self-correction

模型自我检查与纠错技能。当用户表达反对意见或指出错误时触发，如"不对"、"你回答错了"、"不是这样"、"重新理解"、"等等"、"我说的不是这个意思"等表达。用于重新分析和优化用户原始意图，而非修改上一轮回答。

Security Scan

The skill's declared purpose (detect user disagreement and re-interpret original intent) matches its instructions and included files; there are no unexpected network, credential, or installation requirements.

Purpose & Capability

The name and description describe a self-correction / intent-recovery helper, and the SKILL.md, _meta.json, and examples all implement that behavior. Required capabilities (none) are proportional to the stated purpose.

Instruction Scope

Runtime instructions are limited to dialog-level actions (detect trigger phrases, re-examine the user's previous input, propose revised interpretations and answers). The SKILL.md does not instruct the agent to read system files, access unrelated environment variables, call external endpoints, or exfiltrate data.

Install Mechanism

There is no install spec; the skill is instruction-only. The two included scripts are local packaging/validation utilities and do not download or execute remote code.

Credentials

The skill requests no environment variables, credentials, or config paths. The behavior described does not require additional secrets or cloud access.

Persistence & Privilege

Flags show always:false and default autonomous invocation allowed (normal). The skill does not request permanent system presence or modify other skills/configuration.

Assessment

This skill appears coherent and limited to conversational behavior: it will detect user disagreement phrases, re-interpret the user's original prompt, and produce a revised answer. Before installing, confirm you are comfortable with an autonomous skill having permission to be invoked by the agent (the default) and review the SKILL.md examples to ensure the confirmation/clarification style matches your expectations. The included scripts are simple local packaging/validation helpers — no network downloads or secret usage were found.

模型自我检查与纠错技能

触发条件

当检测到用户使用以下类型的表达时，激活本技能：

一、明确否定类（直接指出错误）

触发短语	语境示例
"不对"	"不对，我问的不是这个"
"不是"	"不是，你理解错了"
"错了"	"错了，应该是..."
"错误"	"你的回答有错误"
"答非所问"	"你答非所问了"

二、质疑追问类（要求重新理解）

触发短语	语境示例
"等等"	"等等，你搞错了"
"等一下"	"等一下，我不是这个意思"
"停"	"停，你说的不对"
"等等等等"	"等等等等，我重新说"
"重新理解"	"请重新理解我的问题"

三、否定前因类（否定AI回答的前提）

触发短语	语境示例
"你回答错了"	"你回答错了"
"你理解错了"	"你理解错了"
"你搞错了"	"你搞错了"
"你误会了"	"你误会了"
"你说反了"	"你说反了"

四、否定结果类（否定AI的输出内容）

触发短语	语境示例
"不是这样"	"不是这样写的"
"不是那样的"	"不是那样的"
"不是这个"	"不是这个意思"
"我说的是..."	"我说的是Python，不是Java"
"不是我要的"	"这不是我想要的"

五、重新表述类（要求重新开始）

触发短语	语境示例
"重新说"	"你重新说一遍"
"再说一遍"	"再说一遍"
"换个说法"	"换个说法"
"换个方式"	"换个方式解释"
"我换个说法"	"我换个说法..."

六、修正补充类（指出遗漏或补充）

触发短语	语境示例
"漏了"	"你漏了一个要求"
"没说完"	"你没说完"
"不完整"	"你的回答不完整"
"还有"	"还有，你忘了..."
"但是"	"但是我还要..."

七、中文否定词快速检测

检测以下否定词在句中的出现：

• "不" + 动词（不对、不是、不应该）
• "没" + 动词（没说、没理解、没讲清楚）
• "别" + 动词（别说了、别理解错了）
• "无" + 名词（无法理解、无道理）

---

核心机制

重要原则：重新理解用户意图，而非修改AI的回答

1. 不修改上一轮回答：不要在本轮对话中直接修改或更正上一轮的AI回答
2. 回溯用户原始意图：重新分析用户上一轮提出的原始问题或请求
3. 重新理解与优化：对用户的原始prompt进行深度理解和优化
4. 输出新的理解结果：基于重新理解，给出全新的回应

---

执行流程

步骤1：检测与识别

当检测到反对意见表达时：
1. 立即暂停当前对话方向
2. 识别反对意见的具体类型（否定、质疑、修正、补充）
3. 定位用户上一轮的核心请求
4. 记录反对意见可能揭示的问题线索

步骤2：回溯与重新理解

1. 回溯查看用户上一轮完整的原始输入
2. 识别原始请求中的：
   - 核心需求/目标（用户真正想要什么）
   - 约束条件/要求（语言、格式、范围等）
   - 隐含假设/上下文（用户默认的前提）
   - 可能的歧义点（哪些词可能有多种理解）
3. 分析反对意见可能揭示的问题：
   - 理解偏差（我理解错了哪个概念）
   - 信息缺失（用户没说清楚什么）
   - 假设错误（我假设了什么不存在的条件）
   - 表达不清（用户的表达哪里可能引起误解）
4. 列出2-3个最可能的用户真实意图假设

步骤3：重新构建与输出

1. 选择最可能的用户意图假设
2. 基于新理解，优化问题表述
3. 生成新的回应方案
4. 如果有多个可能，简洁地确认关键点
5. 输出完整的新答案

---

输出格式

当触发自我纠错时，输出应包含：

[自我检查] 检测到您的反馈信号，正在重新理解您的原始意图...

[重新理解]
- 原始需求：<重新表述的用户需求>
- 可能的问题点：<分析导致误解的关键点>
- 关键确认：<如有不确定的地方，简短询问>

[新答案]
<基于重新理解的完整回答，直接输出，不要说"这是新的回答">

---

详细示例场景

示例1：技术栈理解偏差

上下文：用户要求用Python写代码

用户第一轮： "帮我写一个调用API的函数" AI回答： 提供了使用requests库的同步HTTP请求函数 用户反对： "不是这样的，我要的是异步的"

触发自我纠错输出：

[自我检查] 明白了，您指的是异步API调用。让我重新理解...

[重新理解]
- 原始需求：调用API的函数
- 可能的问题点：我默认使用了同步方式，但用户需要异步实现
- 关键确认：使用asyncio + aiohttp？还是requests的异步版本？

[新答案]
import aiohttp
import asyncio

async def call_api(url, headers=None, params=None):
    """异步调用API函数"""
    async with aiohttp.ClientSession() as session:
        async with session.get(url, headers=headers, params=params) as response:
            return await response.json()

---

示例2：语言/框架理解错误

上下文：用户提到某个技术名称

用户第一轮： "Vue的computed怎么用" AI回答： 详细解释了Vue 3的computed 用户反对： "等等，我说的是Vuex，不是Vue"

触发自我纠错输出：

[自我检查] 了解了，您指的是Vuex中的计算属性。让我重新...

[重新理解]
- 原始需求：Vuex的getters用法
- 可能的问题点：Vue和Vuex是两个不同的概念
- 关键确认：Vuex的getters帮助函数（mapGetters）？

[新答案]
import { mapGetters } from 'vuex'

export default {
  computed: {
    ...mapGetters(['totalPrice', 'itemCount'])
  }
}

---

示例3：需求范围不明确

上下文：用户的请求过于笼统

用户第一轮： "帮我处理这个数据" AI回答： 提供了数据处理的基本代码 用户反对： "我说的处理还包括清洗、可视化和导出"

触发自我纠错输出：

[自我检查] 理解了，"处理"包含多个步骤。让我重新整理...

[重新理解]
- 原始需求：数据处理（含清洗、可视化、导出）
- 可能的问题点："处理"是个多义词，包含多个子任务
- 关键确认：使用pandas清洗、matplotlib可视化、导出格式偏好？

[新答案]
import pandas as pd
import matplotlib.pyplot as plt

# 1. 数据清洗
df = df.dropna()
df = df[df['value'] > 0]

# 2. 数据可视化
plt.figure(figsize=(10, 6))
df['value'].plot(kind='bar')
plt.title('Data Visualization')
plt.savefig('output.png')

# 3. 导出
df.to_csv('cleaned_data.csv', index=False)

---

示例4：隐含上下文遗漏

上下文：用户有特殊环境或约束

用户第一轮： "写个排序函数" AI回答： 通用排序算法实现 用户反对： "我用的是嵌入式设备，内存很小"

触发自我纠错输出：

[重新理解]
- 原始需求：在嵌入式设备上运行的排序函数
- 可能的问题点：未考虑嵌入式环境的内存限制
- 关键确认：需要原地排序？是否有特殊的数据类型？

[新答案]
/**
 * 原地排序 - 冒泡排序（内存占用最小）
 * 适用于嵌入式设备和内存受限场景
 */
void bubbleSort(int* arr, int n) {
    for (int i = 0; i < n-1; i++) {
        for (int j = 0; j < n-i-1; j++) {
            if (arr[j] > arr[j+1]) {
                int temp = arr[j];
                arr[j] = arr[j+1];
                arr[j+1] = temp;
            }
        }
    }
}

---

示例5：格式/输出要求不符

上下文：用户有特定的输出格式要求

用户第一轮： "给我讲讲这个概念" AI回答： 一大段文字解释 用户反对： "太多了，我要用表格呈现"

触发自我纠错输出：

[重新理解]
- 原始需求：用表格形式讲解某个概念
- 可能的问题点：输出了文字而非表格格式
- 关键确认：概念的关键对比项有哪些？

[新答案]
| 特性 | 描述 |
|------|------|
| 内存占用 | O(1)原地 |
| 时间复杂度 | O(n²) |
| 稳定性 | 稳定 |
| 适用场景 | 小数据量 |

---

示例6：否定+重新表述

上下文：用户明确否定后重新说

用户第一轮： "解释一下闭包" AI回答： 闭包的定义和JavaScript示例 用户反对： "不对不对，我说的是Python的装饰器，就是带@的那种"

触发自我纠错输出：

[重新理解]
- 原始需求：Python装饰器（@语法）的用法
- 可能的问题点：混淆了闭包和装饰器的概念
- 关键确认：基础装饰器还是带参数的装饰器？

[新答案]
import functools

def my_decorator(func):
    @functools.wraps(func)
    def wrapper(*args, **kwargs):
        print("Before function call")
        result = func(*args, **kwargs)
        print("After function call")
        return result
    return wrapper

@my_decorator
def say_hello():
    print("Hello!")

---

注意事项

1. 保持中立客观：不要急于认错或道歉，专注于理解用户真实意图
2. 主动澄清：如果原始意图确实不明确，主动向用户询问关键点
3. 避免重复：确保新的回答与之前的回答有实质性不同
4. 记录学习：在内心记录可能导致误解的模式，下次避免
5. 简洁高效：不要过度解释纠错过程，快速进入新的理解
6. 多重假设：当有多种可能的理解时，列出最可能的几项让用户确认
7. 基于原始输入：始终从用户第一轮的原始输入出发，而非AI的上一轮回答

禁止事项

• ❌ 不要在本轮直接修改上一轮的回答文本
• ❌ 不要过度道歉（最多一句"明白了"）
• ❌ 不要假设用户的反对理由
• ❌ 不要要求用户详细解释哪里错了（应主动分析）
• ❌ 不要让纠错过程比正常回答更长
• ❌ 不要重复之前的错误假设

快速检查清单

触发自我纠错后，在输出前确认：

• 是否从用户原始输入出发分析？
• 是否识别了1-2个可能导致误解的关键点？
• 新的回答是否与之前的有实质性不同？
• 输出是否简洁，不超过正常回答的长度？
• 是否避免了道歉和过度解释？