聊天记录信息蒸馏

问题在哪

产品、运营和研发之间的大量需求往往散落在微信、飞书、钉钉或 Slack 的多轮对话里：口头约束、老板改稿意见、迭代版本和「不要这样要那样」混在一起。直接把这些记录贴进大模型，寒暄、表情包描述、重复确认和跑题会稀释信号，输出也容易漏 deadline、漏否定项，或把批评当成背景噪音而不是硬约束。

技能如何工作

本技能按执行流水线处理输入：先做发言人标注与时间线保留，再标记并剔除寒暄、情绪填充、冗余确认和明显 OCR/语音错别字；同时做核心意图挖掘——交付物类型、字数/格式/deadline、参考案例，以及从批评反推的正向约束（例如「太技术」→ 面向非专业读者的表述要求）。

提纯结果会编译进 26-Scheme 框架：基础六柱（Role、Context、Task、Output Format、Constraints、Examples）保证可执行；扩展层覆盖利益相关者、优先级、风险、验收与版本演进；高阶层记录反目标、决策链、质量标准与数据源可信度。编译后会做零信息丢失与去口语化校验，空槽会标明「未提及则据上下文推断」。

输入支持粘贴文本、.txt/.md/.json 导出、截图 OCR 与语音转文字；多人会议可按议题重组，迭代对话可只保留最新反馈并写清 v1→v2 变更。

适用边界

• 输出是结构化 Prompt 蓝图，不是自动替你完成最终文案或代码交付。
• 对话里从未出现的硬性数字、合规条款不会被凭空发明；推断项会在槽位中标注。
• 极短或单一意图的场景可用精简思路（资料中的 --compact 仅输出核心六柱），复杂协作与老板改稿型对话才需要完整 26 柱。