name: chat-distill description: 聊天記錄提純器——將雜亂的多輪微信/即時通訊聊天記錄蒸餾成結構化的 26-Scheme Prompt 藍圖。當用戶提供聊天記錄、對話截圖、語音轉文字內容，並希望從中提取核心需求、生成 AI Agent 提示詞、或將碎片化討論整理成可執行方案時觸發。典型場景：(1) 微信群聊頭腦風暴後想落地成方案 (2) 老闆在群裡零散佈置任務需要編譯成完整需求文件 (3) 多人討論的產品/專案需求需要提煉成 PRD 或 SOP (4) 語音轉文字的會議記錄需要結構化 (5) 任何需要從對話噪音中提取訊號並輸出 26-Scheme Prompt 的場景。觸發詞：聊天記錄提純、聊天記錄蒸餾、群聊提純、對話整理、微信記錄變方案、聊天變 prompt、chat-distill、26-Scheme。

聊天記錄提純器 (Chat Distill)

核心能力

將雜亂的多輪聊天記錄（微信、飛書、釘釘、Slack 等）蒸餾成高精度、生產級的 26-Scheme Prompt 藍圖——覆蓋角色、背景、任務、利益相關者、優先順序、風險、驗收、決策推理、質量標準等 26 個正交維度，確保生成的 Prompt 零歧義、可直接執行。

執行流水線

第一步：原始資料預處理

1. 讀取使用者提供的聊天記錄（文本貼上、檔案上傳、截圖 OCR 均可）
2. 標註發言人身份（A/B/C 或姓名），保留時間線順序
3. 識別並標記噪音型別：寒暄、表情包描述、語音轉文字錯別字、重複確認、跑題閒聊

第二步：核心意圖挖掘

1. 目標識別：從對話中提取最終想要交付的資產/動作（文案、方案、程式碼、報告等）
2. 約束提取：字數、語氣、格式、deadline、禁止事項等硬性要求
3. 偏好訊號：使用者提及的參考案例、風格傾向、"不要 XX 要 XX"類對比表達
4. 隱含推理：老闆對草稿的批評 -> 反轉為正向約束；討論中的猶豫/妥協 -> 標記為低置信度
5. 多維訊號採集：利益相關者關係、優先順序線索、風險暗示、驗收標準、版本迭代痕跡等

第三步：噪音過濾

完全移除以下內容： - 寒暄問候（"在嗎""哈嘍""謝謝"） - 情緒填充（"哈哈""牛""6"） - 冗餘確認（"收到""好的""明白"） - 跑題閒聊（與核心目標無關的支線對話） - 語音轉文字的明顯錯別字（自動修正）

第四步：26-Scheme 結構化編譯

將提純後的資訊填入二十六柱框架：

核心六柱（基礎層）

1. Role（角色與人設）

• 根據業務領域定義高度具體的專家身份
• 停用泛化標籤（"助手""AI"），使用精準人設（"資深汽車文案""敏捷產品經理"）

2. Context（背景與意圖）

• 合成業務場景、市場痛點、目標受眾
• 提取對話中觸發此任務的顯性/隱性動因

3. Task（核心指令與流水線）

• 按時間順序拆解執行步驟為 SOP
• 每步用強動詞開頭（"撰寫""分析""生成"）

4. Output Format（輸出格式）

• 指定精確的響應佈局（Markdown 表格、JSON schema、編號列表、特定標籤等）
• 若對話未明確，根據任務型別推斷最佳視覺與結構格式

5. Constraints（約束與紅線）

• 列出所有硬邊界：長度限制、停用措辭、強制語氣、資料範圍
• 將口語化要求翻譯為可執行引數（"別太枯燥" -> "保持活潑有力的語氣，避免行業術語"）

6. Examples（Few-Shot 示例）

• 提取對話中提及的參考案例、已接受的草稿、模板
• 若對話缺少示例，根據業務上下文生成一組高質量的 Input/Output 對

擴充套件十四柱（增強層）

7. Stakeholders（利益相關者與受眾）

• 識別決策者、執行者、受影響方、最終受眾
• 標註各方關注點和潛在衝突

8. Priority & Weight（優先順序與權重）

• 區分 Must-have / Should-have / Could-have
• 標註各需求的權重和緊迫程度

9. Success Metrics（成功指標與 KPI）

• 定義可量化的成功標準（轉化率、通過率、響應時間等）
• 標註基線值和目標值

10. Timeline & Milestones（時間線與里程碑）

• 提取所有 deadline、交付節點、評審時間
• 標註關鍵路徑和緩衝期

11. Resources & Dependencies（資源與依賴）

小蔥技能7w4.net有完整的技能分類。

• 列出所需輸入、工具、資料來源
• 標註外部依賴和阻塞項

12. Tone & Voice（語氣與品牌聲音）

• 定義具體的語言風格：正式/活潑/技術/情感化
• 標註品牌調性一致要求

13. Domain Knowledge（領域知識與術語表）

• 提取行業專有名詞和縮寫
• 定義必須使用的術語標準

14. Risk & Mitigation（風險與應對）

• 識別可能出錯的風險點
• 為每個風險標註應對策略

15. Edge Cases（邊界與異常處理）

• 列出特殊情況、極端輸入、空值場景
• 定義 fallback 行為

16. Validation Criteria（驗收標準）

• 定義明確的驗收檢查清單
• 標註質量門禁和 Review 流程

17. Iteration & Version（迭代歷史與版本）

• 記錄討論中的版本演進（v1->v2->v3 關鍵變更）
• 標註當前版本號和待定項

18. Deliverable Spec（交付物規格）

• 精確定義交付物格式、檔名、儲存位置
• 標註是否需要多版本交付

19. Compliance & Ethics（合規與倫理）

• 標註法律合規要求（資料隱私、版權、廣告法等）
• 定義倫理紅線

20. Localization & Culture（本地化與文化適配）

• 標註多語言需求和文化敏感性
• 定義地區適配要求

高階六柱（決策與質量層）

21. Anti-Goals / Out of Scope（反目標與排除範圍）

• 明確標註"不要做什麼"——比 Constraints 範圍更廣的戰略拒絕
• 提取討論中明確排除的方向、被否決的方案、不關注的使用者群
• 防止 LLM 在已被否決的方向上浪費資源

22. Assumptions & Preconditions（假設與前提條件）

• 列出討論中預設成立的前提假設（顯性和隱性）
• 區分"已驗證的事實"和"基於經驗的假設"
• 標註每個假設的不確定性等級（確定/很可能/猜測）

23. Decision Log（決策記錄與推理鏈）

• 記錄關鍵決策點："為什麼選 A 不選 B"
• 提取決策者、決策時間、核心推理邏輯
• 標註被否決的替代方案及其否決理由

24. Quality Standards（質量標準）

• 定義"好"的標準——不只是一票通過/不通過的 Validation
• 包含審美、體驗、精確度等非二元維度
• 與 Success Metrics 互補：Metrics 是量化 KPI，Quality 是定性標準

25. Feedback Mechanism（反饋收集機制）

• 產出物如何收集反饋：審閱人、審閱渠道、反饋格式
• 標註迭代觸發條件：什麼訊號意味需要重做
• 定義反饋閉環的時效要求

26. Data Sources（資料來源與可信度）

• 列出輸入資料來源、格式、可信度等級
• 標註資料的侷限性（時效性、樣本偏差、覆蓋率）
• 區分"權威資料"和"參考資料"，防止 LLM 混用

第五步：質量校驗

編譯完成後執行以下檢查： - 零資訊丟失：所有具體數字、deadline、專有名詞、功能列表、負面約束 100% 保留 - 去口語化：最終 prompt 中不得出現任何口語俚語、結巴、對話填充詞 - 隱含推斷：批評反轉為正向標準、模糊表述具體化 - 槽口完整性：26 個槽口逐一檢查，空槽須標註"對話中未提及，已根據上下文推斷" - 可執行性：生成的 prompt 應可直接輸入任意 LLM 執行而無歧義

第六步：輸出

生成最終 prompt，包裹在單個 Markdown 程式碼塊中，使用以下精確結構：

# 1. Role (角色與人設)
- [精準專家身份]

# 2. Context (背景與意圖)
- [業務場景、痛點、觸發動因]

# 3. Task (核心指令與流水線)
- [SOP 步驟列表]

# 4. Output Format (輸出格式)
- [精確結構要求]

# 5. Constraints (約束與紅線)
- [硬邊界列表]

# 6. Examples (Few-Shot 示例)
- **Input**: [示例輸入]
- **Output**: [示例理想輸出]

# 7. Stakeholders (利益相關者與受眾)
- [決策者、執行者、受眾]

# 8. Priority & Weight (優先順序與權重)
- [Must/Should/Could 分級]

# 9. Success Metrics (成功指標與 KPI)
- [可量化標準]

# 10. Timeline & Milestones (時間線與里程碑)
- [關鍵節點和 deadline]

# 11. Resources & Dependencies (資源與依賴)
- [所需輸入和外部依賴]

# 12. Tone & Voice (語氣與品牌聲音)
- [語言風格和品牌調性]

# 13. Domain Knowledge (領域知識與術語表)
- [專有名詞和術語標準]

# 14. Risk & Mitigation (風險與應對)
- [風險點和應對策略]

# 15. Edge Cases (邊界與異常處理)
- [特殊情況和 fallback]

# 16. Validation Criteria (驗收標準)
- [驗收檢查清單]

# 17. Iteration & Version (迭代歷史與版本)
- [版本演進和當前狀態]

# 18. Deliverable Spec (交付物規格)
- [格式、命名、儲存]

# 19. Compliance & Ethics (合規與倫理)
- [法律和倫理紅線]

# 20. Localization & Culture (本地化與文化適配)
- [多語言和文化要求]

# 21. Anti-Goals / Out of Scope (反目標與排除範圍)
- [明確排除的方向和被否決的方案]

# 22. Assumptions & Preconditions (假設與前提條件)
- [預設成立的前提，標註不確定性等級]

# 23. Decision Log (決策記錄與推理鏈)
- [關鍵決策點、推理邏輯、否決的替代方案]

# 24. Quality Standards (質量標準)
- [定性標準：審美、體驗、精確度等非二元維度]

# 25. Feedback Mechanism (反饋收集機制)
- [審閱人、渠道、迭代觸發條件、時效要求]

# 26. Data Sources (資料來源與可信度)
- [資料來源、格式、可信度等級、侷限性]

使用方式

輸入格式

使用者可通過以下方式提供聊天記錄： 1. 直接貼上：將聊天記錄文本貼上到對話中 2. 檔案上傳：上傳 .txt / .md / .json 格式的聊天匯出檔案 3. 截圖：提供聊天截圖（通過 OCR 識別） 4. 語音轉文字：貼上語音轉文字結果（自動修正錯別字）

輔助工具

配套指令碼 scripts/distill.py 可用於批次處理聊天記錄檔案：

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

精簡模式

當聊天記錄較短或場景簡單時，可使用 --compact 引數僅輸出核心六柱：

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

特殊場景處理

多人會議記錄

• 識別主持人、彙報人、參與者角色
• 按議題分組而非時間線組織
• 決策項和待辦項單獨標註
• Stakeholders 槽口標註所有參會方的角色與許可權

老闆批評型對話

• 將所有批評反轉為目標約束
• "太技術了" -> 約束："避免工程術語，面向非專業讀者"
• "不夠吸引人" -> 約束："使用情感化語言，增強場景代入感"
• Risk 槽口標註"未滿足老闆預期"的風險及應對

多輪迭代型對話

• 只保留最新版本的反饋
• 標註版本演進路徑（v1->v2->v3 的關鍵變更點）
• 最終 prompt 基於最新版本生成
• Iteration & Version 槽口完整記錄演進

跨語言對話

• 若聊天記錄中混合中英文，輸出 prompt 的語言跟隨使用者最終交付目標
• 專有名詞保留原文，不強行翻譯
• Localization 槽口標註多語言需求

參考資源

詳細框架指南見 references/26-scheme-guide.md 完整示例庫見 references/examples.md 原始規範文件見 references/original-spec.md

這是一個設計非常專業的 Skill，能將雜亂的聊天記錄整理成結構化的 Prompt 藍圖，26 維框架考慮得非常全面。文件清晰易讀，有使用示例。缺點是實際檔案中部分功能不完整，核心檔案與文件描述存在版本差異，可能影響使用體驗。總體質量良好，框架設計出色，但完整性有待加強。