zach22-1999/generic-skills / skills/zach-term-miner
zach-term-miner
Verified术语挖掘:做一件事之前,先弄清楚这个领域里 AI 听得懂的专业术语,再用这些术语改写你的 prompt。 输入三句话(要做什么 / 已经知道什么 / 哪个领域),产出一个离线 HTML:5 个核验过来源的必要术语、 每个术语对应的「大白话 prompt → 术语版 prompt」前后对照、以及一条 30 分钟学习顺序。 用户说"术语挖掘""我要做 X,需要懂哪些术语才能跟你讲清楚""AI 总是理解偏""这个 prompt 怎么写得更专业" "帮我看看我该学什么术语"时使用。普通词义查询、已有完整 prompt 只想执行、或用户明确要求直接开始做原任务时不要触发。 本 skill 只出术语和 prompt 改写,不执行原任务;不编造术语和来源。
| File | Kind | Size |
|---|---|---|
| .gitignore | other | 60 B |
| LICENSE | other | 1.0 KB |
| README.md | markdown | 5.0 KB |
| SKILL.md | skill md | 5.7 KB |
| examples/listing-bullets.html | other | 20.5 KB |
| examples/non-ecommerce.html | other | 20.3 KB |
| examples/review-mining.html | other | 21.3 KB |
| references/prompt-rewrite-guide.md | markdown | 3.3 KB |
| references/term-prompt-pack.schema.json | config | 4.8 KB |
| references/term-selection-rubric.md | markdown | 2.7 KB |
| scripts/fixtures/listing-bullets.json | config | 7.5 KB |
| scripts/fixtures/non-ecommerce.json | config | 7.5 KB |
| scripts/fixtures/review-mining.json | config | 8.0 KB |
| scripts/render_pack.py | script | 12.9 KB |
| scripts/test_pipeline.py | script | 6.5 KB |
| scripts/validate_pack.py | script | 15.0 KB |
SKILL.md
View on GitHub---
name: zach-term-miner
description: |
术语挖掘:做一件事之前,先弄清楚这个领域里 AI 听得懂的专业术语,再用这些术语改写你的 prompt。
输入三句话(要做什么 / 已经知道什么 / 哪个领域),产出一个离线 HTML:5 个核验过来源的必要术语、
每个术语对应的「大白话 prompt → 术语版 prompt」前后对照、以及一条 30 分钟学习顺序。
用户说"术语挖掘""我要做 X,需要懂哪些术语才能跟你讲清楚""AI 总是理解偏""这个 prompt 怎么写得更专业"
"帮我看看我该学什么术语"时使用。普通词义查询、已有完整 prompt 只想执行、或用户明确要求直接开始做原任务时不要触发。
本 skill 只出术语和 prompt 改写,不执行原任务;不编造术语和来源。
---
# zach-term-miner · 术语挖掘
## 这个 skill 解决什么
同一个模型,用大白话写 prompt,AI 只能给出你明确提出来的东西;换成这个领域的专业术语,AI 会把你没想到、但这个术语默认包含的维度一起补上。问题是多数人讲不出自己不熟悉领域的行话。
本 skill 做的就是那个前置动作:**做任务之前,先花 30 分钟弄清楚 AI 听得懂的术语,再用术语改写 prompt。**
一个例子。分析一批产品评论、找产品改进方向,大白话 prompt 会让 AI 列人群、场景、痛点;加上 JTBD(Jobs To Be Done)这一个词,AI 会自动补上「用户雇用产品完成什么任务」「功能、情感、社交三类需求」「现有替代方案」。话更短,输出更准。
## 输入:三句话,最多追问一轮
用户只需要说清:
1. **要做什么**:具体任务,不是宽泛主题。
2. **已经知道什么**:手上有的材料、已经了解的概念。
3. **哪个领域**:行业或专业方向。
缺项处理:
- 缺一两项时,**只追问一轮,最多两个问题**,每个问题给 2–3 个选项并标推荐项。
- 用户说「直接来」、没回答、或对话里已有足够信息,就把缺项写进 `task.assumptions`,继续往下做。
- **不要做第二轮追问。** 用户读到的承诺是「简单介绍一下就行」,追问超过一轮等于违约。
## 流程
### 第一步:反推候选术语
从任务出发,列 10–15 个候选。问每个词一个问题:**AI 看到这个词,会不会改变它的输出方式?** 会的留下,不会的删。
一律删除:工具和软件名、装饰性行话、跟这个任务无关的著名框架、用户已经在用的常识词。
默认筛到 **5 个**,最多 8 个。5 个对应 30 分钟能看完。
### 第二步:核验来源
每个术语找来源,按可信度从高到低:
1. 原创论文或标准文件
2. 原作者、权威机构、经典著作
3. 官方文档
4. 可靠的二手解释(教材、知名从业者的系统讲解)
核验结果写进 `source_status`:
| 状态 | 含义 |
|---|---|
| `verified` | 找到了 1–3 级来源,定义与本任务语境一致 |
| `source_defined` | 只找到 4 级来源,定义可用但不算行业定论 |
| `private` | 用户自己的说法,不是行业共识,必须标明 |
| `unverified` | 没能核验,只进「待核验」区,不进正式术语 |
**没有联网或搜索工具时**:所有行业术语标 `unverified`,在 HTML 顶部提示「本次未联网核验,请自行确认来源」,照样出完整产物。不能因为核验不了就不给东西。
读 `references/term-selection-rubric.md` 拿完整的筛选和核验规则。
### 第三步:写 prompt 前后对照
这是本 skill 最重要的产出。每个术语(或一组相关术语)写一组对照:
- `plain_prompt`:按用户的任务,用大白话会怎么写。
- `term_prompt`:加了术语之后怎么写。要更短,且能直接拿去用。
- `added_dimensions`:AI 看到术语之后会多补哪些用户没提的维度。这一栏是用户判断「值不值得学这个词」的依据。
改写规则读 `references/prompt-rewrite-guide.md`。
### 第四步:30 分钟学习顺序
给每个术语分配分钟数(合计约 30),说明先学哪个、为什么。原则:先学能改变 prompt 结构的框架词,再学修饰判断的标准词。
### 第五步:生成产物
1. 按 `references/term-prompt-pack.schema.json` 写 JSON。
2. `python3 scripts/validate_pack.py pack.json` 校验。
3. `python3 scripts/render_pack.py pack.json output.html` 渲染成单文件离线 HTML。
4. 打开 HTML 自查:离线能开、手机宽度不横滚、打印不断版、浏览器控制台没有报错。
5. 只把 HTML 交给用户,附三句话说明:几个术语、几个已核验、哪个 prompt 可以直接用。
## 停止条件
输出 HTML 后停止。**不执行原任务。** 用户要执行,把 `term_prompt` 拿去用即可;那是另一次对话。
## 硬规则
- 不编术语,不编来源,不编年份和作者。找不到就标 `unverified`。
- 用户自己的黑话可以收录,但必须标 `private` 并写明「非行业共识」。
- 推断和事实分开:定义来自来源,「为什么影响这个任务」是你的判断,不要混写。
- 术语的定义要写成一句人能听懂的话,再给英文原名。
- 不在 HTML 里放 Plan、需求文档、知识库沉淀。这些不是本 skill 的事。
## 文件
- `references/term-selection-rubric.md`:候选术语怎么筛、来源怎么核验
- `references/prompt-rewrite-guide.md`:大白话 → 术语版的改写规则和示范
- `references/term-prompt-pack.schema.json`:产物数据合同
- `scripts/validate_pack.py`:JSON 与 HTML 校验
- `scripts/render_pack.py`:渲染离线 HTML
- `scripts/test_pipeline.py`:回归测试(三个示例)
- `examples/`:渲染好的示例 HTML
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| reverse-engineer-anythingmorluto/reaReverse engineer native, managed, Electron/JavaScript, packaged, firmware, and browser targets with REA, and build agent environments (AgentEnv bundles) of web applications from a live instance or a capture, and of Linux desktop apps with a task from a request. Use shipped-artifact or requested runtime evidence to explain features, compare versions, decompile code, or guide a reconstruction. Skip REA for ordinary source-repository architecture analysis. | Stars: 472k | Updated | Claude CodeCodex | Verified | Install |
| diagnosing-superpowersobra/superpowersUse when a superpowers session went wrong and your human partner wants to know why — repeated work, ignored plans, stumbles, poor results, a skill that didn't fire, "it took too long", "why is it so expensive", "what is it doing" — or wants to build a bug report for the superpowers maintainers, for the current session or a past one identified by id or path, on any harness. | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |
| dispatching-parallel-agentsobra/superpowersUse when facing 2+ independent tasks that can be worked on without shared state or sequential dependencies | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |
| executing-plansobra/superpowersUse when executing an implementation plan in the current session as the implementer yourself — your human partner chose inline execution, or no subagent tool is available | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |