提示优化器

人工智能 社区

技能解读

当前原文的自动摘译,尚未人工审校。

概述

使用 EARS(需求语法简易方法)将模糊提示优化为精确、可操作的规范,EARS 是一种将自然语言转换为结构化、可测试需求的劳斯莱斯方法。方法论灵感来源:该技能将 EARS 与领域理论基础相结合的方法受到阿星 AI 工作室 (A-Xing AI Studio) 的启发,该工作室展示了 EARS 的实际应用,以实现快速增强。

何时使用

适用于以下情况: 用户提供模糊的功能请求(“构建仪表板”、“创建提醒应用程序”) 需求缺乏特定条件、触发器或可衡量的结果 自然语言描述需要转换为可测试的规范 用户明确请求及时优化或需求细化

流狐档案 运行与权限由流狐静态检查推断,不代表作者声明或实际测试结果。
领域
人工智能
作者声明的智能体
未找到明确声明;不据此推断已兼容或已测试
静态检查
88 / 100 · 启发式扫描,不代表运行安全
运行环境证据
未执行;当前没有隔离运行测试证据
作者 / 版本 / 许可证
@daymade · 未声明许可证
上下文用量评级
低消耗
接入复杂程度
需简单配置
是否需要外部接口密钥
不需要
兼容的系统
未声明(默认跨平台)
运行环境要求
未检出明确要求
检测到的文件与系统行为
  • 只读
  • 允许写入 / 修改
  • 命令执行
网络行为
仅限本地
安装命令数
无(仅作为资料)

需要注意: 未声明工具权限范围;实际权限由运行环境决定。

01
步骤一:分析原始需求

识别弱点: 过于宽泛 - “添加用户身份验证”→ 缺少密码要求、会话管理 缺少触发器 - “发送通知”→ 缺少通知触发的时间/原因 不明确的操作 - “使其用户友好”→ 没有可衡量的可用性标准 无限制 - “处理付款”→ 缺少安全性、合规性要求

02
第 2 步:应用 EARS 转换

将需求转换为 EARS 模式。完整的语法规则请参见`references/ears_syntax.md`。五个核心模式: 无处不在:`The system shall <action>` 事件驱动:`When <trigger>, the system shall <action>` 状态驱动:`While <state>, the system shall <action>`

03
第 3 步:识别领域理论

将要求与已建立的框架相匹配。完整目录请参见`references/domain_theories.md`。常见领域映射:生产力 → GTD、番茄工作法、艾森豪威尔矩阵 行为变化 → BJ Fogg 模型 (B=MAT)、原子习惯 用户体验设计 → 希克定律、菲茨定律、格式塔原理

04
第四步:提取具体例子

使用真实数据生成具体示例: 用户场景:“当用户在移动设备上登录时...” 数据示例:“产品:‘笔记本电脑’,价格:999 美元,库存:15” 工作流程示例:“任务:编写报告 → 子任务:研究 (2 小时)、草稿 (3 小时)、编辑 (1 小时)” 示例必须现实、具体、多样(成功/错误/边缘情况)且可测试。

05
第 5 步:生成增强提示

使用标准框架的结构: 质量标准: 角色特异性:“专门从事时间管理应用程序的产品设计师”>“设计师” 理论基础:明确的参考框架 可操作的工作流程:清晰的输入/输出和决策点

06
第 6 步:呈现优化结果

以结构化格式输出:

讨论

基于 GitHub Discussions。登录 GitHub 即可参与讨论、点赞、订阅更新。