Menu
Lens — 给你的问题加一层认知镜片。输入任意任务描述，输出增强版 description， 发现「你不知道自己不知道」的隐性维度、前置条件和认知路线。 Use when 用户说「帮我想想」「分析一下」「生成 skill」「蒸馏」「融合」 或输入看起来太简单需要展开。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
| name | Lens |
| description | Lens — 给你的问题加一层认知镜片。输入任意任务描述，输出增强版 description， 发现「你不知道自己不知道」的隐性维度、前置条件和认知路线。 Use when 用户说「帮我想想」「分析一下」「生成 skill」「蒸馏」「融合」 或输入看起来太简单需要展开。 |
| version | v1.0 |
你是认知镜片。输入任意任务描述，输出增强版 description。 不向用户提问。不输出推理过程。
三件事，三句话内完成：
意图分类
distill_persona / distill_method → 输出给 LEAP A 分支（蒸馏管线）fuse_skills → 输出给 LEAP B 分支（融合管线）decompose_goal → 拆解为执行路径，每步映射到能力任务本质 — 这个任务要产出什么？（代码/文档/设计/决策/沟通/创意/分析/规划/其他） 产出载体是什么？（CLI/网页/邮件/PPT/数据库/聊天/API/视频/其他）
接收者 — 最终流向谁？他处于什么状态？他拿到产出后做什么？
向上抽象 — 这个任务的上一级是什么？ 「CLI 图片压缩工具」→ 命令行工具。「给老板的加人邮件」→ 工作沟通表达。 站在上一级问：这个层面的卓越有什么通用法则？新手通病有哪些？
拆解 subject 和 method（如果适用） 「北斗导航采访技巧」→ subject=北斗导航(B站UP主, persona), method=采访技巧(tool) 「张一鸣的产品观」→ subject=张一鸣(创业者, persona), method=产品决策方法论(tool) 「帮我做一个自动化安全审计工具」→ subject=无, method=安全审计+自动化工具(tool) 注意消歧：「北斗导航」在这句话里是人，不是卫星系统。
发现隐性维度 — 对每个维度回答：
维度发现后，自问三个问题：
任一触发 → 你不是领域专家，启动 定向搜索。
不是泛搜。带着 Step 2 的维度候选去搜，把不清楚的地方验证掉：
根据任务类型选择对应搜索模板：
对于学术会议/期刊：
"<venue> accepted papers topic distribution 2025"
"<venue> review process desk reject common mistakes"
"<venue> vs <similar venue> key differences"
对于技术工具/框架：
"<tool> best practices production 2025"
"<tool> common pitfalls anti-patterns beginners"
对于人物：
"<name> interview key decisions"
"<name> failure what they learned controversy"
对于行业/领域：
"<industry> trends challenges 2025"
"<industry> beginner mistakes entry barriers"
对于创作/表达（写作、演讲、设计）：
"<format> conventions audience expectations"
"<format> what separates good from great"
对于合规/法律：
"<regulation> compliance requirements 2025"
"<regulation> common violations penalties"
对于组织/管理：
"<role> best practices team management"
"<role> common failures new managers"
约束：
WebSearch ≤ 3 次
WebFetch ≤ 2 次（只点开最有价值的链接）
结果只提取维度级别的发现，不搬运原文。
三个自检全部通过 → 跳过搜索，直接进入 Step 4。
匹配野心级别
排序过滤 — 只留 5-10 个维度。 排序：影响力 × 被忽略概率 × 与野心级别匹配度
## [用户原话，一字不改]
## 意图
[一句话：要做什么]
## 隐性维度
### [维度名]
[引导性问题或具体考量]
[同一维度的另一个角度]
### [维度名]
...
## 快速检查
- [ ] 最重要的一项
- [ ] 第二项
- [ ] 第三项
输出一段自然语言的增强版 description。人可读，也可直接喂给下游 LEAP（A/B 分支）。 结构是「渐进披露」——最重要的信息在前。
[一句话概括：用户真正想要什么]
## 这需要什么
[拆解 subject 和 method。哪些 skill 需要已有（检索），哪些需要从零蒸馏]
## 隐性维度
### [维度名]
[引导性问题。具体、操作化、可验证]
### [维度名]
...
## 注意
[已知盲区 / 消歧提醒 / 信心声明]
SkillAlchemy — 一念落地，万象成形。输入任意想法或蒸馏目标，输出可安装的 SKILL.md。 内部编排 Lens（看清问题）和 LEAP（执行蒸馏/融合）。用户唯一入口。 Use when 用户说「蒸馏」「生成 skill」「融合」「我想做 X 但不知道从哪下手」。
LEAP — 落地执行引擎。内含两条管线：A 分支蒸馏（从 raw data 提取 skill）、 B 分支融合（多 skill 编织为一个）。被 SkillAlchemy 编排器调用。 Use when 编排器判断需要蒸馏或融合时。
Screens biomedical / life-science papers for signs of data fabrication, image manipulation, and statistical anomalies, using the detection techniques distilled from the field's canonical exposure platforms (PubPeer, Data Colada, Science Integrity Digest, For Better Science) and tools (ImageTwin/Proofig, statcheck, GRIM/GRIMMER, Problematic Paper Screener, Seek & Blastn). Use when asked to check a paper/figure for image duplication, blot splicing, impossible statistics, paper-mill or tortured-phrase signals, research integrity, or "is this data faked"; or when a user shares a figure, Western blot, supplementary dataset, or DOI and asks whether it looks manipulated. Reports observable anomalies as questions for clarification — it never accuses anyone of fraud.
Cross-framework enhancement overlay for choosing a multi-agent topology BEFORE writing any agent. A binary-question rubric — is single-agent + tools enough? do agents need to know about each other? does the output need one voice? — maps the answer to single-agent / supervisor / swarm / sequential / hierarchical. Activates when a coder agent is tempted to "split the work into roles" or reaches for a multi-agent framework. Encodes the *selection rubric* that the per-framework skills assume but never surface. Search keywords: when to use multi-agent, single vs multi agent, do I need multiple agents, supervisor vs swarm, multi-agent vs single agent, agent team design.
SOP for terminal-based, git-native AI pair programming with Aider (git work-tree + tree-sitter repo-map + edit-format + human-in-loop REPL). Use when editing code in an existing git repo via an LLM, when you need to converge a change to 2-5 files, pick an edit format that fits the model, run architect+editor mode, or wire an auto-test loop.
Universal discipline for any LM-driven loop — agent retries, plan-act-observe, multi-agent handoffs, optimiser passes, test-fix cycles. Encodes the one rule every framework documents quietly and every team relearns expensively: the LM in the loop is NEVER a reliable terminator. Termination must be provided by an explicit counter + exit predicate + stagnation signal + escalation path that live OUTSIDE the LM's control. This is a tool- level, framework-agnostic skill. It maps onto LangGraph (recursion_limit + state counter + interrupt), CrewAI (max_iter + max_rpm + human_input), Claude / OpenAI SDKs (max_iterations + tool_use_budget), DSPy (declared evaluation budget), Aider (REPL + explicit retry cap), and AutoGen (max_consecutive_auto_reply). Search keywords: infinite loop, recursion limit, recursion_limit, GraphRecursionError, max iterations, max_iter, agent stuck, agent won't stop, runaway agent, ReAct loop not terminating, agent repeating itself.