有keep-coding-instructions: true保证启用该风格时编码指令类规则不被丢弃——写文档不伤及写代码的能力。Token 预算设计20,000 字符的规则如何塞进 10,000 字符的窗口这是三套机制里工程含量最高的部分。Hook 的输出要注入到模型上下文而上下文寸土寸金各家平台还对 Hook 输出设了硬上限约束上限SimpleEnglish 的应对Claude Code Hook stdout10,000 字符脚本内置MAX_CHARS 9500的安全垫超限整体降级而非截断Codex Hook 附加上下文平台自有限额hooks/hooks.json 中additionalContextLimit: 0关闭溢出落盘阈值注意不等于取消上限浓缩规则保证低于限额完整 SKILL.md约 20,000 字符超限 2 倍不直接注入改为浓缩规则 路径指针具体的预算分配是三层递进的第一层完整技能约 20,000 字符——skills/simple-english/SKILL.md 承载全部 53 条规则、词汇裁决表、自检流程只在模型主动需要时才读取第二层浓缩规则约 3,500 字符——prompts/system-prompt.md 是日常注入的主力保留全部可执行约束句长、时态、模态词黑名单、自检清单砍掉教学性内容第三层极限版约 60 tokens——prompts/system-prompt.md 末尾附了一段 60-token 精简版供系统提示词预算极紧的场景粘贴使用。还有一个容易被忽略的设计超限时的行为是整体替换为内置兜底规则集而不是截断到 9,500 字符——截断会产生半句话和残缺的自检清单对规则文本来说是比缺失更糟的故障。单元测试里专门有一条用例验证这一点。三套机制的分工对比机制触发时机载荷大小生效范围适用场景SKILL.md 技能用户点名时按需读取~20,000 字符单次任务需要完整规则目录、合规检查SessionStart Hook会话启动/恢复/清空/压缩~3,500 字符整个会话规则自动常驻用户零操作Output Style会话级配置~3,500 字符整个会话所有回复写作风格全局固化系统提示词粘贴手动粘贴3,500 字符或 60 tokens按平台而定不支持技能机制的通用聊天产品它们互为冗余Hook 挂了有 Output Style 兜着Output Style 没开时 Hook 注入的规则同样工作连 Hook 都失效时兜底规则集还保住了短句 主动语态 一词一义的底线。这种渐进式降级正是 Token 预算设计的精髓——每一层都比上一层小一个数量级每一层失败都不会让系统停摆。总结为什么自动生效值得专门设计回看这套设计核心思路只有一条规则的大小必须匹配注入通道的容量而注入通道的容量决定了规则的形态。SessionStart Hook 选在上下文重置点投递解决时机问题Output Style 提供会话级身份解决持续性问题三层 Token 预算20,000 → 3,500 → 60解决装得下的问题。三者叠加用户从此不需要说用 simple-english 重写——Agent 开口就是 Boeing 手册式的短句。如果你也在给 Agent 写技能这套完整说明书 浓缩注入 路径指针 兜底降级的模板值得直接抄走。【免费下载链接】SimpleEnglishAgent skill: make LLMs write docs in ASD-STE100 Simplified Technical项目地址: https://gitcode.com/gh_mirrors/si/SimpleEnglish创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉