技能介绍

解决什么问题

在日常的 AI 编程与自动化任务中，我们经常会遇到“差之毫厘，谬以千里”的沟通困境。当你让助手“整理数据”或“做个报表”时，不同的人、甚至同一个人在一天的不同时间，对这四个字的理解可能完全不同。是合并去重还是简单排序？是输出 HTML 图表还是 Excel 文件？这种意图层面的模糊性，往往导致大模型反复试错、输出的结果总是“差点意思”，不仅浪费了宝贵的上下文窗口，也增加了人工反复纠正的成本。

核心机制：三步校准流程

这个技能并没有试图去猜测用户的脑电波，而是将模糊的自然语言转化为结构化的确认流程。当你触发该技能时，它会执行严格的 3 步校准：

意图解析（Intent Parsing）：提取指令中的关键动作词、对象词、结果期望以及隐性需求，将模糊的请求拆解为四个明确的维度。
歧义识别（Ambiguity Identification）：基于上述维度，自动识别出 动作歧义、对象歧义、结果歧义、范围歧义 以及 优先级歧义。并将这些歧义点按可能性进行排序。
提出校准方案（Proposing Calibration Plans）：根据排序结果，生成最多 3 种具体的解读方案，格式如 [如果你的意思是X，我将做Y]。只有在用户明确选择其中一个方案后，才会进入执行阶段。

适用边界与注意事项

打断式确认：该技能的核心是在执行前进行确认，这意味着会打断原本连续的任务流。对于那些意图已经极度明确的极短指令（如 npm install），频繁触发该技能反而显得啰嗦。
区分新歧义：在后续执行中，如果遇到了不在原计划范围内的新歧义，技能会启动微校准；但如果是已确认方案内的正常执行波动，则不应每次都要求确认。
指令改造是根本：虽然技能能帮你确认意图，但 SKILL.md 中的 5 个案例表明，在源头使用更精确的指令（如指定具体的 文件名、格式 和 指标）永远是最好的实践。