# RelVectors Agent Application Development Skill

```yaml
skill_version: 1.0
status: planned
type: agent_application_development
runtime_role: persistent_process_plan
```

## Task Identity

- **Product**: `<Agent name>`
- **Self**: `<持续存在的应用主体与最终目标>`
- **User**: `<主要用户>`
- **Environment**: `<业务系统 / 数据源 / 工具 / 监管环境>`
- **Final authority**: `<Agent / human / licensed professional>`
- **O6 success**: `<整个应用最终产生的真实效果>`

## Complete IAO Plan

### I — Input / Cause

#### I1 — Internal Drive
- `status: planned`
- 明确产品为什么存在。
- 定义 Self、目标、Gap、核心用户价值。
- 定义不做什么。

#### I2 — External Conditions
- `status: planned`
- 定义输入数据、用户请求、外部规则、知识库、工具、权限。
- 定义数据质量、隐私、安全、合规与时效要求。
- 明确哪些信息属于 Reality Evidence。

### A — Action

#### A3 — Decision / Planning
- `status: planned`
- 设计 Agent 如何理解任务、检索证据、生成候选方案、判断 Frontier。
- 设计 LLM / RAG / Rules / RelVectors / Tools / Memory 的分工。
- 定义 `CONTINUE / STOP / CHANGE / REWIND / EXTEND` 触发条件。
- 定义 Human-in-the-loop 节点。

#### A4 — Execution
- `status: planned`
- 实现 Agent、工具调用、权限控制、审计日志、Evidence Store、Process Memory。
- 对高风险动作实施人工确认或禁止自动执行。
- 进行离线测试、沙箱测试和真实场景验收。

### O — Outcome

#### O5 — Local Result
- `status: planned`
- 输出一次任务的结构化结果、证据、置信边界和下一步建议。
- 任何 Tool Result / API Result / Database State 作为可验证 Evidence。
- 模型生成内容不得自动视为现实完成。

#### O6 — Global Impact
- `status: planned`
- 验证整个 Agent 是否真正提升目标任务质量、效率、可解释性和可恢复性。
- 检查是否产生系统性错误、偏见、隐私风险或越权。
- 达成目标则 `STOP`；否则根据 Evidence `CHANGE / REWIND / EXTEND`。

## Runtime Process State

- **Past**: 已验证的历史过程与可复用 Skill。
- **Present**: 当前 Self、Frontier、Gap、Evidence。
- **Future**: Planned IAO 与备选 Process Branch；不得写成已发生事实。

## Evidence Contract

最低要求：

- user_input
- retrieved_source
- tool_call
- tool_result
- system_state
- human_review
- final_acceptance

## Acceptance

应用上线前至少验证：

- 任务可完成性
- Evidence 可追踪
- Process 可恢复
- CHANGE / REWIND 可生效
- 错误结果不会被静默固化
- 最终权限边界符合场景要求