zach22-1999 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：
- 要做什么：具体任务，不是宽泛主题。
- 已经知道什么：手上有的材料、已经了解的概念。
- 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：
- 原创论文或标准文件
- 原作者、权威机构、经典著作
- 官方文档
- 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
- 按
references/term-prompt-pack.schema.json写 JSON。 python3 scripts/validate_pack.py pack.json校验。python3 scripts/render_pack.py pack.json output.html渲染成单文件离线 HTML。- 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。
- 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 HTMLscripts/test_pipeline.py：回归测试（三个示例）examples/：渲染好的示例 HTML