意图澄清对齐 Inference1/clarify-intent-and-establish-shared-understanding

clarify-intent-and-establish-shared-understanding

🚀 快速开始

方式 1：让你的智能体来安装

直接告诉你的智能体：

Install the clarify-intent-and-establish-shared-understanding skill from https://github.com/Inference1/clarify-intent-and-establish-shared-understanding for this project.

方式 2：用 npx skills 安装

最省事的命令行方式是 skills 命令行。

交互式安装

npx skills add Inference1/clarify-intent-and-establish-shared-understanding

安装程序会让你选择目标智能体和安装范围。

为指定智能体安装

npx skills add Inference1/clarify-intent-and-establish-shared-understanding -a claude-code

把 claude-code 换成你想要的目标智能体标识，比如 codex、cursor、github-copilot 或 gemini-cli。

为该智能体全局安装：

npx skills add Inference1/clarify-intent-and-establish-shared-understanding -a claude-code -g

为所有支持的智能体安装

项目级：

npx skills add Inference1/clarify-intent-and-establish-shared-understanding --all

全局：

npx skills add Inference1/clarify-intent-and-establish-shared-understanding --all -g

默认是项目级安装；-g / --global 会让技能在所有项目里都能用。

方式 3：手动安装

从 GitHub 下载仓库 ZIP，或者克隆下来：

git clone https://github.com/Inference1/clarify-intent-and-establish-shared-understanding.git

然后把仓库文件夹复制到智能体的项目级或全局技能目录。SKILL.md 要放在技能文件夹里面：

<skills-directory>/
└── clarify-intent-and-establish-shared-understanding/
└── SKILL.md

以 Claude Code 为例：

Project-level
<project>/.claude/skills/clarify-intent-and-establish-shared-understanding/SKILL.md

Global
~/.claude/skills/clarify-intent-and-establish-shared-understanding/SKILL.md

常见智能体的目录位置：

| 智能体 | 项目级 | 全局 |
| Claude Code | .claude/skills/ | ~/.claude/skills/ |
| Codex | .agents/skills/ | ~/.codex/skills/ |
| Cursor | .agents/skills/ | ~/.cursor/skills/ |
| GitHub Copilot | .agents/skills/ | ~/.copilot/skills/ |
| Gemini CLI | .agents/skills/ | ~/.gemini/skills/ |

其他智能体，用它文档里写的技能目录，或者直接让 npx skills add 自动选对位置。

skills 命令行目前文档里写的是：默认项目范围，-g/--global 用于用户级安装，-a/--agent 用于指定智能体，--all 用于把所有发现的技能装到所有支持的智能体。（[GitHub][2]）

✨ 简介

AI 智能体常常陷入「自主与交互的两难」：用户给出的提示词或指令含糊不清时，自主性很强的系统可能长时间自行推进，交互不足。结果就是，它产出的 Deep Research 报告与用户预期相差甚远，或者对代码做了不合适的改动。这类结果不仅拉低任务质量，还白白浪费算力和时间。所以，在自主执行和及时与用户交互之间找到合适的平衡点，是提升智能体表现的关键。

慢思考的价值在于：在智能体开始执行任务之前，插入一个刻意放慢的 /clarify-intent-and-establish-shared-understanding 步骤。这一步主动澄清用户意图、建立共识，帮助智能体对任务的理解与用户的本意和期望结果对齐。因此，这套机制提供了一种实用、侵入性又小的手段，用来缓解幻觉、减少智能体与人的错位。

核心洞察：在复杂的开放世界环境里，沟通本身就可以是一种高效的计算形式。与其不断扩张搜索空间去揣测用户可能的需求，智能体不如把交互规模做大。行动之前，先通过多轮对话引出并逐步澄清用户意图。这种交互优先的策略，或许能为 Goal Forge、Task Execution 和 Agent Loop 提供更高效的路径。

✅️ 这个技能做什么？什么时候触发？

技能 clarify-intent-and-establish-shared-understanding 会在采取有后果的行动之前，系统性地审视并打磨用户的计划、决策、目标、策略、提案或想法。它的目的是：对用户的意图、目标、约束、优先级、假设、依赖、风险、取舍，以及可衡量的成功标准，建立起精确且共识化的理解。它靠自适应、逐步深入的提问来实现，每次只问一个高杠杆、聚焦决策的问题。整个过程中，它会区分事实、假设、猜想和未知；找出矛盾和信息缺口；直接核实可得的事实；并定期归纳正在形成的共识。
当用户明确要求严格审视时，技能就会被触发，比如拷问、质疑、压力测试、交叉盘问、红队评审、事前验尸分析或决策审计。这个过程会一直持续，直到推理连贯、有现有证据支撑、回应相关约束、基于对风险的明确评估、可执行，并且得到用户确认。

💓 为什么需要这个技能？

当结果的质量取决于行动之前能否准确定义问题，这个技能就特别有价值。它面向决策、计划、策略、提案和目标设定过程，在这些场景里，目标含糊、假设隐晦、约束冲突、证据不足、依赖被忽视或风险评估不到位，都可能造成代价高昂的错误。

这个技能不会不加批判地接受用户最初的表述，而是通过聚焦且灵活的提问，系统评估其有效性。这个过程会让你和用户对底层目标、优先级、约束、假设、取舍、风险和可衡量的成功标准形成共识。它还会区分既定事实与假设、未解决的不确定性，找出矛盾，并在可能时直接核实相关信息。通过阻止过早行动、在早期阶段发现薄弱环节，这个过程把含糊或支撑不足的推理，转化为连贯、有证据依据、对约束敏感、可执行的框架，用于目标锻造。