Skill Learning

grill-me

Pure wrapper detectedThis learning unit includes the thin entry skill and the single implementation skill that carries all core behavior.

1. Bilingual SKILL.md

左右滑动可直接切换英文版与中文版；两种语言按段落自动对齐。英文中的蓝色虚线词语可点击查看解释。共标记 11 处。

入口 skill：grill-me左右滑动切换语言 · 段落位置自动对齐
Call the Skill tool with "grilling".
Source metadata
--- name: grill-me description: A relentless interview to . disable-model-invocation: true ---
调用 Skill 工具，并传入 “grilling”。
Source metadata
--- name: grill-me description: 一场持续追问式访谈，用来打磨计划或设计。 disable-model-invocation: true ---

Entry SHA-256: caaf8b8de1684f96e26b28f3c29189db5c89cce4b73e1c93d86164f66ef88637

Path: skills/productivity/grilling/SKILL.md · View implementation source

真实实现 skill：grilling左右滑动切换语言 · 段落位置自动对齐
Interview the user relentlessly until you . Map this as a **design tree**: every decision branches into the .
Work the tree in **rounds**. The **frontier** is every decision : the questions you can ask _now_ you haven't heard yet. Ask the whole frontier in one round: number each question and give your recommended answer. Then wait for the user's answers before the next round.
Format a round like so:
``` ❓ **Q1** - **<question title>**: <question body, might be multiple paragraphs, including multiple choices> ➡️ <your recommended answer> --- ❓ **Q2** - **<question title>**: <question body, might be multiple paragraphs, including multiple choices> ➡️ <your recommended answer> ```
Each round the user answers reshapes the tree: settled decisions and unblock questions that depended on them. Recompute the frontier and ask the next round. A question whose answer depends on another question still open in this round belongs to a _later_ round, not this one.
Finding _facts_ is your job, never the user's. When a frontier question needs a fact from the environment (filesystem, tools, etc.), dispatch a sub-agent to find it; don't ask the user for anything you could look up yourself. Don't block on it: a running exploration is , so only the wait for the sub-agent to report; ask the rest of the frontier now. The _decisions_ are the user's: put each to them and wait.
The session is done when the frontier is empty: every branch of the design tree visited, . Do not act on it until the user confirms you have reached a shared understanding.
Source metadata
--- name: grilling description: about a plan, decision, or idea. Use when the user wants to , or uses any 'grill' trigger phrases. ---
持续追问用户，直到双方达成共同理解。把它映射成一棵**决策树（design tree）**：每项决策都会分叉为依附于它的后续决策。
分**轮次（rounds）**推进这棵树。**前沿（frontier）**是所有前置条件已经确定的决策：也就是你现在可以提出、而无需猜测尚未听到的答案的问题。在一轮中询问整个前沿：给每个问题编号，并提供你建议的答案。然后等待用户回答，再进入下一轮。
一轮应采用如下格式：
``` ❓ **Q1** - **<问题标题>**：<问题正文，可以有多个段落，也可以包含多个选项> ➡️ <你建议的答案> --- ❓ **Q2** - **<问题标题>**：<问题正文，可以有多个段落，也可以包含多个选项> ➡️ <你建议的答案> ```
用户每回答一轮，都会重塑这棵树：已经确定的决策把前沿向外推进，并解锁依赖它们的问题。重新计算前沿，然后询问下一轮。如果某个问题的答案依赖于本轮另一个仍未解决的问题，它就属于_后续_轮次，而不是本轮。
查找_事实_是你的工作，绝不是用户的工作。当某个前沿问题需要来自环境（文件系统、工具等）的事实时，派出一个子代理去查找；凡是你自己能够查到的，就不要问用户。不要因此阻塞：正在进行的探索是一项尚未解决的前置条件，所以只有它下游的问题需要等待子代理报告；当前前沿里的其余问题照常询问。_决策_属于用户：把每项决策交给用户，并等待回答。
当前沿为空时，会话才算完成：决策树的每个分支都已经遍历，不留下任何未经说明的假设。在用户确认双方已经达成共同理解之前，不要据此采取行动。
Source metadata
--- name: grilling description: 持续追问用户的计划、决策或想法。当用户希望压力测试自己的思考，或使用任何 “grill” 触发短语时使用。 ---

Implementation SHA-256: 10ff989e7498b23b5acb49d5048f11dcd906757d2f79c5cdf8a00001381296f2

2. Why This Skill Is Clever

一句话核心机制

grill-me 用一个仅限用户主动调用的薄入口，把高干扰的压力测试交给 grilling；后者以决策依赖树计算每轮可安全并行提问的 frontier，直到隐含假设清零并由用户确认共同理解。

触发与边界

直接来源： grill-me 的 disable-model-invocation: true 表明入口只能由用户显式启动，正文则把全部工作委托给 grilling。实现 skill 面向计划、决策或想法的压力测试，并明确规定事实由 agent 查、价值决策由用户作；用户确认共同理解之前不得行动。

支持性上下文： 仓库插件清单把两者都列为 promoted productivity skills。grill-me 是 user-invoked 入口，grilling 是可被多个流程复用的 model-invoked 原语。这些调用分类来自仓库清单与文档，不属于两份原始 SKILL.md。

解释： 这不是两个重复 skill，而是把“谁有权启动”与“如何执行”拆成独立层。

为什么它是严格的纯套壳

入口正文只有一句：

Call the Skill tool with "grilling".

它没有自己的步骤、问题格式、决策规则、停止条件或输出定义；唯一依赖 grilling 承担全部核心行为。因此它同时满足：自身无主体流程、整体委托恰好一个 skill、被委托者拥有完整机制。普通 skill 在某一步调用另一个 skill，不应据此展开依赖原文。

信息架构与执行顺序

  1. 用户显式调用 grill-me，入口把任务交给 grilling。
  2. 实现把主题建模为 design tree，标出决策间依赖。
  3. 计算当前 frontier：只纳入前置决策已确定的问题。
  4. 一轮内询问整个 frontier，每题编号并附 agent 的推荐答案。
  5. 用户回答后重塑树、解锁下游问题，并重新计算下一轮。
  6. 需要环境事实时并行查证，只阻塞依赖该事实的分支。
  7. frontier 为空后仍不行动，先由用户确认已达成共同理解。

最巧妙的设计点

1. 权限策略与执行算法分层

disable-model-invocation: true

直接来源： 高强度访谈入口禁止模型隐式触发。解释： 作者没有削弱能力，而是把启动权交给用户；高成本、高干扰流程因此保持明确的 opt-in 边界，同时实现仍可被其他受控流程复用。

2. 用依赖关系代替固定问题清单

every decision branches into the decisions that hang off it

直接来源： 问题被组织成树，而不是线性脚本。解释： 后续问题由上游答案决定，可避免过早询问、无意义分支和基于猜测的回答。

3. frontier 同时保证效率与因果顺序

Ask the whole frontier in one round

直接来源： 同轮批量询问所有当前可回答的问题。解释： 它比一次只问一题更高效，又不会像一次问完全部那样跨越尚未解决的依赖，本质上是在做最大安全并行化。

4. 推荐答案降低用户负担，但不夺走决策权

give your recommended answer

直接来源： 每题必须附建议，再等待用户回答。解释： agent 先完成自己的分析并暴露判断，用户则保留最终取舍权，避免把思考成本全部反问给用户。

5. 事实与决策的责任边界清楚

Finding facts is your job, never the user's.

直接来源： 可查证事实不得反问用户，而决策必须交给用户。解释： 这同时防止懒惰提问与越权决策，是可靠人机协作的关键分工。

6. 局部等待而非全局阻塞

only the questions downstream of it wait

直接来源： 后台事实探索只阻塞其下游分支，其余 frontier 继续。解释： 异步研究被纳入同一个依赖模型，在不破坏正确顺序的前提下提高吞吐量。

7. 完成与授权是两道独立闸门

Do not act on it until the user confirms

直接来源： frontier 为空还不等于获准行动。解释： 将“问题已经问完”和“用户认可整体理解”拆开，防止 agent 把访谈结束误当作实施授权。

防失败机制与 trade-off

源中明确的不变量： 模型不得自行启动入口；同轮问题不能相互依赖；每题给推荐答案；事实由 agent 查、决策由用户做；frontier 为空后仍需用户确认。

权衡： 设计树过大时问题数量会膨胀；frontier 由模型维护，长会话中可能遗失隐式状态；批量问题提高吞吐却增加单轮认知负担；dispatch a sub-agent 还假定运行环境支持并行代理，缺少该能力时需降级为本地查询并保持分支阻塞。

可移植性风险： disable-model-invocation 与 Skill tool 是特定 harness 的调用语义。迁移到其他系统时，应保留“显式 opt-in 入口 + 可复用实现”的策略，而不是机械复制字段名。

可迁移原则

今日实践题

假设你要决定是否把一个内部工具开放给客户：请写出第一轮 frontier 的三个互不依赖问题，并标出哪个事实应由 agent 查询、哪些决策必须由用户回答。

Evidence note

入口权限、委托关系、设计树、frontier、事实/决策边界和确认闸门来自两份所选原文；promoted 与调用分组来自仓库清单和配套文档；关于最大安全并行、吞吐量和可移植性的判断属于设计解释。

Source & provenance
Repository path
skills/productivity/grill-me/SKILL.md
Generated
2026-09-07 08:22 Asia/Shanghai
Upstream commit
3cca18b368ae95cdbdebbff572ccafa662551015
Source
View on GitHub

Source: mattpocock/skills · Original content remains under its upstream license. Translation and commentary are for personal learning.