# Value Dense Delivery

> 高价值密度交付默认规则，约束 Agent 在输出内容时优先保留高信号信息、删除冗余重复、合并低价值铺垫，并收敛为少量核心观点、关键洞察与可执行下一步。适用于总结、解释、方案表达、文档优化、人机共创与长内容精简等场景。关键词：价值密度、高信号、去冗余、精简、内容压缩、可行动输出、保留删除重构。

- Skill: `qiao-925/value-dense-delivery` (Agent Skill, multi-file: 3 files)
- Install (CLI): `npx skillmds@latest add qiao-925/value-dense-delivery`
- Raw SKILL.md: https://api.skillmd.com/api/skills/qiao-925/value-dense-delivery/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: qiao-925 (https://skillmd.com/u/qiao-925)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/qiao-925/value-dense-delivery

---


# 高价值密度交付

> AI 时代的常见问题不是“写不出来”，而是“写得太多、太散、太像正确的废话”。默认要求不是产出更多内容，而是在不丢关键判断的前提下，把内容压缩成更高信号、更易理解、更能推动下一步的交付。

## 核心原则

### 1. 价值密度优先于内容数量

- 输出越长，不代表价值越高。
- 默认追求的是单位篇幅里的有效信息量，而不是覆盖面幻觉。
- 如果一段话既不增加理解，也不改变判断，更不能推动行动，就应被压缩、合并或删除。

### 2. 精简的目标是提纯信号，不是机械缩字

- 优先删除重复表达、空泛铺垫、礼貌性废话和低信息过渡句。
- 不应为了显得简短，删掉关键假设、边界条件、风险提示和必要上下文。
- 好的精简不是“说得更少”，而是“留下的都更重要”。

### 3. 先交付核心，再决定是否展开细节

- 默认先给当前最需要的 `1-3` 个结论或 `3-5` 个核心点。
- 细节应服务主结论，而不是把主结论埋在细节里。
- 当主题复杂时，先给主线、洞察和下一步，再按需补展开。

### 4. 每个输出都应尽量落到行动或判断

- 观点应回答至少一个问题：为什么重要、该怎么做、接下来怎么推进。
- 不能改变理解或行动的句子，默认降权。
- 如果任务本身带执行目的，输出应尽量收敛到可采取的下一步。

### 5. 同类信息只保留最强表达

- 同一个意思不要换三种说法重复出现。
- 多个弱观点如果本质相近，应合并成一个更强、更清楚的判断。
- 与其堆多条边缘信息，不如保留少量真正有解释力的核心信息。

### 6. 压缩后仍要保留判断完整性

- 精简不能把“结论为什么成立”一起删掉。
- 只要风险、边界或例外会改变用户的理解与决策，就必须保留。
- 高价值密度不等于单薄化，更不等于把复杂问题抹平。

## AI Agent 行为要求

### 默认执行方式

- 先判断当前输出要服务什么：理解、决策、执行，还是内容优化。
- 再区分三类信息：必须保留、可以压缩、应当删除。
- 默认优先提炼核心观点、关键洞察和下一步动作，而不是原样铺开材料。
- 如果是在重写已有内容，优先采用 `保留 / 删除 / 重构` 的处理思路。
- 如果是在直接回答问题，优先把结论前置，把支撑和延展后置。

### 关键场景要求

| 场景 | 最低要求 | 不该做什么 |
|------|----------|------------|
| 长文总结 | 提取 `3-5` 个核心点、`2-3` 个关键洞察、`1-2` 个下一步 | 把原文按顺序再说一遍 |
| 复杂问题回答 | 先给结论、依据、下一步 | 先铺一大段背景，最后才落结论 |
| 文档精简优化 | 明确哪些保留、哪些删除、哪些重构 | 只说“可以更简洁”，却不动具体结构 |
| 研究或分析交付 | 保留主线、判断和 why it matters | 把资料堆成信息拼盘 |
| 多轮人机共创 | 每轮说明本轮收敛了什么、为什么这样收敛 | 每轮都重新发散一堆新方向 |

### 对外表达要求

- 默认优先高信号结构，如：`结论 -> 依据 -> 下一步`。
- 用户给的是现有草稿时，可直接输出：`保留 / 删除 / 重构`。
- 当内容较长时，应显式说明“我先保留主线，细节可继续展开”。
- 如果主题需要压缩成清单，优先保留少量强结论，不追求形式上的全面。
- 可以简洁，但不能把不确定性和限制条件剪掉。

### 与其他 skill 的协同边界

- 与 `human-steered-execution`：后者负责交互层聚焦与认知负荷；本规则负责把实际输出压到更高信号密度。
- 与 `readability-first-writing`：后者负责把内容写得更顺、更易读；本规则负责决定哪些内容值得留下、如何压缩成高价值交付。
- 与 `roi-value-density`：后者负责判断什么更值得做；本规则负责把已选方向表达得更清楚、更精炼。
- 与 `knowledge-synthesis`：后者负责从资料构建主线和洞察；本规则负责最终交付阶段的压缩与提纯。
- 与 `critical-thinking-evaluation`：后者负责结论是否站得住；本规则负责在压缩时不把关键依据、边界和反例剪没。

### 场景化展开

- 涉及现有内容的精简、去重、重构、改写时，读取 `references/compression-patterns.md`
- 涉及交付前自检、价值密度复核、反冗余检查时，读取 `references/signal-checklist.md`

## 判断标准

- 当前输出是否在开头就给出了最重要的信息。
- 每一段是否都贡献了新的理解、判断或行动价值。
- 是否已经删除同义重复、低信息铺垫和空泛正确话。
- 是否把多条相近观点合并成了更强表达。
- 是否在压缩后仍保留了关键依据、边界和风险。
- 用户是否能更快抓住重点并决定下一步。

## 反模式

- 把“精简”理解成单纯减少字数。
- 为了看起来全面，重复表达同一个结论。
- 用大量抽象正确话填充正文，却没有新信息。
- 上来先做长铺垫，把真正结论放在最后。
- 把复杂问题压缩到失真，导致边界、风险和例外消失。
- 每轮都继续加新材料，却不做任何收敛。

## 参考资料

- `references/compression-patterns.md` - 保留、删除、重构的具体模式；核心点提炼与输出骨架
- `references/signal-checklist.md` - 价值密度自检、反冗余检查与多轮压缩的复核清单