AI Input Compiler — 把模糊输入编译成可直接复制的高质量 Prompt
你花了几百块订阅 AI，却还在用搜索引擎级别的提问方式。
SharpInput 是一个 Hermes Agent skill：它不直接替你回答问题，而是先把你的模糊输入、提问、想法、方案或需求，编译成一个更清楚、更有约束、更不容易得到废话回答的 Prompt。
你原来这样问：
我们的转化率一直在下降，怎么办？
SharpInput 会把它升级成：
我们是 toB SaaS，注册→付费转化率从 8% 降到 3%，持续 3 个月。流量来源没有明显变化，产品近三个月没有大改。请你先判断问题更可能出在产品、市场还是销售，并必须选边站。给出一个大多数人不会先想到的根因假设，并设计一个 30 天内可验证的小实验。最后说明：如果按你的诊断执行，三个月后最可能后悔什么？
差别不是“文案更漂亮”，而是：目标、背景、约束、判断标准、输出格式和压力测试都被补齐了。
- 经常觉得 AI 回答“看似全面，其实没用”的人
- 产品经理、开发者、创业者、内容创作者
- 想让 AI 给出判断、方案、分析、评审，而不是安全废话的人
- Hermes Agent 用户，或正在组织个人 AI Agent skill 工作流的人
不适合：
- 你想让 AI 直接执行任务，而不是优化输入
- 你只需要事实查询、代码执行、文件修改
- 你不想补任何上下文，只想让 AI 猜你的意图
详细安装见 INSTALL.md。
git clone https://github.com/gaoyechen/SharpInput.git
mkdir -p "$LOCALAPPDATA/hermes/skills/sharpinput"
cp -R SharpInput/* "$LOCALAPPDATA/hermes/skills/sharpinput/"然后在 Hermes 中运行：
/reload-skills
装完对 Agent 说：
帮我优化：我想让 AI 帮我做一件什么事，应该怎么提问？
SharpInput 会自动接管，识别意图、检测场景、补全上下文，输出一个可直接复制的升级版 Prompt。
验证：
hermes chat --skills sharpinput -q "帮我优化：为什么我的 GitHub skill 没有 star？" -QWindows 用户：
$LOCALAPPDATA/hermes/skills/sharpinput通常对应C:\Users\<用户名>\AppData\Local\hermes\skills\sharpinput。
说这些话时，SharpInput 应该接管：
帮我优化这个问题
这样问 AI 行不行？
帮我润色一下这个 prompt
帮我理清这个需求，变成好问题
我想让 AI 帮我做 X，应该怎么提问？
控制深度：
简单优化 → Level 1，轻度改写，少问问题
施压一下 → Level 2，增加约束、判断标准、反废话机制
深度模式 → Level 3，适合高风险决策、方案评审、多路径比较
命令：
hermes chat --skills sharpinput -q "帮我优化：为什么我的 GitHub skill 没有 star？请输出一个可以直接复制给 AI 的提问。" -Q输出节选：
[SharpInput 识别结果]
Level: 2
主意图: 让 AI 帮你诊断一个 GitHub 项目/skill 没有 star 的原因
场景: GitHub 项目增长/传播/定位分析
上下文状态: 缺 repo 链接、目标用户、README、发布渠道，所以用占位符保留
[升级版问题]
> 你是一名熟悉 GitHub 开源项目增长、开发者工具传播、AI Agent/Skill 生态的产品顾问。
>
> 请帮我严厉分析：为什么我这个 GitHub 上的 skill/项目没有 star？
> ...
> 不要默认“没人 star = 项目不好”，也不要默认“多宣传就行”。
这就是 SharpInput 的核心价值：不是替你回答，而是先把“弱问题”变成一个值得被认真回答的问题。
用户弱输入
↓
触发判断
↓
意图识别 → 场景检测 → 上下文补全
↓
Prompt 编译 → 默认答案压力测试 → 质量检查
↓
复制即用的升级版 Prompt
核心能力：
| 能力 | 作用 |
|---|---|
| 意图识别 | 判断用户到底是在求解释、决策、对比、规划、验证还是表达 |
| 场景检测 | 针对电脑选购、AI 订阅、PRD、UI 评审、学习备考等场景补关键槽位 |
| 上下文补全 | 只问真正影响输出质量的问题，避免泛泛追问“背景是什么” |
| Prompt 编译 | 把角色、目标、约束、判断标准、步骤和输出格式组织成可复制 Prompt |
| 默认答案压力测试 | 防止 AI 输出“看情况”“各有优劣”“建议综合考虑”式废话 |
| Judge 审查 | Level 3 下对高风险决策和方案评审做更严格的质量检查 |
SharpInput 不会做的事：
- 不会直接回答你的底层任务（只输出升级版 prompt）
- 不会发送外部网络请求
- 不会在没有你确认时猜测场景特定事实（预算、受众、平台）
- 不会把你的偏好写入仓库或 skill 包内部（见 PRIVACY.md）
- Level 3 Judge 审查会呈现多条路径，等你选择
什么时候 SharpInput 会停下来问你：
- 你的意图混合了"优化输入"和"直接回答"
- 关键上下文缺失（预算、受众、约束），用 placeholder 会影响质量
- 信心低于 0.65 时，会请你确认意图
SharpInput/
├── SKILL.md # Hermes skill 入口
├── AGENT.md # 编排流程和 handoff 规范
├── modules/ # 内部能力模块，不会被 Hermes 识别成独立 skills
│ ├── intent-detection.md
│ ├── scenario-detection.md
│ ├── scenario-slot-elicitation.md
│ ├── context-completion.md
│ ├── description-clarifier.md
│ ├── prompt-compiler.md
│ ├── pressure-strategy.md
│ ├── judge-review.md
│ └── output-renderer.md
├── references/ # taxonomy、rubric、模板和隐私安全的示例状态文件
├── examples/ # 示例输入和预期路线
├── tests/ # 回归用例和质量评分标准
├── scripts/ # demo 录制脚本和验证工具
├── INSTALL.md # 安装、升级、卸载和排障
└── PRIVACY.md # 本地状态和隐私说明
设计原则：Agent 管流程，modules 管能力。 内部模块不再放在顶层 skills/ 目录下，避免安装后污染用户的 Hermes skills 列表。
SharpInput 不应该把真实用户偏好写进仓库或 skill 包内部。
仓库只提供：
references/user-preferences.schema.json
references/user-preferences.example.json
真实偏好应存储在用户本地 profile 数据目录，例如：
$HERMES_HOME/data/sharpinput/user-preferences.json
详细说明见 PRIVACY.md。
修改 SKILL.md、AGENT.md、modules/ 或 references/ 后，至少检查：
tests/regression-cases.md
tests/quality-rubric.md
关键标准：
- 只在“优化输入/Prompt”场景触发
- 不直接回答底层任务
- 输出必须包含一个完整、可复制的升级版 Prompt
- Level 2+ 不应该跳过关键上下文
- 不应该强行反共识或过度施压
- Darwin 9 维评估优化（6.73 → 7.56，+0.83）
- dim4 检查点：插入 3 个显性标记（混合意图/Level 3/质量门）
- dim8 路由一致性：Level 2 上下文不足不再降级为 Clarify First
- dim9 反例：新增 DON'T 节（10 条反例覆盖输出风格/格式/路由）
- Luban 鲁班打磨：结构清理 + showcase 升级
- SKILL.md/AGENT.md 重叠率从 ~40% 降至 ~5%
- modules/*.md frontmatter 修复（防止被识别为独立 skill）
- README 增加安全边界、致谢、装完第一句话
- 新增 scripts/ 目录（demo 录制脚本 + vhs tape）
- 新增 test-prompts.json（3 个典型测试场景）
- 将内部能力文件从
skills/*/SKILL.md移到modules/*.md，避免被 Hermes 识别成多个独立 skills - 主 skill canonical name 改为
sharpinput - 移除仓库中的真实
user-preferences.json，改为 schema/example - 补充安装、隐私和真实运行说明
- README 中的版本、模块数和结构说明与实际仓库对齐
- 从单体 prompt 重构为 Agent + 模块化能力文件
- 新增意图识别、场景模板、上下文补全、压力策略、Judge 审查和回归用例
- Prompt engineering best practices：受 Anthropic、OpenAI 的 prompt 工程指南启发，但 SharpInput 的核心创新是"自动编译"而非"手动优化"
- DSPy / PromptWizard：自动 prompt 优化的研究方向提供了理论基础；SharpInput 选择了 agent-native 形态而非框架形态
- prompt-optimizer（30K⭐）：验证了"prompt 优化"品类的真实需求
- Hermes Agent：提供了 skill 系统、触发路由和 handoff 机制的运行时基础
MIT —— 随便用，随便改。
如果你受够了 AI 给你灌水，先别急着换模型，先把问题问锋利。