Pa precise retrieval
Skill Cy4nLiang/claude-code-prompt-architect/skills/pa-precise-retrieval
Prompt optimizer & compiler for Claude Code — intent mining, genre-aware skeletons, multi-candidate + LLM-judge eval. Text / image / video prompts (Midjourney, Seedance, Sora, Kling). 新手友好的提示词优化套件
npx -y skills add Cy4nLiang/claude-code-prompt-architect --skill pa-precise-retrievalAssembled from the repository path, not quoted from the project. Check it against their README if it does not work.
One thing to look at
- 0 stars0 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.
What its author says it does
Copied from the file, not written here
[prompt-architect 套件内部子 skill，仅由 prompt-architect 路由调用] 输出强制与 eval 门禁：当 IR 的输出契约为机器可解析形态（枚举/列表/对象/判别联合）且输出将被程序消费时，按模型能力编译最紧强制策略（约束解码 > provider 结构化输出 > 校验+reask），失败升级 reask，最后调用 pa-eval 对照 success_criteria 打分写回。
SKILL.md
4.3 KB, as published. Nobody here has run it
pa-precise-retrieval · 精准取数 / 精确抽取
套件的 "Generator + Guide + Runner"：把意图编译成最紧约束并按模型能力强制执行。 借鉴 outlines/guidance/LMQL（约束解码）、instructor/mirascope（模式多态）、BAML（SAP 容忍解析）、guardrails（最小差量 reask）、promptbase（投票）、promptfoo（judge）。
网页版 / 不会写代码时：约束解码、provider schema 这些需要 API 或开发环境；你在普通聊天框里能做的"精准取数"就是——把输出格式用示例钉死 + 一句"严格按此格式、不确定就留空别编" + 自己核对一遍，不达标就把哪里不对说清楚让它重发。下文 API 细节可作进阶参考。
触发
output_contract.consumer = machine（输出将被程序解析）且 output_contract.shape ∈ {choice, list, object, discriminated_union}，或 genre=extract。输出给人读（consumer=human）的创意/对话任务不进本管道。被直接调用而会话中无 IR 时，先回 prompt-architect 路由。
输入
IR（尤其 output_contract）+ 来自 pa-optimize 的 optimized_prompt + 解码控制标记（能否 mask logits / 用 provider 结构化输出？）。
步骤
1) 编译到最紧约束（outlines）
能用 enum/Literal 就别用自由文本；能用 regex/JSON-schema 就别写"请返回 JSON"。更窄的语言 = 更小的失败面。
2) 按模型能力选强制策略（策略多态 — instructor/outlines/mirascope）
| 能力 | 策略 |
|---|---|
| 调用方控制解码 | 约束解码：把契约编译成 grammar/FSM/logit-mask，违规不可表示（guidance token-mask / LMQL where / outlines FSM Index） |
| 有 provider 结构化输出 | provider schema：严格 json_schema（extra=forbid / additionalProperties:false）或强制 tool-call（instructor TOOLS / prompty response_format） |
| 仅散文模型 | 校验-reask：挂容忍解析器 + 校验器 |
3) 显式声明完成（LMQL finality）
停止短语 / sentinel / "这就是你做完的标志"。
4) 容忍解析（BAML SAP）
剥 markdown 围栏、忽略 CoT 前缀、单值↔数组互转；多个合法解释时按"偏差罚分"排序选最低偏差者，而非硬失败。
5) 校验-reask 循环（instructor / guardrails）
失败时把精确结构化错误（"字段 X 失败因为 Y，期望 Z"）作为下一轮喂回；最小 reask——只重问坏掉的子字段，按 path 合并回（guardrails 最小差量）。 有限重试；反复解析失败就升级强制（干净格式 → JSON 模式 → 约束 schema，DSPy 逐级降级；promptbase 升温重试）。
6) 鲁棒性集成（可选，高风险场景）
采样 N 次，扰动表面形式（选项顺序/温度），对去扰动后的答案多数投票，把投票方差作为置信信号（promptbase choice-shuffle）。
7) eval 门禁 → 调用 pa-eval（去重：judge 逻辑只活在 pa-eval）
强制完成后把 IR + 产出交 pa-eval：由它编译 rubric（extract profile：字段精确率 / null 正确性 / schema 合规）、打分 {reason, pass, score} 写 validation_report、写停机信号 eval_state；
失败时 pa-eval 写 eval_feedback，本 skill 把它连同强制层上下文（解析错误/重试历史）一起回传 pa-optimize 迭代。本 skill 不再自带 judge。
输出契约
二选一：
- (a) 强制规格：调用方可直接运行的 grammar/regex/JSON-schema + stop + parser + reask 策略，与 prompt 一起打包；或
- (b) 抽取值：若本 skill 也执行调用，则直接给出抽取到的类型化值 +
validation_report（{pass, score, reason, retries, confidence}）。
硬失败时：返回类型化失败对象，绝不返回静默垃圾。
IR 与契约字段见 ../prompt-architect/reference/ir-schema.md。