聊天记录提纯器 (Chat Distill)

核心能力

将杂乱的多轮聊天记录（微信、飞书、钉钉、Slack 等）蒸馏成高精度、生产级的 26-Scheme Prompt 蓝图——覆盖角色、背景、任务、利益相关者、优先级、风险、验收、决策推理、质量标准等 26 个正交维度，确保生成的 Prompt 零歧义、可直接执行。

执行流水线

第一步：原始数据预处理

1. 读取用户提供的聊天记录（文本粘贴、文件上传、截图 OCR 均可）
2. 标注发言人身份（A/B/C 或姓名），保留时间线顺序
3. 识别并标记噪音类型：寒暄、表情包描述、语音转文字错别字、重复确认、跑题闲聊

第二步：核心意图挖掘

1. 目标识别：从对话中提取最终想要交付的资产/动作（文案、方案、代码、报告等）
2. 约束提取：字数、语气、格式、deadline、禁止事项等硬性要求
3. 偏好信号：用户提及的参考案例、风格倾向、"不要 XX 要 XX"类对比表达
4. 隐含推理：老板对草稿的批评 -> 反转为正向约束；讨论中的犹豫/妥协 -> 标记为低置信度
5. 多维信号采集：利益相关者关系、优先级线索、风险暗示、验收标准、版本迭代痕迹等

第三步：噪音过滤

完全移除以下内容：

• 寒暄问候（"在吗""哈喽""谢谢"）
• 情绪填充（"哈哈""牛""6"）
• 冗余确认（"收到""好的""明白"）
• 跑题闲聊（与核心目标无关的支线对话）

  想要更强大的技能插件，就来小葱技能站7w4.net看看吧。

• 语音转文字的明显错别字（自动修正）

第四步：26-Scheme 结构化编译

将提纯后的信息填入二十六柱框架：

核心六柱（基础层）

1. Role（角色与人设）

• 根据业务领域定义高度具体的专家身份
• 禁用泛化标签（"助手""AI"），使用精准人设（"资深汽车文案""敏捷产品经理"）

2. Context（背景与意图）

• 合成业务场景、市场痛点、目标受众
• 提取对话中触发此任务的显性/隐性动因

3. Task（核心指令与流水线）

• 按时间顺序拆解执行步骤为 SOP
• 每步用强动词开头（"撰写""分析""生成"）

4. Output Format（输出格式）

• 指定精确的响应布局（Markdown 表格、JSON schema、编号列表、特定标签等）
• 若对话未明确，根据任务类型推断最佳视觉与结构格式

5. Constraints（约束与红线）

• 列出所有硬边界：长度限制、禁用措辞、强制语气、数据范围
• 将口语化要求翻译为可执行参数（"别太枯燥" -> "保持活泼有力的语气，避免行业术语"）

6. Examples（Few-Shot 示例）

• 提取对话中提及的参考案例、已接受的草稿、模板
• 若对话缺少示例，根据业务上下文生成一组高质量的 Input/Output 对

扩展十四柱（增强层）

7. Stakeholders（利益相关者与受众）

• 识别决策者、执行者、受影响方、最终受众
• 标注各方关注点和潜在冲突

8. Priority & Weight（优先级与权重）

• 区分 Must-have / Should-have / Could-have
• 标注各需求的权重和紧迫程度

9. Success Metrics（成功指标与 KPI）

• 定义可量化的成功标准（转化率、通过率、响应时间等）
• 标注基线值和目标值

10. Timeline & Milestones（时间线与里程碑）

• 提取所有 deadline、交付节点、评审时间
• 标注关键路径和缓冲期

11. Resources & Dependencies（资源与依赖）

• 列出所需输入、工具、数据源
• 标注外部依赖和阻塞项

12. Tone & Voice（语气与品牌声音）

• 定义具体的语言风格：正式/活泼/技术/情感化
• 标注品牌调性一致要求

13. Domain Knowledge（领域知识与术语表）

• 提取行业专有名词和缩写
• 定义必须使用的术语标准

14. Risk & Mitigation（风险与应对）

• 识别可能出错的风险点
• 为每个风险标注应对策略

15. Edge Cases（边界与异常处理）

• 列出特殊情况、极端输入、空值场景
• 定义 fallback 行为

16. Validation Criteria（验收标准）

• 定义明确的验收检查清单
• 标注质量门禁和 Review 流程

17. Iteration & Version（迭代历史与版本）

• 记录讨论中的版本演进（v1->v2->v3 关键变更）
• 标注当前版本号和待定项

18. Deliverable Spec（交付物规格）

• 精确定义交付物格式、文件名、存储位置
• 标注是否需要多版本交付

19. Compliance & Ethics（合规与伦理）

• 标注法律合规要求（数据隐私、版权、广告法等）
• 定义伦理红线

20. Localization & Culture（本地化与文化适配）

• 标注多语言需求和文化敏感性
• 定义地区适配要求

高阶六柱（决策与质量层）

21. Anti-Goals / Out of Scope（反目标与排除范围）

• 明确标注"不要做什么"——比 Constraints 范围更广的战略拒绝
• 提取讨论中明确排除的方向、被否决的方案、不关注的用户群
• 防止 LLM 在已被否决的方向上浪费资源

22. Assumptions & Preconditions（假设与前提条件）

• 列出讨论中默认成立的前提假设（显性和隐性）
• 区分"已验证的事实"和"基于经验的假设"
• 标注每个假设的不确定性等级（确定/很可能/猜测）

23. Decision Log（决策记录与推理链）

• 记录关键决策点："为什么选 A 不选 B"
• 提取决策者、决策时间、核心推理逻辑
• 标注被否决的替代方案及其否决理由

24. Quality Standards（质量标准）

• 定义"好"的标准——不只是一票通过/不通过的 Validation
• 包含审美、体验、精确度等非二元维度
• 与 Success Metrics 互补：Metrics 是量化 KPI，Quality 是定性标准

25. Feedback Mechanism（反馈收集机制）

• 产出物如何收集反馈：审阅人、审阅渠道、反馈格式
• 标注迭代触发条件：什么信号意味需要重做
• 定义反馈闭环的时效要求

26. Data Sources（数据源与可信度）

• 列出输入数据来源、格式、可信度等级
• 标注数据的局限性（时效性、样本偏差、覆盖率）
• 区分"权威数据"和"参考数据"，防止 LLM 混用

第五步：质量校验

编译完成后执行以下检查：

• 零信息丢失：所有具体数字、deadline、专有名词、功能列表、负面约束 100% 保留
• 去口语化：最终 prompt 中不得出现任何口语俚语、结巴、对话填充词
• 隐含推断：批评反转为正向标准、模糊表述具体化
• 槽口完整性：26 个槽口逐一检查，空槽须标注"对话中未提及，已根据上下文推断"
• 可执行性：生成的 prompt 应可直接输入任意 LLM 执行而无歧义

第六步：输出

生成最终 prompt，包裹在单个 Markdown 代码块中，使用以下精确结构：

# 1. Role (角色与人设)
- [精准专家身份]

# 2. Context (背景与意图)
- [业务场景、痛点、触发动因]

# 3. Task (核心指令与流水线)
- [SOP 步骤列表]

# 4. Output Format (输出格式)
- [精确结构要求]

# 5. Constraints (约束与红线)
- [硬边界列表]

# 6. Examples (Few-Shot 示例)
- **Input**: [示例输入]
- **Output**: [示例理想输出]

# 7. Stakeholders (利益相关者与受众)
- [决策者、执行者、受众]

# 8. Priority & Weight (优先级与权重)
- [Must/Should/Could 分级]

# 9. Success Metrics (成功指标与 KPI)
- [可量化标准]

# 10. Timeline & Milestones (时间线与里程碑)
- [关键节点和 deadline]

# 11. Resources & Dependencies (资源与依赖)
- [所需输入和外部依赖]

# 12. Tone & Voice (语气与品牌声音)
- [语言风格和品牌调性]

# 13. Domain Knowledge (领域知识与术语表)
- [专有名词和术语标准]

# 14. Risk & Mitigation (风险与应对)
- [风险点和应对策略]

# 15. Edge Cases (边界与异常处理)
- [特殊情况和 fallback]

# 16. Validation Criteria (验收标准)
- [验收检查清单]

# 17. Iteration & Version (迭代历史与版本)
- [版本演进和当前状态]

# 18. Deliverable Spec (交付物规格)
- [格式、命名、存储]

# 19. Compliance & Ethics (合规与伦理)
- [法律和伦理红线]

# 20. Localization & Culture (本地化与文化适配)
- [多语言和文化要求]

# 21. Anti-Goals / Out of Scope (反目标与排除范围)
- [明确排除的方向和被否决的方案]

# 22. Assumptions & Preconditions (假设与前提条件)
- [默认成立的前提，标注不确定性等级]

# 23. Decision Log (决策记录与推理链)
- [关键决策点、推理逻辑、否决的替代方案]

# 24. Quality Standards (质量标准)
- [定性标准：审美、体验、精确度等非二元维度]

# 25. Feedback Mechanism (反馈收集机制)
- [审阅人、渠道、迭代触发条件、时效要求]

# 26. Data Sources (数据源与可信度)
- [数据来源、格式、可信度等级、局限性]

使用方式

输入格式

用户可通过以下方式提供聊天记录：

1. 直接粘贴：将聊天记录文本粘贴到对话中
2. 文件上传：上传 .txt / .md / .json 格式的聊天导出文件
3. 截图：提供聊天截图（通过 OCR 识别）
4. 语音转文字：粘贴语音转文字结果（自动修正错别字）

辅助工具

配套脚本 scripts/distill.py 可用于批量处理聊天记录文件：

python scripts/distill.py input.txt [output.md]

精简模式

当聊天记录较短或场景简单时，可使用 --compact 参数仅输出核心六柱：

python scripts/distill.py input.txt output.md --compact

特殊场景处理

多人会议记录

• 识别主持人、汇报人、参与者角色
• 按议题分组而非时间线组织
• 决策项和待办项单独标注
• Stakeholders 槽口标注所有参会方的角色与权限

老板批评型对话

• 将所有批评反转为目标约束
• "太技术了" -> 约束："避免工程术语，面向非专业读者"
• "不够吸引人" -> 约束："使用情感化语言，增强场景代入感"
• Risk 槽口标注"未满足老板预期"的风险及应对

多轮迭代型对话

• 只保留最新版本的反馈
• 标注版本演进路径（v1->v2->v3 的关键变更点）
• 最终 prompt 基于最新版本生成
• Iteration & Version 槽口完整记录演进

跨语言对话

• 若聊天记录中混合中英文，输出 prompt 的语言跟随用户最终交付目标
• 专有名词保留原文，不强行翻译
• Localization 槽口标注多语言需求

参考资源

详细框架指南见 references/26-scheme-guide.md 完整示例库见 references/examples.md 原始规范文档见 references/original-spec.md

这是一个设计非常专业的 Skill，能将杂乱的聊天记录整理成结构化的 Prompt 蓝图，26 维框架考虑得非常全面。文档清晰易读，有使用示例。缺点是实际文件中部分功能不完整，核心文件与文档描述存在版本差异，可能影响使用体验。总体质量良好，框架设计出色，但完整性有待加强。