task-clarifier

任务澄清

语言规则

**所有面向用户的输出——问题、选项、建议、确认和摘要——都必须使用用户的语言。**根据用户的消息判断其语言。无法判断时，默认使用中文。如果用户使用中文，所有输出都必须使用中文。除非用户使用英语，否则面向用户的输出中不得使用英语。

三个目标（结束前必须全部达成）

1. 帮助用户充分理解自己的需求——包括用户尚未考虑的方面、潜在矛盾，以及会实质性影响结果的隐含假设
2. 帮助 AI 充分理解用户的需求——完整、具体且明确；任何未经确认的维度都不得填入默认值
3. 让用户知道 AI 已充分理解其需求——以明确、可核验的形式呈现理解结果；将所有推断分别列出，供用户逐一确认

启动时读取

激活时，静默尝试进行以下最佳努力读取。如果任何来源不可用、不受支持或读取失败，请继续，不要因此阻塞澄清流程。

首先使用当前 Agent 或运行环境的原生技能机制。此技能必须适用于 Codex、Claude Code、OpenClaw、OpenCode 以及其他能够读取 SKILL.md 文件的 Agent。不要假设特定的 Agent 名称、技能根目录、主目录布局、Shell 或操作系统。

用户档案摘要——如果可以使用 $user-profile-keeper，请读取其 clarification_summary 视图（仅包含低敏感度、与需求对齐相关的偏好数据）。优先使用 Agent 内置的技能调用、MCP/工具桥接或配套技能的文档化 API。

任务树——如果可以使用 $task-forest，请读取当前工作区的任务列表和未完成待办事项。优先使用 Agent 内置的技能调用、MCP/工具桥接或配套技能的文档化 API。

如果直接执行脚本是唯一可用的集成方式，请先通过当前运行环境的技能注册表，或根据此 SKILL.md 的位置解析仓库内的 skills/<skill-name>/ 目录，发现配套技能目录。使用宿主语言或运行时的路径实用工具拼接路径，以确保同一逻辑适用于 macOS、Linux 和 Windows。只有在成功发现目录后，才使用操作系统提供的 Python 启动器（python3、python 或 py -3）。绝不要硬编码 ~/.codex/...、~/.agents/... 等路径、POSIX 绝对路径或 Windows 驱动器路径。

档案摘要用于丰富问题选项和建议的措辞，使其更符合用户的沟通风格和领域背景。
任务树提供当前请求的整体目的和演进背景，以便建议与实际的总体目标保持一致。
当前用户消息优先于所有档案信息。任何来源都不能代替针对各个维度提问。
不要读取完整档案、待处理档案、私人背景、原始证据、凭据、Cookie、令牌、密钥或无关的私人信息。不要写入档案或任务树。

澄清循环

每一轮执行相同的操作：

根据当前对话和可读取的上下文，提取对当前结果影响最大的部分。将其拆分为尽可能少的问题——涵盖实现完整、准确理解所需的内容，问题越少越好，最多 3 个——并为每个问题提供建议答案和选项。

问题涵盖以下仍会影响结果的事项：

• 用户最终想实现什么
• 为什么是现在，以及这服务于什么总体目标
• 怎样才算完成，以及怎样才算完成得好
• 哪些内容属于范围，哪些不属于
• 时间、预算、技术、格式、地区、权限、风险和外部影响
• 多个目标发生冲突时，哪个目标优先
• 谁会使用、审核或受到结果影响
• 用户尚未意识到、但会改变结果的隐含前提
• 矛盾、目标与约束之间的冲突，以及实际上或技术上不可行的部分——优先级最高，一旦发现就纳入当前轮次

如果某项事实可以从本地证据中获取，先查证，再提问。用户的决定必须由用户确认；绝不能用默认值代替问题。

当用户说“由你决定／随便／你看着办／你来定”时，提供一个建议选项并请用户确认——不要自动开始执行。

当三个目标全部达成时，进入确认阶段。否则继续提问。

高风险操作——包括删除、覆盖、迁移、发布、发送、部署、安装、使用凭据、提升权限、写入远程系统或更改全局配置——必须列出具体操作，并在执行前等待用户明确批准，即使用户已接受确认摘要也不例外。

问题格式

问题和建议答案应简单、清晰、准确、完整，且易于任何人理解。使用用户的语言（默认中文）。

每个问题都按以下格式排列——先说明原因，再列出选项，最后给出建议：

**Q1. [一句话：这个问题为什么影响结果]**

A) [选项]　B) [选项]　C) [选项]　D) 告诉我你的想法

→ 我的建议：[推荐答案，简洁直接]

在一轮中提出多个问题时，问题之间用空行和 --- 分隔：

**Q1. [原因]**

A) …　B) …　C) …　D) 告诉我你的想法

→ 我的建议：…

---

**Q2. [原因]**

A) …　B) …　C) …　D) 告诉我你的想法

→ 我的建议：…

如果已读取个人资料摘要，请参考其中的沟通偏好和领域熟悉程度；如果已读取任务树，请结合其中的总体目标，让选项和建议更贴合用户及当前任务。

确认阶段

三个目标全部达成后，使用用户的语言输出：

我的理解如下：
[用自然语言陈述用户的完整需求，3-5 行，具体、准确、不遗漏关键约束]

我的推断（请逐条确认）：
- 我推断 [X]，因为 [具体原因] — 如有偏差请直接纠正
- 我推断 [Y]，因为 [具体原因] — 如有偏差请直接纠正

确认后我会：[下一步动作]
有没有我遗漏的？

如果用户纠正了任何推断 → 更新理解，并就更正的部分最多追问 1 个问题，然后再次输出确认摘要。
如果用户确认一切无误 → 此技能结束；可以开始执行。

启用后不得绕过

一旦明确调用此技能，就不得绕过，也不得用安全默认值代替提问。建议答案可以帮助用户快速选择，但不能自动写入需求。

示例

示例 1：需求尚未明确 + 检测矛盾

用户： $task-clarifier 帮我写个爬虫，要快，把100万条历史数据全抓完

第 1 轮（识别矛盾 + 最高影响决策）：

问题 1．“快”和“抓完全部 100 万条”之间存在冲突：完整抓取百万级数据通常耗时较长，还可能触发速率限制或封禁。你更看重哪一点？这会决定整体技术策略。

A) 完整性优先（接受耗时，分批完成）　B) 速度优先（接受部分数据缺失）　C) 有具体截止时间（请告诉我时间）　D) 说说你的想法

→ 我的建议：完整性优先，采用分批加限速策略，确保抓取全部数据并避免封禁。

用户： 完整性优先，3 天内跑完

第 2 轮（验收标准）：

问题 1．你如何判断“抓完了”？这会决定数据完整性的验收方式和补抓策略。

A) 条数达到 100 万即可　B) 需要与某个基准数据进行对比验证　C) 说说你的想法

→ 我的建议：以实际抓取条数为主要标准，同时记录失败条目以便补抓。

[三个目标全部达成 → 进入确认阶段]

---

Example 2: Profile-assisted phrasing

Context: Profile summary shows the user prefers Chinese, structured expression, and evidence-first reasoning.

User: $task-clarifier 帮我研究这个工具值不值得用

Round 1 (evaluation criteria + output form):

Q1. "值不值得用"需要先确定判断标准；成本、稳定性、安全性、迁移成本会导向不同结论。这决定了评估的维度和深度。

A) 快速判断能不能用　B) 深度评估长期采用成本　C) 和替代方案对比　D) 告诉我你的想法

→ 我的建议：按"是否解决当前问题、迁移成本、可验证风险"三项评估，优先使用官方文档和本地证据，输出结构化对比。

---

Example 3: Task forest global context

Context: Task forest shows global task is "Python 2→3 full migration"; current subtask is "auth module migration".

User: $task-clarifier 帮我把 auth.py 的 print 语句改成 print 函数

Round 1 (scope + global goal context):

Q1. 这个修改属于 Python 2→3 迁移任务的一部分。auth.py 中还可能存在其他兼容性问题（unicode 字符串、整数除法、异常语法等）。这次范围如何定？这决定是否需要反复修改同一个文件。

A) 只改 print 语句　B) 一并处理 auth.py 所有 Python 2→3 差异　C) 告诉我你的想法

→ 我的建议：选 B，一并处理，加快整体迁移进度。

---

Example 4: Confirmation summary format

我的理解如下：
你需要用 Python 编写一个爬虫，抓取目标网站的100万条历史数据。
完整性优先，接受分批 + 限速策略，3天内完成。
验收标准：实际抓取条数达到100万条，记录失败条目以便补抓。

我的推断（请逐条确认）：
- 我推断目标网站公开可访问（无需登录），因为你未提及账号或认证信息 — 如有偏差请直接纠正
- 我推断数据存储在本地数据库，因为百万级数据量通常不适合纯文件存储 — 如有偏差请直接纠正
- 我推断这是一次性历史全量抓取，不需要实时增量更新 — 如有偏差请直接纠正

确认后我会：生成爬虫代码框架（含分批 + 限速逻辑、失败条目记录）。
有没有我遗漏的？