ClawHub

Adaptive Expert Interview

Knowledge

Use when conducting an in-depth adaptive interview with a domain expert to extract structured Q&A pairs. Triggers include need to capture expert knowledge, decision frameworks, and cognitive boundaries through progressive questioning.

Install

openclaw skills install @billb13/expert-distiller

自适应专家访谈

Overview

通过多轮对话对领域专家进行自适应深度访谈，自动生成从易到难的问题，挖掘决策风格和领域认知，输出标准化的问答对。

When to Use

  • 需要从领域专家身上提取结构化知识
  • 希望将隐性经验转化为显性原则
  • 需要采集标准化的问答对供后续分析

Workflow

1. 初始化访谈

收集用户输入（领域、专家定位、目标数量、聚焦关键词），然后运行：

python interview_engine.py init \
  --domain "领域名称" \
  --expert "专家定位描述" \
  --target 50 \
  --keywords "关键词1,关键词2" \
  --output ./interview_state.json

向用户展示预计时长和流程说明。

2. 获取状态上下文

每轮提问前，获取当前状态：

python interview_engine.py status --state ./interview_state.json

3. 生成问题

  1. 读取 prompts/generate_question.txt 模板
  2. 将状态信息填充到模板变量中
  3. 将填充后的 Prompt 发送给 LLM
  4. LLM 返回 JSON 格式的问题
  5. 向用户展示问题

4. 获取回答

等待用户回答。

5. 分析回答

  1. 读取 prompts/analyze_response.txt 模板
  2. 填充当前问题和用户回答
  3. 发送给 LLM 分析
  4. LLM 返回 JSON 格式的分析结果

6. 更新状态

运行：

python interview_engine.py update \
  --state ./interview_state.json \
  --q-id 1 \
  --question "问题文本" \
  --answer "回答文本" \
  --analysis '{"dimension": "typical_cases", "needs_follow_up": false, "quality": "high"}'

引擎会自动：

  • 更新进度
  • 追踪话题覆盖
  • 控制追问次数
  • 检查阶段切换
  • 判断是否进入快速模式

7. 循环

重复步骤 2-6，直到达到目标数量。

8. 导出结果

python interview_engine.py export \
  --state ./interview_state.json \
  --format jsonl \
  --output ./interview_result.jsonl

中断恢复

如果访谈需要中断：

python interview_engine.py snapshot \
  --state ./interview_state.json \
  --output ./interview_backup.json

优先级规则

执行时遵循以下优先级：

  1. 不中断访谈 - 永远推进对话
  2. 完成目标数量 - 达到设定目标
  3. 控制时长 - 在承诺时间内完成
  4. 挖掘深度 - 时间允许时追问

输出格式

JSON Lines，每行一个对象：

{"q_id": 1, "phase": "warmup", "type": "choice", "dimension": "core_principles", "question": "...", "answer": "...", "timestamp": "..."}
More in Knowledge