澄清专家Skill：用高价值提问，把模糊需求变成可执行的开发任务
- 它解决的是“需求没说清”这一最高频的返工源头：面对“让它安全一点”“加个代币”这类模糊请求，澄清专家会自动识别歧义点并给出编号提问清单。
- 提问方式有明确规范：不问“你是什么意思”，而是问“你要 X 还是 Y”，并主动给出推荐默认值，避免把决策成本又推回给用户。
- 按四大维度系统扫描：范围、环境、风险配置文件、技术栈，一次性把项目上下文问全，而不是零散追问。
- 可批量提问：把相关问题分组到编号列表里，一次交互解决多个障碍，减少来回拉扯。
- 安装启用即生效：作为 AI 技能（Skill）挂载到支持技能的客户端或 Agent 平台即可，无需改造现有代码库。
1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？
技能中文名：澄清专家Skill 技能英文名：clarification_expert 技能ID：12584
这个技能的官方定义是：擅长识别不明确要求并提出高价值澄清问题的专家。它帮助使用者发现用户请求中的模糊之处，并提出有针对性的问题，以解决开发或审计任务中的障碍。
它解决的问题非常具体：在开发、审计、需求沟通场景中，大量时间并非消耗在写代码上，而是消耗在“猜对方想要什么”上。一句“让它安全”，可能意味着加访问控制、可能意味着防重入、也可能是要过第三方审计；一句“添加一个代币”，可能默认是标准可替换代币，也可能是带元数据的半可替换资产。澄清专家Skill 的作用，就是在这些岔路口上停一下，用结构化提问把歧义一次性摊开。
一键安装的思路与步骤
AI 技能（Skill）的安装通常是“挂载”而非“编译”，这也是“一键安装提升效率”的核心思路：不改变现有技术栈，只给 AI 助手增加一套专业行为准则。
- 确认安装前提：你需要在支持 Skill 机制的 AI 客户端、Agent 平台或技能市场中拥有可用账号，并确认当前会话或项目允许调用外部技能。
- 找到技能入口：在平台的技能库/技能市场中搜索中文名“澄清专家”或英文名
clarification_expert（技能ID：12584）进行定位。 - 执行安装或启用：点击安装/启用按钮完成挂载。若平台支持手动导入，可按官方说明将带有
name: clarification_expert与description的技能描述文件放入技能目录。 - 验证是否生效：安装后，在会话中故意抛出一句模糊需求，例如“帮我把这个合约弄安全一点”。如果技能生效，你应当收到一份编号的澄清问题清单，而不是一段直接开始改代码的回答。
- 排查异常：若未生效，检查技能是否被禁用、是否在正确的项目空间中启用、是否被其他更高优先级指令覆盖。具体的命令、菜单路径与配置项以官方说明为准。
需要注意的是，本技能详情并未提供具体的安装命令行、下载链接或计费信息，因此上述步骤请以你所使用平台的官方说明为准。
2. 该技能的主要功能和特点
- 模糊点识别：自动判断一个请求是否属于“模糊请求”“缺少技术约束”“要求之间互相冲突”三类典型障碍，并据此决定是否触发澄清流程。
- 强制具体化提问：技能内置了明确的提问红线——不要问“你是什么意思？”，而要问“你想要 X 还是 Y？”。例如它不会问“代币应该如何工作？”，而会问“代币应该是标准的可替换 ESDT，还是带有元数据的半可替换 SFT？”
- 批量提问而非挤牙膏：把相关问题分组到一个编号列表中一次性抛出，避免一问一答消耗多轮对话。
- 主动建议默认值：如果用户不知道该怎么选，技能要求必须提供一个合理默认值。例如“如果你没有偏好，我推荐使用
SingleValueMapper来配置存储以节省 gas 费。我应该继续吗？” - 四大分析维度：包括范围（是一次完整审计还是只针对特定模块）、环境（主网、开发网还是主权链）、风险配置文件（通用 dApp 还是高价值 DeFi 协议）、技术栈（使用标准
multiversx-sc模块还是自定义的未检查算术）。 - 带技术立场的提问：技能内置了一条规则——总是建议使用标准模块。这意味着它不只是复述你的问题，而是在提问中夹带最佳实践倾向。
与“普通聊天式 AI 助手”相比，它的差异在于行为约束：普通助手倾向于立刻给答案，而澄清专家Skill 倾向于先确认边界。在需求本身就不清楚的场景下，前者的高产出往往等于高返工。
3. 如何使用该技能？
步骤 1：在会话中开启技能
在已完成安装启用的对话窗口或 Agent 任务中调用该技能（通常通过技能选择器、/ 指令或自然语言点名“使用澄清专家”），具体入口以官方说明为准。
步骤 2：提交你的原始（模糊）请求 直接把你现在手上的需求原样贴进去，不需要预先整理。例如：
输入示例：帮我把这个合约改得更安全一点，顺便加个代币。
步骤 3：接收结构化澄清清单 技能将返回一份编号问题列表，典型输出形态如下：
输出示例（示意）：
- 范围：本次是完整审计还是仅针对特定模块（如代币发行与权限管理）？
- 环境：目标是主网、开发网还是主权链？是否需要兼容测试网配置？
- 风险配置文件：这是通用 dApp 还是高价值 DeFi 协议？是否需要考虑资金规模带来的额外审计强度？
- 代币类型：需要标准的可替换 ESDT，还是带元数据的半可替换 SFT？
- 技术栈：使用标准
multiversx-sc模块，还是存在自定义的未检查算术逻辑？- 默认建议：若无特殊偏好，建议采用标准模块与
SingleValueMapper存储配置以节省 gas 费。是否按此方案继续？
步骤 4：逐条回复或直接采纳默认值 你可以只回答关键几条，其余采用技能给出的默认建议。回复后，需求即从“意图”收敛为“可执行规格”。
步骤 5：进入执行环节 澄清完成后，再把结论交给编码、审计或评审环节，此时上下文已明确，返工概率显著降低。
使用小技巧：当你自己就是需求方、且一时说不清想要什么时，可以让技能先出问题清单，你只做选择题，认知负担远低于从零写需求文档。
4. 同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| 澄清专家Skill（clarification_expert） | 需求歧义识别与澄清提问 | 模糊点识别、编号批量提问、建议默认值、四维分析框架 | 低，作为 AI 技能挂载启用即可，以官方说明为准 | 开发需求澄清、智能合约审计前置、跨团队沟通对齐 | 优势：提问质量稳定、每次输出结构一致、带最佳实践倾向；不足：本身不产出代码，需配合执行型技能 |
| 通用大模型直接对话 | 通用问答与生成 | 理解自然语言并直接给方案 | 极低，打开即用 | 快速起草、头脑风暴 | 优势：无门槛、响应快；不足：倾向于“直接给答案”，面对模糊需求容易产出自以为是的方案 |
| 需求澄清清单 / PRD 模板 | 人工流程规范 | 提供固定问卷项，人工逐条填写 | 中，需要有人维护模板并推动填写 | 中大型项目立项、外包需求对接 | 优势：可沉淀组织资产；不足：依赖人的自觉，遇到“差不多就行”的压力容易被跳过 |
| 智能合约静态分析 / 审计工具 | 代码层风险扫描 | 检测重入、溢出、权限等已知漏洞模式 | 中高，需接入代码库并解读报告 | 上线前安全检查 | 优势：能发现具体代码问题；不足：不解决“需求本身没说清”的问题，误报需人工判断 |
从对比可以看出，澄清专家Skill 占据的是流程最前端的位置：它不替代静态分析工具，也不替代 PRD 模板，而是在“需求进入执行前”做一次低成本的歧义消除。
5. 该技能的典型应用场景与实际体验情况
场景一：智能合约审计的前置澄清 角色：安全审计工程师。痛点：接到“帮忙审一下”的工单，既不知道是全面审计还是单模块，也不知道部署环境，往往开工后才发现范围对不上。使用方式：把工单原文交给技能，几分钟内拿到范围、环境、风险配置文件、技术栈四类问题清单。实际体验：上手难度极低，输出结构稳定，最大的价值是把“事后扯皮”变成了“事前对齐”。注意事项：需要有人愿意逐条回答，否则清单会变成无人认领的待办。
场景二：代币发行需求的参数收敛 角色：Web3 项目方或合约开发者。痛点：“加个代币”这四个字背后可能是标准可替换资产，也可能是带元数据的半可替换资产，选错会导致后续交易所对接与钱包展示出问题。使用方式：技能会直接给出“标准可替换 ESDT 还是带元数据的半可替换 SFT”这样的二选一提问。实际体验：相比自己翻文档，选择题形式的提问显著降低了决策成本；技能还会在你犹豫时给出默认建议。
场景三：DeFi 协议的安全加固沟通
角色：技术负责人。痛点：老板说“做得安全一点”，团队理解各不相同。使用方式：技能把“安全”拆成风险配置文件维度——是通用 dApp 还是高价值 DeFi 协议，并把技术栈问题一并问出：走标准 multiversx-sc 模块还是保留自定义的未检查算术。实际体验：这一问往往直接命中隐患点，因为技能内置了“总是建议使用标准模块”的规则。
场景四：跨职能团队的需求评审会 角色：产品经理与开发团队。痛点：评审会上各说各话，散会后各做各的。使用方式：会前用技能生成编号问题清单，作为评审议程。实际体验：会议时长明显压缩，因为争议点被提前显性化了。注意事项：清单需要筛选，不必把每个问题都搬进会议。
6. 该技能能为用户带来的价值
第一，把返工成本前移。 需求歧义的代价随项目推进呈指数增长：在提问阶段解决只需一句话，在审计阶段发现则可能意味着重构。澄清专家Skill 在最便宜的环节介入。
第二，降低沟通门槛。 很多人不是不愿澄清，而是不知道怎么问。技能内置的“不问‘你是什么意思’，而问‘你要 X 还是 Y’”这条规则，本身就是一套可复用的沟通方法论，用久了会反向提升使用者自己的提问水平。
第三，减少决策疲劳。 “总是建议默认值”这条设计非常关键：它让澄清不再是单向索取信息，而是提供选项。用户只需确认或否定，认知负荷大幅下降。
第四，输出结构可沉淀。 范围、环境、风险配置文件、技术栈四个维度本身就是一个可复用的需求检查框架，团队可以直接把它固化为内部规范。
7. 常见问题 FAQ
Q1：这个技能怎么安装？需要写代码吗？
A：不需要写代码。它是一个 AI 技能（Skill），在支持技能机制的客户端或 Agent 平台的技能库中搜索“澄清专家”或 clarification_expert，点击安装/启用即可。若平台支持手动导入，按官方说明放入技能描述文件。具体命令与入口以官方说明为准。
Q2：它是收费的吗？ A：技能详情中未包含定价信息，是否收费取决于你使用的平台与账号套餐，请以官方说明为准。
Q3：它和直接用 AI 聊天有什么区别？ A：最大区别是行为倾向。通用助手倾向于立刻给方案，澄清专家Skill 倾向于先确认边界，并且强制遵守“具体明确、批量提问、建议默认值”三条提问规范，输出是编号清单而非一段散文。
Q4：它适合谁用？ A：需要接收模糊需求的人——智能合约开发者、安全审计工程师、技术负责人、产品经理，以及任何需要在动手前把需求对齐的协作场景。
Q5：它和静态分析工具、审计工具冲突吗？ A：不冲突，二者互补。澄清专家Skill 解决“需求没说清”，静态分析工具解决“代码有漏洞”。建议先用澄清技能对齐范围与技术栈，再交给分析工具执行，效果最好。