ask-many-models

询问多个模型

将同一提示词并行发送给多个 AI 模型，并综合它们的回复，形成统一分析。

触发此技能时（通过 /amm 或自然语言），请执行以下步骤。不要只描述此技能的作用。

步骤 1：获取种子提示词

A）冷启动（对话刚开始，没有先前讨论）： 如果用户提供了提示词或问题，就将其作为种子。否则询问：“你想发送给多个 AI 模型的问题是什么？”

B）对话进行中（此前已有实质性讨论）： 将用户的调用消息作为种子，并将此前的对话作为背景信息。

种子确定后，继续执行步骤 1a。

步骤 1a：决定是否需要澄清

仅凭种子很少能写出最有力的提示词。简短的澄清问答通常能带来更好的结果——但对已经具体明确的提示词强行提问，只会增加阻碍。

如果符合以下任一条件，跳过问答，直接开始起草（步骤 1d）：

• 用户明确表示“直接起草”“开始”“跳过问题”“不要提问”或类似意思。
• 种子已经足够长且具体（大约超过 300 个字符，并说明意图、受众和限制条件）。
• 对话进行中，且此前的讨论已经明确了意图。

只有这三种情况可以跳过。澄清和构思环节是此技能的关键，因此，笼统认为用户想继续推进——包括在自动模式下运行——并不能作为跳过的理由。

如果情况不明确，只问一次。如果可以使用 AskUserQuestion，就调用一次 AskUserQuestion，提出一个问题。如果无法使用，则输出：“我可以先问 2–3 个简短的澄清问题，也可以直接起草——你选哪种？（1）澄清（2）起草”，然后等待回复。

步骤 1b：明确意图（定制问答）

目标：找出这个问题背后真正的动机，以及什么样的回答会让人觉得有用。提出 2–4 个定制问题。切勿使用套话。

始终包含一个动机问题。 根据具体的种子问题拟定 3–4 个动机选项，再加一个“其他”自由文本字段。定制比面面俱到更重要——泛泛的动机选项还不如不问。

示例——对于类似 “我该重写某个邮件应用的引导流程吗？” 的种子问题：

1. 决定是否要重写
2. 对我已经在计划的重写方案进行压力测试
3. 想出我尚未考虑过的方案
4. 找出不该这么做的理由

对于类似 “解释 MCP 服务的工作原理” 的种子问题：

1. 快速建立心智模型，便于快速浏览
2. 深入理解，以便自己实现一个
3. 与替代方案（插件、钩子）进行比较
4. 向非技术人员解释

然后，根据问题类型再添加 1–2 个定制问题：

• 决策 → 决策标准（成本 / 速度 / 可逆性 / 选择余地）和时间范围。
• 解释说明 → 深度、受众、已有知识。
• 批评或评审 → 希望得到哪种质疑（唱反调 / 为替代方案辩护 / 侧重数据 / 发现风险）。
• 生成方案 → 约束范围（时间限制、预算、还涉及哪些人）。
• 预测或预判 → 时间范围，以及哪些情况会改变用户的看法。

不好的示例（套话——不要这样做）：

1. “背景是什么？”
2. “受众是谁？”
3. “回答要多长？”

好的示例（针对 “我该淘汰 Outlook 插件吗？”）：

1. 真正的驱动因素是什么？（4 个动机选项 + 其他）
2. 哪个更重要：减轻维护负担，还是让用户群满意？
3. 时间范围——接下来 3 个月，还是接下来 2 年？

提问方式：

当 AskUserQuestion 可用时（Claude Code），使用一次 AskUserQuestion 调用，包含全部 2–4 个问题。采用单选（multiSelect: false）。每个选项都要有一个简短标签和一行说明。每个问题只提供 3–4 个实际选项——运行时会自动添加“其他”自由文本字段。不要手动添加“其他”选项（这会使问题超过 4 个选项的上限）。

当 AskUserQuestion 不可用时（Codex 或其他运行环境），以编号列表形式列出问题。为每个问题明确添加“其他（自由填写）”选项，因为运行时不会自动添加。请用户每个问题回复一行。格式示例：

A few quick clarifying questions:

Q1 — What's really driving this?
  1. Decide whether to do the rewrite at all
  2. Stress-test a rewrite I'm already planning
  3. Generate options I haven't considered
  4. Find reasons NOT to do it
  5. Other (type freely)

Q2 — Which matters more: cutting maintenance burden, or keeping the user base happy?
  1. Cutting maintenance burden
  2. Keeping the user base happy
  3. Other (type freely)

Reply with one line per question, e.g.:
  Q1: 2
  Q2: 1
or use free text where Other applies, e.g. "Q1: I want to compare against alternatives I haven't thought of".

步骤 1c：构思延伸角度（相关角度）

澄清后，拟定 3–5 个种子问题未明确提出、但通常很有帮助的相关角度或子问题。每个选项都需要一行理由说明。

针对 “我该淘汰 Outlook 插件吗？” 的示例：

• “还可以问：要看到什么，我才会改变主意？”——找出观点更新的条件。
• “还可以问：无论如何，最主要的 3 个失败模式是什么？”——对称地分析风险。
• “换个角度：如果我今天才开始，会不会开发这个？”——厘清沉没成本。
• “还可以问：先验证这个假设的最低成本实验是什么？”——找出成本更低的替代方案。

以多选形式呈现。始终包含一个“都不选——只回答原始问题”选项。

当 AskUserQuestion 可用时，使用一次 AskUserQuestion 调用，并设置 multiSelect: true。

当 AskUserQuestion 不可用时，以编号列表形式列出选项，并要求用户用逗号分隔的数字回复（或回复“都不选”）：

Adjacent angles I could bundle in (pick any, comma-separated, or "none"):

  1. Also ask: what would I need to see to change my mind?
     — surfaces update conditions, useful for forecasting decisions
  2. Also ask: top 3 failure modes either way
     — symmetric risk analysis
  3. Reframe as: if I were starting today, would I build this?
     — disentangles sunk cost from forward-looking value
  4. Also ask: cheapest experiment to test the hypothesis first
     — surfaces lower-cost alternatives
  5. None

Reply with numbers (e.g. "1, 3") or "none".

如果用户选择都不选或跳过，也没关系——继续处理。

Step 1d：起草并批准提示词

起草一份全面的提示词。直接纳入 Step 1b 的回答：用它们填充草稿中的动机、标准、受众、深度和时间范围。根据 Step 1c 中选择和跳过的延伸问题，决定要将哪些子问题合并进去。

提示词应：

1. 涵盖完整背景 —— 相关背景、约束和目标。
2. 包含实质内容 —— 实际摘录、代码片段或数据，而不只是文件引用。
3. 说明明确的动机 —— 从 Step 1b 的动机回答中提炼出一行明确表述："我想做 X，因为 Y。"
4. 清楚说明核心问题 —— 主要问题，以及 Step 1c 中合并的任何延伸问题。
5. 注明约束或偏好 —— 深度、格式、受众、时间范围（根据 Step 1b 的回答提取）。

提示词起草检查清单：

• 背景信息（至少 2–4 个段落）
• 任何相关文件内容或代码（包含实际内容，而不是“参见附件”）
• 明确说明动机（摘自 Step 1b）
• 主要问题 + 合并的延伸问题（摘自 Step 1c）
• 约束/受众/时间范围（摘自 Step 1b）
• 有用的回复格式/深度

宁可提供更多背景，也不要少于所需。其他模型无法访问这段对话，它们只能看到提示词。看起来“太长”的提示词通常长度刚好。

使用 heredoc 将草稿保存到一个独一无二的文件名，以避免与并发会话冲突，并保留格式：

slug="$(date +%s)"
cat > "/tmp/amm-prompt-draft-$slug.md" <<'EOF'
<paste full prompt text here>
EOF
open "/tmp/amm-prompt-draft-$slug.md"

打开文件后，还要用 2–3 句话在线总结，让用户无需切换窗口即可反馈。

批准消息取决于已执行的步骤：

• 如果 Step 1b 和 Step 1c 都已执行，且用户至少选择了一个延伸问题：

  "已起草。**已包含的延伸问题：**失败模式、成本最低的实验。**已跳过：**重新界定问题、改变主意的条件。如果你想修改，请告诉我；或者回复“go”继续。"

• 如果已执行 Step 1c，但用户选择了“none”：

  "已根据你的澄清回答起草——未合并额外延伸问题。如果你想修改，请告诉我；或者回复“go”继续。"

• 如果 Step 1a 跳过了澄清：

  "我已起草提示词。请检查并告诉我是否需要修改，或者回复“go”继续。"

Step 2：模型选择

始终显示模型选择菜单，并在运行任何查询前等待用户选择。绝不要假设用户想用哪些模型，即使用户提供了提示词文件路径或似乎想要快速回答。始终由用户选择。

通过运行命令来打印菜单——models.json 是唯一可信来源，切勿凭记忆转录选项：

cd "$HOME/.claude/skills/ask-many-models" && yarn query menu

向用户显示其输出并等待用户输入数字。此处不要使用 AskUserQuestion；它最多只能显示四个选项。

用户可以只输入数字（例如 1），也可以输入数字后跟 SYS（例如 1 SYS、2 sys）。解析数字以选择模型。如果存在 SYS（不区分大小写），则在确定模型后继续执行 Step 2b。

最后一个选项是选择单个模型。如果用户选择此项，则打印选择器并要求用户输入以逗号分隔的数字：

cd "$HOME/.claude/skills/ask-many-models" && yarn query menu --pick

根据该输出将用户输入的数字映射回模型 ID，并像上面一样检查是否包含 SYS。

步骤 2b：系统提示词（仅当用户输入了 SYS）

仅当用户在模型选择输入中包含 SYS 时才运行此步骤。否则跳至步骤 3。

1. 检查已保存的提示词：查看 $HOME/.claude/skills/ask-many-models/data/system-prompts.json。如果文件不存在，则将已保存提示词列表视为空。
2. 如果存在已保存的提示词，使用字母标签显示：

Saved system prompts:

  A) Expert VC analyst — You are an experienced venture capital...
  B) Devil's advocate — Challenge every assumption...

  N) Write a new system prompt

Select (A/B/.../N):

3. 如果用户选择了一个字母，则将对应已保存提示词的内容用作系统提示词。
4. 如果用户选择 N，请让他们输入或粘贴系统提示词。然后询问他们是否要保存：
   • 如果要保存，请询问名称，然后使用以下命令将其添加到 system-prompts.json：

     mkdir -p "$HOME/.claude/skills/ask-many-models/data"
     if [ ! -f "$HOME/.claude/skills/ask-many-models/data/system-prompts.json" ]; then printf '{"prompts":[]}\n' > "$HOME/.claude/skills/ask-many-models/data/system-prompts.json"; fi
     jq --arg name "<name>" --arg content "<content>" '.prompts += [{"name": $name, "content": $content}]' "$HOME/.claude/skills/ask-many-models/data/system-prompts.json" > /tmp/amm-sysprompts-tmp.json && mv /tmp/amm-sysprompts-tmp.json "$HOME/.claude/skills/ask-many-models/data/system-prompts.json"
     

5. 将系统提示词保存到临时文件，并在步骤 4 中通过 --system-prompt <path> 传入。

如果用户直接按 Enter（输入为空），则跳过，不使用系统提示词。

步骤 3：检查图片

如果对话中包含图片，将其保存到： $HOME/.claude/skills/ask-many-models/data/model-outputs/image-TIMESTAMP.png

不支持视觉的模型只会收到文本提示词，以及一条说明已提供图片的备注。menu --pick 的输出会标记哪些模型支持图片。

步骤 4：运行查询

如果用户选择了预设，则传入预设名称；如果用户自行选择了模型，则传入明确的模型 ID。

不要使用 --synthesise 运行——综合结果会在步骤 4b 中通过会话内子 Agent 生成，这样使用的是操作者现有的计划额度，而不是按量计费的 Anthropic API：

cd "$HOME/.claude/skills/ask-many-models" && yarn query \
  --preset "<preset-name>" \
  --output-format both \
  [--image "<path>"] \
  [--system-prompt "<path>"] \
  "<prompt>"

对于用户单独选择的模型集合，将 --preset 替换为 --models "<id1>,<id2>,..."。

脚本会打印自动生成的输出目录路径（data/model-outputs/<timestamp>-<slug>/），并写入 results.md、results.html、responses.json、prompt.md 和 individual/<model>.md 文件。

开始运行深度研究预设之前，请提醒用户所需时长——这些模型每个需要 10–20 分钟。

步骤 4b：在会话内综合结果（子 Agent）

从步骤 4 的标准输出中获取输出目录路径，然后启动一个通用子 Agent 来生成综合结果：

Agent tool with subagent_type: "general-purpose"
description: "Synthesise multi-model responses"
prompt: |
  Read the following files and produce a synthesis of the model responses.

  Prompt: <output-dir>/prompt.md
  Individual model responses: <output-dir>/individual/*.md
  (Skip any file whose content starts with "**Error:**" — that model failed.)

  Produce an executive-depth synthesis with these sections, using British English
  and sentence-case headings:

  ## Overview
  (1 short paragraph — the core question and the shape of the answer.)

  ## Points of consensus
  (Bullets — points where 2+ models agree, with [model] attribution tags.)

  ## Points of disagreement
  (Bullets — contradictions with a short pros/cons. Tag each view with [model].)

  ## Unique insights
  (Bullets — valuable points only one model raised. Tag with [model].)

  ## Confidence level
  (One paragraph — how much to trust this synthesis and why.)

  Write the synthesis to /tmp/amm-synthesis-<slug>.md and return only the file path.
  Do NOT edit results.md, results.html, or any file in the output directory —
  the orchestrator will handle insertion.

子 Agent 返回综合结果文件路径后，运行插入辅助程序：

cd "$HOME/.claude/skills/ask-many-models" && \
  npx tsx scripts/resynthesise.ts "<output-dir>" --file "<synthesis-file>"

这会将综合结果插入 results.md 顶部（位于 # Multi-Model Query 元数据之后、首个模型部分之前），并重新生成 results.html。

备用方案——如果因任何原因需要通过 API 综合结果（无人值守运行，或会话内上下文卡住），省略 --file：

npx tsx scripts/resynthesise.ts "<output-dir>"

这会通过 Anthropic API 调用 Claude Opus 4.8，并消耗令牌。

步骤 5：打开结果

告知用户“正在查询：[models]”，然后打开结果文件。如果 data/user-defaults.json 存在，请检查其中的 open_preference：

• "html" → open "<output-dir>/results.html"
• "markdown"（或未设置）→ open "<output-dir>/results.md"

资源

• references/cli-reference.md — 完整的命令和选项参考、模型配置、API 密钥、输出结构、综合结果、深度研究和错误处理。
• models.json — 模型和预设的唯一事实来源。只需在其中添加模型；菜单会据此生成。