需求澄清器

需求澄清器 - 原创技能。自动追问模糊需求，减少返工和误解。适用于AI编程、需求分析、任务交接等场景。

Security Scan

This is an instruction-only 'requirement clarifier' skill whose requirements, instructions, and scope are coherent with its stated purpose and contain no surprising installs, credentials, or I/O.

Purpose & Capability

Name/description (clarifying vague requirements) match the content: templates, detection rules, question-generation logic and example flows are all appropriate for a clarifier skill.

Instruction Scope

SKILL.md contains only guidance, templates, and illustrative Python snippets/regexes. It does not instruct the agent to read files, environment variables, or send data to external endpoints, nor does it request unrelated system access.

Install Mechanism

No install spec and no code files — nothing is downloaded or written to disk. Lowest-risk installation model (instruction-only).

Credentials

Declares no required environment variables, credentials, or config paths. The examples use only local detection heuristics and question templates that do not require secrets or external services.

Persistence & Privilege

always:false (default) and no install means the skill does not request persistent or elevated system presence. The agent-autonomy default is normal and not combined with other red flags.

Assessment

This skill is coherent and appears safe: it's an instruction-only clarifier with templates and example code. Before enabling it broadly, (1) review/adjust the vague-word lists and question templates for your domain and language, (2) test prompts with non-sensitive sample data (do not supply secrets in example requirements), and (3) if you prefer to prevent autonomous invocation, disable model invocation for the skill in your agent settings. If you plan to turn the illustrative code into runnable code in your environment, review it for correctness and security first.

⚠️ 发布规则

所有发布到ClawHub的技能必须严格测试，确定没有问题再发布

---

技能测试验证清单

• frontmatter格式正确
• 澄清问题模板完整
• 判断逻辑清晰
• 优先级排序合理
• 无语法错误

---

Requirement Clarifier - 需求澄清器

原创技能 | 激活词: 澄清需求 / 追问细节 / 确认需求

核心问题

模糊需求导致的问题：

• AI按错误理解开发
• 完成后需要返工
• 浪费时间精力
• 用户不满意

澄清框架

5W1H 追问法

What (什么) - 具体要做什么？
Why (为什么) - 为什么要做这个？
Who (谁) - 谁来使用？
Where (哪里) - 在什么环境使用？
When (何时) - 什么时候需要？
How (如何) - 如何实现/使用？

澄清维度

维度	关键问题	目的
范围	需要包含什么？排除什么？	明确边界
质量	怎样算成功？有什么标准？	定义成功
约束	有什么限制？技术/时间/预算？	了解限制
优先级	什么最重要？	排序决策
风险	有什么担忧？	预防问题

常见模糊模式

模式1: 动词模糊

❌ 模糊: "帮我优化这个代码"
✅ 澄清: 优化哪个方面？
       - 性能 (速度/内存)
       - 可读性
       - 可维护性
       - 安全性

❌ 模糊: "修复这个bug"
✅ 澄清: 期望行为是什么？
       实际行为是什么？
       如何复现？

模式2: 名词模糊

❌ 模糊: "创建一个用户模块"
✅ 澄清: 需要包含哪些功能？
       - 注册/登录
       - 用户资料
       - 权限管理
       - 头像上传
       需要和哪些系统集成？

❌ 模糊: "做个好看的界面"
✅ 澄清: 好看是指什么风格？
       - 现代简约
       - 传统商务
       - 活泼年轻
       有参考案例吗？

模式3: 范围模糊

❌ 模糊: "做个网站"
✅ 澄清: 网站类型？
       - 电商网站
       - 博客网站
       - 企业官网
       - 社交平台
       
❌ 模糊: "处理这些数据"
✅ 澄清: 数据来源？
       处理逻辑？
       输出格式？

澄清流程

1. 接收需求
      ↓
2. 识别模糊点
      ↓
3. 生成澄清问题
      ↓
4. 按优先级排序
      ↓
5. 选择最关键问题追问
      ↓
6. 根据回答更新理解
      ↓
7. 重复直到清晰

澄清问题生成

def generate_clarification_questions(requirement: str) -> list[Question]:
    questions = []
    
    # 检测模糊模式
    if contains_vague_verb(requirement):
        questions.extend(clarify_verb(requirement))
    
    if contains_vague_noun(requirement):
        questions.extend(clarify_noun(requirement))
    
    if lacks_scope(requirement):
        questions.extend(clarify_scope(requirement))
    
    if lacks_success_criteria(requirement):
        questions.extend(clarify_criteria(requirement))
    
    # 按优先级排序
    questions.sort(key=lambda q: q.priority, reverse=True)
    
    # 只问最关键的3个
    return questions[:3]

模糊检测规则

VAGUE_WORDS = [
    '优化', '改进', '提升', '完善',
    '处理', '管理', '系统', '模块',
    '好看', '好用', '快速', '高效',
    '一些', '相关', '合适', '适当',
]

VAGUE_PATTERNS = [
    r'帮我.*',        # 缺少宾语
    r'做个.*',        # 缺少具体描述
    r'处理.*',        # 缺少处理逻辑
    r'优化.*',        # 缺少优化目标
]

澄清输出格式

## 需求澄清

### 原始需求
"帮我做个用户管理模块"

### 已识别模糊点
1. ⚠️ 范围不清 - 不知道包含哪些功能
2. ⚠️ 标准不明 - 不知道怎样算完成
3. ⚠️ 环境未提 - 不知道在什么环境运行

### 请帮我确认

#### 问题 1/3 [高优先级]
**需要包含哪些用户管理功能？**
- [ ] 用户注册
- [ ] 用户登录
- [ ] 密码找回
- [ ] 用户资料编辑
- [ ] 权限/角色管理
- [ ] 其他: ___

#### 问题 2/3 [中优先级]
**有什么技术要求？**
- 技术栈: ___
- 需要API吗？ ○ 是 ○ 否
- 需要数据库吗？ ○ 是 ○ 否

#### 问题 3/3 [低优先级]
**预计用户规模？**
- [ ] <100人
- [ ] 100-1000人
- [ ] 1000-10000人
- [ ] >10000人

回复理解确认

## 需求理解确认

### 我理解的如下，请确认：

**功能范围**
- ✅ 用户注册/登录
- ✅ 密码找回
- ✅ 用户资料管理
- ❌ 权限管理 (你说先不做)

**技术要求**
- ✅ 技术栈: React + Node.js
- ✅ 需要REST API
- ✅ 使用PostgreSQL

**成功标准**
- ✅ 所有用户能正常注册登录
- ✅ 资料能正常编辑保存
- ✅ 响应时间 < 500ms

**是否正确？**
- [ ] 是，没问题
- [ ] 不对，需要调整

澄清效果评估

def evaluate_clarity(requirement: str, answers: list[str]) -> float:
    # 计算澄清后的清晰度
    
    clarity = 0.0
    
    if has_concrete_features(answers):
        clarity += 0.3
    
    if has_success_criteria(answers):
        clarity += 0.3
    
    if has_tech_constraints(answers):
        clarity += 0.2
    
    if has_scope_boundary(answers):
        clarity += 0.2
    
    return clarity

# 澄清有效阈值: >= 0.7

应用场景

场景1: AI编程

用户: "帮我做个按钮"
AI: [触发需求澄清器]
   - 需要什么样式？
   - 点击事件？
   - 有哪些状态？
   - 尺寸大小？

场景2: 任务交接

A: "把这个功能交给B"
B: [使用需求澄清器]
   - 功能范围？
   - 接口定义？
   - 交付标准？

场景3: 需求分析

产品经理: "用户需要管理数据"
分析师: [使用需求澄清器]
   - 什么类型的数据？
   - CRUD全部需要？
   - 有批量操作？

与Karpathy法则结合

需求澄清 = Karpathy "先思考" 的具体实现

Karpathy法则	需求澄清对应
不假设	不假设用户需求
不隐藏困惑	明确提出疑问
多解释列出	提供选项让用户选择

原创性声明

本技能为原创，融合了：

• 需求工程方法论
• 模糊语言识别
• 追问框架设计
• 交互式澄清对话

---

作者: laosi 创建日期: 2026-04-28