agentleFS
zieang88888zieang88888/zhskills/skills/interview-me/SKILL.md

interview-me

Skill1 starsChanged 46 days agoMITView on GitHub

把模糊、一句话式的需求委托("领导说做个东西""客户要个方案""老板让我优化一下")收敛成一份可确认的结构化需求说明。当用户给出的需求缺"为谁、为什么现在要、成功长什么样、硬约束是什么"中至少一项,或明确要求"帮我把需求捋一捋/开工前先对齐/访谈我"时使用。

100 other projects use a version of this.

Adopted by

Most recently taken up by

Used with

Projects with it also use constraint-driven-development, using-agent-skills and 9 more.

Other files people use alongside this one.

Files found in the same public projects as a version of this one, more often than they turn up anywhere else. Each project counts once, large collections count for less, and this file's own repository is left out.
  • MrCipherSmithSkill

    constraint-driven-development

    Use when a project needs a persistent, measurable quality bar — starting a project without documented standards, 'set up constraints', or when coverage/perf/a11y thresholds get re-debated per-PR. Produces CONSTRAINTS.md with enforceable numbers, ratchets, and a guard against silent weakening. NOT for throwaway prototypes or a one-off CI setup.

    Also in 16 projects that use this

  • LLl0k0laDSkill

    using-agent-skills

    Use when starting a session or when you need to discover which skill applies to the current task. This is the meta-skill that governs how all other skills are discovered and invoked.

    Also in 32 projects that use this

  • HK-hubSkill

    observability-and-instrumentation

    Instruments code so production behavior is visible and diagnosable. Use when adding logging, metrics, tracing, or alerting. Use when shipping any feature that runs in production and you need evidence it works. Use when production issues are reported but you can't tell what happened from the available data.

    Also in 32 projects that use this

  • LLl0k0laDSkill

    git-workflow-and-versioning

    Use when making any code change. Use when committing, branching, resolving conflicts, or when you need to organize work across multiple parallel streams.

    Also in 37 projects that use this

  • orenluxySkill

    implementation-notes

    Maintain an IMPLEMENTATION_NOTES.md decision log during any multi-step implementation session. Use this in EVERY session that involves writing or modifying code across more than one file, or any session expected to run longer than a few tool calls. Records decisions, deviations from plan, and open questions so nothing is silently guessed.

    Also in 3 projects that use this

  • HK-hubSkill

    deprecation-and-migration

    Manages deprecation and migration. Use when removing old systems, APIs, or features. Use when migrating users from one implementation to another. Use when deciding whether to maintain or sunset existing code.

    Also in 29 projects that use this

  • +5 more from LLl0k0laD

The file

Files
SKILL.md

需求澄清访谈 · interview-me

二次开发:本技能改编自 addyosmani/agent-skills 的 interview-me(MIT © 2025 Addy Osmani),在保留其核心方法论基础上,升级为「提示词 + 可执行 CLI」双形态。署名见本目录 NOTICE.md 与仓库 THIRD_PARTY_NOTICES.md。

这个技能做什么

用户嘴上要的东西,和他真正要解决的问题,往往不是一回事。他说"做个数据看板",只是因为"做个看板"是一个张口就来的说法,并不代表看板真能解决他的问题;他说"再优化一下",却没有一个要达到的数字。

发现这个落差最便宜的时刻,是在任何方案、文档、代码动手之前。 一旦开工,返工成本是此刻的十倍,而用户会把做错的东西自我说服成"也能凑合用"——偏差就这样被锁死了。

本技能在成本为零的时刻,把"一句话委托"收敛成一份可逐条确认的需求说明:先写下你对需求的假设并诚实标注置信度,然后一次只问一个问题、每个问题都附上你的猜测答案,警惕"最佳实践"式的套话并追问"如果不用向任何人解释,你真正想要什么",最后用固定 6 行结构把意图复述出来,拿到明确的"是"才算收敛。

典型适用场景(中文职场高频):

  • 产品需求梳理:老板一句"做个 XX 功能",先把为谁、解决什么、成功标准问清楚再排期;
  • 活动立项:"办个用户活动"之前,先对齐目标人群、为什么现在办、成败怎么衡量;
  • 跨部门任务交接:接兄弟部门甩来的需求,先把隐含假设摆到台面上再动手;
  • 客户需求访谈:客户说"要个方案",用带猜测答案的问题清单一次问清;
  • 汇报前对齐:向上汇报前,把领导那句模糊指示复述成可确认的 6 行需求。

输入要求

  • 必填:用户对需求的原始模糊描述(CLI 输入文件应包含的内容)——哪怕只是一句话转述,例如"领导说做个东西""客户要个方案""老板让我优化一下"。
  • 可选:背景与已知信息(谁提的、手上已有什么、时间压力、试过什么);--focus 指定重点澄清方向(如"重点帮我搞清楚成功标准和预算")。
  • 不要:替用户把没说的背景补全成事实。信息不足处一律标注"(待确认)",猜测必须显式声明"这是猜测,请确认或修正"。

输出结构(模板见 scripts/templates/interview-me.template.md)

一份单轮收敛的需求澄清报告(CLI 无法真对话,故把访谈设计成"问题清单 + 猜测答案",供用户逐条确认/修改),自上而下:

  1. 需求原文与初步假设:先复述用户原话;再写下当前最佳理解(一两句话),每条假设后附诚实的置信度百分比;置信度低于 ~70% 时,同行写一句"还缺什么"。
  2. 访谈问题清单(3–8 问):按重要性排序,最重要排最前;一问一意图,绝不复合提问;每问格式为:
    • Q{n}:<一个聚焦的问题>
      • 猜测答案:<你的假设答案 + 得出它的理由>
      • (这是猜测,请确认或修正) 对"最佳实践/通用做法/应该会更 scalable"这类套话,必须补一道"如果不用向任何人解释,你真正想要什么"的追问。
  3. 6 行需求复述:固定六行、不可省略,每行末尾带"(待确认)"标记——
    • Outcome(要达成什么结果)
    • User(谁受益/谁是使用者)
    • Why now(为什么是现在、什么变了)
    • Success(怎么算做成了,最好带可检验的标准)
    • Constraint(最硬的一条约束)
    • Out of scope(明确不做什么)——不可省略,一半的分歧来自"悄悄对不做什么有不同意见"
  4. 待确认事项汇总与下一步:汇总上面所有(待确认)项;建议用户按 6 行复述逐条给出明确的"是/改/否",确认后再进入设计或排期。

工作流程

  1. 先假设、带数字(第 1 步):开口问之前,先用一句话写下"我猜你要的是……",再诚实给一个 0–100% 的置信度;给不出高置信度就别写高——你若答不出"接下来三个问题用户会怎么反应",数字就是假的。低于 ~70% 必须附一行理由(还缺什么)。
  2. 一次一问、附猜测答案(第 2 步):每个问题只打一个意图,后面紧跟 GUESS(猜测答案 + 理由)。为什么不打包问:用户没法对着一长串清单逐题反应;第三题往往依赖第一题的答案,打包问会锁死错误框架;用户认真思考的精力有限,一次花在一道题上。为什么附猜测:人对"错误猜测"的反应,比对"从零想答案"快得多;也把你自己的假设暴露出来接受检验。
  3. 警惕"想要 vs 应该想要"(第 3 步):最危险的回答是"听起来很对"的那种——"要可扩展""干净架构""按行业通用做法"。听到这类,追问一句:"如果这件事你不用向任何人解释、不用显得专业,你真正想要的是什么?" 这一句往往顶前面五句。
  4. 6 行复述(第 4 步):置信度上来后,用用户的语言把意图写成固定 6 行,结构到能逐行点头或逐行改。
  5. 要明确的"是"(第 5 步):"你看着办吧""听起来不错""行吧那就开始"都不算确认——那是用户在放弃访谈,不是收敛。遇到就把复述改得更具体、二选一地再问一轮。
  6. 收敛即停:当你能预测"接下来三个问题用户会怎么回答",就停访谈、产出复述;CLI 单轮形态下,即以"问题清单 + 猜测 + 6 行待确认复述"作为交付,把球交回给用户逐条确认。

质量规则(必须遵守)

  • 忠于原文:只基于用户给出的描述做推断,绝不编造用户没说的背景、人名、数据、预算;
  • 猜测必须挂牌:所有猜测答案显式标注"(这是猜测,请确认/修正)",不许把假设写成事实;
  • 一问一意图:禁止复合问句("说明一下排期和预算"必须拆成两问);
  • 数字要诚实:置信度百分比必须敢写低的;低于 ~70% 必须同行附"还缺什么";
  • 套话必追问:出现"最佳实践/可扩展/通用做法/应该"类答案,必须补"不向任何人解释你真正想要什么"一问;
  • 6 行不省略:Outcome / User / Why now / Success / Constraint / Out of scope 六行缺一不可,Out of scope 尤其不许省;
  • 信息不足标(待确认):用户没说、也猜不准的地方,一律标"(待确认)",不要填一个看似合理的默认值糊弄过去;
  • 最重要排最前:问题按重要性降序排列,3–8 问,不堆长清单。

边界与异常处理

  • 需求已经明确自足("改个变量名""修个错别字")→ 不需要本技能,直接做即可;
  • 用户明确要求"别问了直接做"→ 尊重速度优先,但把关键假设一次性列出来让他过目;
  • 信息实在太少(只有一句话、零背景)→ 照出假设与问题清单,把置信度压到 ~20–30%,并在报告开头说明"输入信息极少,以下假设均待确认";
  • 用户连续几轮后置信度仍不上升 → 说明问错了方向,退一步重构框架,不要硬问到底;
  • 纯信息查询("X 怎么用""这段代码干嘛的")→ 不适用本技能;
  • 涉外场景保留英文专有名词,问题正文用中文。

与脚本配合

  • 批量 / 命令行场景:scripts/draft_interview_me.py(纯标准库,一条命令跑通);输入为用户对需求的模糊描述文本(可附背景),输出为上述四节结构的需求澄清报告 Markdown。
  • 可选 --focus:指定本次重点澄清方向(如"重点确认成功标准与预算约束")。
  • 自定义模板:复制 scripts/templates/interview-me.template.md 修改后使用。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.