负面案例注入

问题：模型只会"顺着说"

大语言模型的固有倾向是顺从——用户提问它就答，给任务它就做。这在大多数场景下有用，却带来一个根本性弱点：当模型不确定时，它会用"看起来合理"的方式糊弄过去，而不是承认自己不确定。

控制论告诉我们，闭环系统能否收敛取决于它能否检测偏差并反向修正。而检测偏差的前提，是系统事先知道"偏差长什么样"。只告诉模型 做什么 不够，必须同时定义 不做什么、为什么不做、犯了怎么纠——这就是负面案例（badcase）的价值。

核心方法：分级注入负面案例

本技能为指定的 skill 或任务计划系统性生成并注入负面案例，按后果严重程度分为三级：

• P0 阻断级：违反硬约束、导致任务彻底失败的错误，如脑补未提供的信息、覆盖用户已有内容、不可逆操作未经确认。注入为校验红线 + 反面示例，语气必须是"不得"。
• P1 修正级：不致命但显著降质的常见失误，如输出粒度不当、风格不统一、缺块未标注"无"。注入为校验规则 + 反面教材。
• P2 增强级：边缘场景和可优化点，如未覆盖的特殊输入、缺少来源标注。注入为边界提示。

工作流程分六步：分析目标 → 评估规模 → 生成或征集 badcase → 映射注入点 → 实际注入 → 输出报告。注入到 skill 时修改 SKILL.md，注入到计划时插入风险检查点和退出条件。

用户经验是关键证据源

这是本技能与"AI 自己生成错误"最大的区别。用户的领域经验是 AI 无法自行推断的关键证据源。

涉及不可逆操作、生产环境、多模块联动或长期运行的大工程，必须通过 AskUserQuestion 征集用户踩过的坑和绝对红线。流程是：AI 先生成基础清单，再向用户提问征集，合并时用户 badcase 优先级最高，标注"AI 推断"的条目需用户确认后保留或删除。

中小任务则由 AI 直接生成全套清单，报告中标注"请确认"即可。

适用边界

• 简单问答或一次性操作（如"改个变量名"）不触发本技能。
• 若目标 skill 已有完善的校验规则和反面示例（可用 awesome-skill-check 验证），不必重复注入。
• 用户明确说"不用考虑边缘情况""直接做"时，尊重用户意图。
• 判定不确定时默认倾向触发——缺 badcase 的代价远高于多花几分钟注入的成本。
• P0 绝不能用软性语气。 阻断级错误必须写成"不得 X"，不能降级为"可以考虑避免 X"。