乔哈里视窗诊断师

解决什么具体问题

在提示词工程中，我们常遇到“效果差但说不清为什么”的困境：是用户没把需求说清楚，还是 AI 没发挥出应有的能力？传统的优化器往往像个黑盒，直接给出一个改写版，却无法解释归因。乔哈里视窗诊断师将心理学中的乔哈里视窗改造为白盒诊断框架，通过“用户知道”与“AI 知道”双轴，将任意提示词拆解到 Q1 开放区、Q2 盲区、Q3 未知区、Q4 隐藏区四个象限中，精准定位表达清晰度的缺口。

核心工作流与能力

本技能采用严格的产物流程（Artifact-driven），拒绝“带猜打分”：

• 需求澄清：口语化提示词常隐藏大量未暴露需求。技能会主动追问受众、样例、合规红线等维度，确保语料齐全且高价值后，才进入打分阶段。
• 定向扩窗：初打分后，针对低分象限进行差异化外部资料收集（如行业术语、框架文档），把视窗边界往外推，再进行精打分。
• 确认门铁律：在输出修改意见后，必须显式询问用户。未获用户确认，绝不自动改写原文。
• 真实验证闭环：优化后需用样例实跑对比 before/after 真实输出，拒绝用“预估分”冒充验证。

适用边界与注意点

它擅长结构化诊断与归因，但不擅长文案润色，也不直接评测模型最终效果。对于纯代码生成等一次性确定性问题，乔哈里视窗并非必要。此外，受 token 上限与隐私约束，部分隐藏区物理上无法全公开化，优化时会显式标注保留项。理论与诊断引擎已解耦，可作为子能力被其他 Agent 调用。