决策文本去防御化改写与审计Skill:让每一句话都为读者的决策服务
核心结论速览
- 它解决什么:提案、计划、研究贡献、执行摘要这类「面向决策」的文本里,常常塞满了防御性免责声明、层层堆叠的对冲词和自我保护的叙述,读者看完仍不知道你到底主张什么。这个技能就是专门清理这些东西的。
- 它怎么工作:提供
rewrite(重写)和audit(审计)两种模式,前者返回更紧凑的版本,后者只指出问题并给出最小修正,不改写全文。 - 它的判断标准很特别:不看这句话「像不像 AI 写的」,只看这句话「服务于谁的什么决策」,据此给出
DROP、CALIBRATE、RELOCATE、KEEP四种处理动作。 - 它有一条硬底线:不添加任何新的事实、数字、来源、确定性或因果关系,必要的方法论、法律、安全、财务、范围限制必须保留。
- 它的适用范围很窄也很明确:只处理面向决策的文本,不用于普通代码工作,不做一般性文体润色,也不承诺「去除 AI 腔」或「人性化」。
1. 该技能叫什么?如何下载安装 AI 技能提升开发效率?
基本信息
| 项目 | 内容 |
|---|---|
| 中文名 | 决策文本去防御化改写与审计Skill |
| 英文名 | stss |
| 技能ID | 2123236358510784514 |
| 授权方式 | MIT |
| 技能定位 | 减少提案与决策型写作中的防御性措辞 |
这个技能的名字很朴素,但它针对的痛点非常具体:很多文本不是写得不清楚,而是写得太「安全」了。
写提案的人怕被挑刺,于是加一句「本方案仍有不足,仅供参考」;写研究贡献的人怕被质疑,于是把一句话拆成「可能」「在一定程度上」「初步来看」「或许能够」四层对冲;写执行摘要的人怕担责,于是花半页篇幅说明本文不打算做什么。结果是:字数上去了,信息密度下来了,读到最后的决策者依然不知道这篇东西要他拍什么板。
stss 就是为这类文本准备的「减法工具」。它不美化文笔,不调整语气风格,只做一件事:按句子判断它在决策链条上的实际作用,然后决定删、校准、移位还是保留。
如何「一键安装」并接入工作流
AI 技能的通用安装思路是「找到技能 → 安装到你的 AI 客户端/工作区 → 用一句自然语言触发」。具体到本技能:
- 确认安装前提:你需要一个支持加载外部技能(Skill)的 AI 客户端或开发环境,且该环境能读取技能的
name、description、license等元信息。具体支持范围以你所使用平台的官方说明为准。 - 查找技能:在技能市场/技能库中搜索英文名
stss,或直接使用技能ID2123236358510784514定位。若你的平台支持从仓库导入,也可通过导入包含该技能描述文件的目录完成安装(具体导入方式以官方说明为准)。 - 完成安装:按平台指引确认安装,安装后该技能会以「技能」形式出现在可用列表中。本技能采用 MIT 授权,属于宽松开源许可。
- 验证是否生效:给它一段带明显防御性措辞的提案文本,并要求「重写得更直接」。如果返回结果删除了道歉式与预判批评式表述、保留了关键限制条件,说明技能已正常加载;如果返回的是泛泛的文风润色,说明技能未被触发,需要检查安装状态或改用在触发提示中明确提到「提案/执行摘要/研究贡献」等关键词。
- 确认触发边界:本技能的描述中明确写了「不要用于普通代码工作或无关散文」。如果你拿它去改一段产品文案或技术文档,它可能不会按你的预期工作,这是设计使然,不是故障。
2. 该技能的主要功能和特点
-
双模式设计,职责分明
rewrite:返回一份更紧凑的版本,直接给你可用稿。用户只给文本、没指定模式时,默认走这一条。audit:不改写全文,只识别防御性写作并给出「最小有效修正」。适合自己还想保留笔感、只需要一份问题清单的场景。- 技能会遵循用户显式指定的模式,只有在没给模式时才从请求里推断。
-
「句子消费者测试」四问 对每一个可疑句子,依次追问:谁会使用这个句子?它会改变什么决策?如果删掉它,什么会变得虚假或误导?这三问构成了判断的基础,而不是靠关键词匹配。
-
四种处理动作,而不是一刀切删除
DROP:只是在叙述勤勉、预判批评、道歉,或说明文档不尝试做什么 —— 删。CALIBRATE:确实包含真实不确定性,但用了堆叠对冲 —— 保留一个精确的限制。RELOCATE:内容重要但打断了主要主张 —— 移到它真正约束的那条主张旁边。KEEP:会影响法律、安全、财务、方法论、合同或范围决策 —— 原样保留。
-
私有主张台账 编辑前先根据给定材料建立一份内部台账,记录事实与数字、具名行动者与来源、证据强度、已说明的不确定性与范围、请求读者采取的行动。除非用户要求,否则不打印这份台账——输出保持干净。
-
主张差异检查(防「改着改着改出事实」) 返回结果前必须核对:没有原有的事实、数字、来源、行动者无理由消失;没有新的事实、数字、来源、行动者出现;不确定性没有变成确定性;相关性没有变成因果性;关键限制仍然可见。
-
明确的「不做清单」 不判定文本是否由 AI 所写,不承诺去除「AI 腔」,不做无关散文的「人性化」,不进行一般性文体清理。它评判的是句子的决策用途,而不是谁写了它。
-
可参考的外部示例 当边界不明确或用户要求示例时,技能会读取
references/examples.md来对齐判断尺度。
3. 如何使用该技能?
步骤一:明确你要哪种模式
先用一句话告诉它模式,能显著提升结果稳定性:
- 想要成稿 → 说「用 rewrite 模式」或直接给文本要求「改写得更直接」
- 想要问题清单 → 说「用 audit 模式,只指出问题,不要改全文」
步骤二:提供文本与必要的背景
技能本身要求「根据所给材料建立台账」,因此你给的材料越完整,它越不容易误删信息。建议一并提供:这份文本要给谁看、要促成什么决策、哪些限制条件是真实存在的(例如样本量、适用范围、合规要求)。
步骤三:rewrite 模式示例
输入(带明显防御性措辞的提案段落):
我们初步尝试性地提出了一种可能在一定程度上改善模型推理效率的方法,虽然受限于实验条件,本研究或许还不能完全覆盖所有场景,但希望能为后续工作提供一些参考。在 8 个基准任务上,本方法相比基线平均提升约 12% 的准确率。
rewrite 期望输出(示意):
本方法在 8 个基准任务上相比基线平均提升约 12% 的准确率。该结论仅适用于本次实验覆盖的任务与条件,其他场景尚未验证。
差异说明: 「初步尝试性地」「或许」「可能在一定程度上」「希望能提供一些参考」属于预判批评与自我保护的叙述,被 DROP;「受限于实验条件、不能覆盖所有场景」是真实的不确定性,被 CALIBRATE 为一个精确的范围限制,并紧贴它所约束的那条结论。所有数字与事实(8 个任务、12%)原样保留。
步骤四:audit 模式示例
输入: 同一段文本,要求「audit 模式」。
输出形态(示意): 逐条列出「片段 / 动作 / 决策理由 / 最小替换」。
| 片段 | 动作 | 理由 | 最小替换 |
|---|---|---|---|
| 我们初步尝试性地提出 | DROP | 预判批评,不改变读者任何决策 | 直接陈述方法 |
| 可能在一定程度上改善 | CALIBRATE | 不确定性真实存在,但对冲堆叠 | 保留一个限定 |
| 希望能为后续工作提供一些参考 | DROP | 无服务对象,不改变决策 | 删除 |
| 受限于实验条件…不能完全覆盖 | RELOCATE | 信息重要,但打断了主结论 | 移到结论之后 |
| 8 个基准任务、12% | KEEP | 关键事实与数字 | 保持不变 |
如果整段文本没有任何可操作的发现,技能会直接说明并停止,不会硬凑问题。当某句话找不到服务的读者决策时,会用 NO_DECISION_CONSUMER 标记。
步骤五:核对与复用
拿到结果后,对照自己心中的「不可删清单」检查一遍:合规声明、方法论限制、财务口径、合同范围是否都还在。如果发现被误删,把这份限制条件作为额外材料重新提交,让它重新建立台账。建议把 audit 模式用在评审前自检,把 rewrite 模式用在你已经确认内容无误、只缺表达的阶段。
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 |
|---|---|---|---|---|---|
| stss(本技能) | 决策文本去防御化改写与审计 | rewrite/audit 双模式、句子消费者测试、DROP/CALIBRATE/RELOCATE/KEEP 四动作、私有主张台账、主张差异检查 | 需支持技能加载的 AI 环境,安装后自然语言触发;具体方式以官方说明为准 | 提案、计划、研究贡献、执行摘要、执行层汇报 | 优势:判断标准清晰、有防篡改事实的检查环节、保留必要限制;不足:仅针对决策型文本,不做文风润色,也不适用于代码 |
| 通用对话大模型直接改写 | 通用文本改写 | 「帮我改简洁点」「更直接一些」 | 零门槛,打开即用 | 各类日常文本 | 优势:灵活、上下文理解强;不足:容易顺手删掉必要免责声明或悄悄改动数字与因果表述,缺少一致性检查机制 |
| 语法与风格润色工具 | 语言层面的规范化 | 拼写语法检查、句式与可读性建议 | 插件或编辑器集成,门槛低 | 邮件、报告、对外文稿 | 优势:标准化程度高,适合语句级清理;不足:无法判断「这句话对决策有没有用」,对冲堆叠在语法上完全正确,工具不会提示 |
| 人工资深编辑 / 内部评审 | 高水平人工审读 | 结构重组、逻辑把关、风险判断 | 成本高、周期长、依赖个人能力 | 重要提案、对外正式文件 | 优势:对业务语境与政治风险的理解最到位;不足:难规模化、反馈周期长,且编辑本人也常有「多写点更安全」的倾向 |
| 自建提示词模板 | 轻量自制方案 | 固定几句指令,如「删掉模糊词」 | 零成本 | 个人日常使用 | 优势:可完全自定义;不足:规则的稳定性与可复现性差,容易出现「按关键词乱删」的问题 |
可以看到,stss 的差异点不在于「能不能改得简洁」,而在于它把「删什么、留什么、为什么」写成了一套可复述的判断规则,并且强制做一次「主张不变」的自检。这在提案和研究类文本里,价值远高于文采提升。
5. 该技能的典型应用场景与实际体验情况
场景一:科研人员撰写基金申请与研究贡献陈述
角色与痛点: 青年研究者常被审稿意见批评「贡献不清晰」,于是下一次写作时过度自我保护,把贡献藏进层层限定语里。评审读完只觉得「作者自己也不确定」。
使用方式: 提交「研究贡献」段落,指定 rewrite 模式,并在背景里说明实验规模与适用范围。
实际体验: 这类文本的改写收益最直观——原来一句话四个对冲词,改完后通常只剩一个精确的限定,主结论被推到句首。注意事项:适用范围、样本限制属于 KEEP 或 CALIBRATE 的内容,不要因为「读起来不够漂亮」而要求它继续删,那会越过技能的边界。
场景二:产品经理写提案与执行摘要
角色与痛点: 提案要给决策层拍板,但正文里塞满了「仅供参考」「如有不妥请指正」「本文不涉及 XX 领域」这类自我保护的句子,真正要申请的资源和要做的取舍被埋在中后段。
使用方式: 用 audit 模式先跑一遍,拿到问题清单后自己改;定稿前再用 rewrite 出一版紧凑稿做对照。
实际体验: audit 模式在这里比 rewrite 更好用,因为它只给「片段 / 动作 / 理由 / 最小替换」,产品经理可以自己决定哪些免责声明是公司流程要求必须留的。注意事项:涉及合规、预算口径、法律条款的句子务必保持 KEEP,需要主动告知技能这些是硬约束。
场景三:咨询顾问与商业计划书撰写
角色与痛点: 交付物里大量使用「在某种程度上」「预计有望」这类表述来对冲预测风险,结果反而让客户觉得结论不可靠。
使用方式: 把带数字的预测段落提交给技能,同时说明哪些假设是真实的、哪些只是措辞习惯。
实际体验: 技能会把「相关性被写成因果性」的情况挑出来,这一点对商业文本特别有价值——很多风险不是写在免责声明里,而是藏在一句「因此带来了增长」里。注意:它不会替你做新的预测,也不会补充数据,只会把已有主张和已有证据对齐。
场景四:团队评审前的文本自检
角色与痛点: 团队里每个人都在「写得更安全」,文档越写越长,评审会上大量时间花在澄清「你到底想说什么」。
使用方式: 把 audit 作为提交评审前的固定环节,要求输出只列可操作发现。
实际体验: 上手几乎无门槛,一条自然语言指令就能跑。真正的学习曲线在于团队要接受一个新观念:不是所有补充说明都是负责,有些只是回避。注意:如果没有可操作发现,技能会直接说明并停止,不要期待它每次都凑出几条意见。
6. 该技能能为用户带来的价值
提升的效率: 面向决策的文本通常要经历「自己写 → 自我怀疑 → 加限定 → 再补免责 → 评审被打回 → 重写」的循环。stss 把这个循环收敛成一次判断:按句子问「谁会用这句话、改变什么决策」,可以直接把一轮返工前置掉。对于动辄十几页的提案与摘要,逐句过一遍的成本远低于一次评审失败。
降低的门槛: 去防御化写作本质上是很难自学的技能——因为它要求作者跳出「保护自己」的本能。这个技能把判断标准显式化了:四种动作、三类追问、一份必备的差异检查清单。即使不安装,把这套规则抄下来当写作检查表用,也能立刻改善文本质量。
可量化的收益方向: 文本长度下降而信息量不变(删除的主要是过程叙述与自我辩护);决策者阅读到核心主张的位置前移;评审意见中「你到底想说什么」类反馈减少;必要限制条件仍然完整可见,降低因过度删减产生的合规与责任风险。
长期价值: 它训练的不是「怎么写得更漂亮」,而是「怎么对读者的时间负责」。当团队把它作为固定环节使用后,会产生一种正向的写作文化——把不确定性说清楚一次,而不是用五次对冲掩盖它。
7. 常见问题 FAQ
Q1:这个技能怎么安装?装完怎么确认它在工作?
在支持技能加载的 AI 环境中搜索英文名 stss 或技能ID 2123236358510784514 完成安装,具体入口与命令以你所用平台的官方说明为准。验证方法:给它一段带明显对冲词的提案文本并要求「重写得更直接」,如果输出删掉了预判批评式表述、保留了真实的限制条件,说明已生效;如果只是泛泛润色,通常是没有触发,可在提示中明确提到「提案 / 执行摘要 / 研究贡献」并指定 rewrite 或 audit。
Q2:它会不会把我必须保留的免责声明一起删掉,反而带来风险?
这是设计上重点防范的问题。技能规定 KEEP 用于会影响法律、安全、财务、方法论、合同或范围决策的句子,返回前必须做一次主张差异检查:原有事实、数字、来源、行动者不得消失,不确定性不得变成确定性,相关性不得变成因果性。但责任仍在作者——建议在提交文本时主动说明「哪些限制条件是硬约束」,并在拿到结果后对照自己的不可删清单复核。
Q3:收费吗?可以商用吗?
技能本身标注为 MIT 授权,属于宽松开源许可,通常允许使用、修改与再分发,具体条款以技能附带的许可文件与官方说明为准;你所在 AI 平台的调用费用则取决于该平台自身的计费规则。
Q4:适合谁用?写代码或普通文案能用吗?
适合经常写提案、计划、研究贡献、执行摘要的人,包括产品经理、科研人员、咨询顾问、需要在组织内推动决策的管理者。不适合用于普通代码工作或无关散文——技能描述中明确划出了这个边界;它也不负责去除「AI 腔」、不做人性化改写、不做一般性文体清理。
Q5:和直接让大模型「帮我改简洁点」有什么区别?
通用改写追求「读起来更顺」,stss 追求「每句话都在为某个决策服务」。区别体现在三点:一是判断标准是句子消费者测试而非语感;二是它对每处修改给出 DROP/CALIBRATE/RELOCATE/KEEP 的明确动作,可复核;三是它在返回前强制核对主张是否被改变,防止在「变简洁」的过程中悄悄换了事实。简言之,前者是编辑,后者是审计。