Leader.skill与目标七问：AI任务高效执行指南

最近在和AI智能体的协作实践中，我逐渐意识到一个关键痛点：当Agent可以脱离人类全程值守，独立运行数小时甚至数天时，模糊不清的需求定义会带来极其严重的资源浪费。为此我利用周末时间打磨了一款自用工具Skill，今天将它完全开源分享——这就是Leader.skill。

这款工具的核心作用非常明确：把我们脑海里那些模模糊糊、连自己都没完全梳理清楚的需求，转化成一份足够清晰的目标任务书，让拿到任务的Agent可以直接通过目标模式或/goal指令独立执行，并且保障最终完成质量。

之所以开发这个工具，源于我对当前AI交互范式变化的观察：从最早期的单轮对话聊天模式，到后来的单任务执行模式，再到如今的目标制协作模式。现在主流的AI工具都已经支持/goal目标模式，Agent可以自主拆分任务、调用工具、重试纠错，不需要人类反复介入，只需要最终验收结果。但这种模式的前提是，我们给出的目标必须足够精准明确。

之前我就吃过不少亏：当Agent可以整夜独立运行后，一次因为目标定义模糊，导致它沿着错误方向执行了8小时，最终一天浪费了20亿Token。这让我明白，长程任务中，目标定义的准确性直接决定了协作效率，而很多时候问题恰恰出在我们自己没能把需求说清楚。

相比Loop Engineering，我更愿意称这个方向为Goal Engineering。一个完整的目标，不仅包含明确的执行方向，更重要的是包含约束规则。经过两周的思考和调研，我总结出了两个核心认知：

第一，目标的本质是指挥官意图。这个概念来自军事传统，核心是告诉执行者“为什么做”以及“完成后应该达到的状态”，而非具体的执行步骤。就像如果只说“过桥清扫高地”，如果桥被炸了部队就会陷入困境；但如果说“掐断敌方补给线”，部队就可以自主选择合适的路线完成目标。给Agent定义目标也是同样的道理，明确意图比死板的指令更灵活有效。

第二，约束规则比目标本身更重要。很多普通人定义目标只会写下“想要什么”，而真正的高手会先思考“达成目标最偷懒的捷径是什么”，然后把这些偷懒路径全部堵死，剩下的才是真正的目标。比如肯尼迪1961年的登月宣言，关键不在于“登月”二字，而在于后半句“将人类送上月球并安全返回地球”，正是“安全返回”直接排除了“单程票”这种最省钱但毫无意义的解法。芒格也曾说过“我只想知道自己会死在哪里，这样就永远不去那里”，本质也是通过排除法明确行动边界。

基于这两个核心认知，我总结出了一套适配AI Agent的「目标七问」方法论，用出海打比方会更容易理解：把交给Agent的任务比作派一艘船出海，你无法干涉船在海上的具体操作，只能提前明确以下七个关键问题：

1. 目的（Why）：我们为什么要执行这个任务？是寻找资源、探索新航线还是完成作战目标？如果不明确目的，Agent在遇到岔路口时就会不知所措。

2. 完成态（Done）：任务结束时需要呈现什么样的结果？比如出海不能只说“转一圈回来”，而是要明确“带回三船香料”，而且这个标准要具体到可以直接验证的程度。

3. 证据（Proof）：如何确认任务已经完成？谁来验收成果，用什么标准验证？不能只听执行者的口头汇报，需要具体的核验方式。

4. 反作弊（Anti）：明确禁止的偷懒路径。比如要求带回香料，就不能允许通过劫持商船凑数的方式完成指标，必须把这类投机行为提前写清楚。

5. 边界（Bounds）：划定执行的范围和限制。比如只能使用指定航线，资源消耗的上限，超时后的处理规则等，避免Agent超出可控范围行动。

6. 取舍（Trade）：明确冲突情况下的优先级。比如遇到风暴时，是优先保护货物还是保护船只？如果没有提前约定优先级，执行者只能盲目猜测，很容易导致任务失败。

7. 未知（Unknown）：如何应对未预见的情况。比如遇到海图上没有标注的海域，应该记录后绕行而非硬闯或停滞，提前明确处理原则可以避免Agent陷入死循环。

这七个问题就是定义目标时必须覆盖的核心内容，也是Leader.skill的核心心法。接下来我用一个实际案例来展示具体的使用流程：

假设我提出了一个非常模糊的需求：“重构后台系统，我觉得现在的后台不符合我的预期，看起来很乱，数据不可信，而且运行卡顿”。任何执行者看到这样的需求都会一头雾水，这时候Leader.skill就可以派上用场了。

首先选择适合做规划的模型，将模糊需求输入后，Leader.skill会先自动调研当前的代码库和行业最优方案，完成基础的信息收集。之后它会提出最多5个需要我确认的细节问题，比如“你觉得后台具体哪里看不懂？”“对于卡顿问题，你希望优先优化加载速度还是资源占用？”等，这些问题都是为了明确需求细节。

完成这一步后，Leader.skill会基于「目标七问」方法论，自动生成一份完整的目标任务书，内容包含目标定义、执行边界、验收标准、约束规则等全部细节，整个过程大概需要12分钟左右。

拿到这份清晰的目标任务书后，我们就可以交给专业的执行模型来完成具体工作了。比如可以在Claude中新建会话，开启worktree和/goal模式，将任务书粘贴进去，使用高性能执行模型启动；如果是其他平台用户，也可以在对应工具的目标模式下粘贴任务书完成执行。

我个人的常用组合是用专业规划模型完成目标规划，再用高效执行模型进行长程执行，这种搭配既能最大化利用规划模型的优势，又能通过执行模型降低成本，同时保障项目推进效率。如果使用国产模型，也可以选择合适的规划和执行组合，单模型也可以独立完成全流程，核心还是通过Leader.skill先把目标定义清楚。

最后，这款Skill已经完全开源，仓库地址为：https://github.com/KKKKhazix/khazix-skills/tree/main/leader

安装使用也非常简单：只需要将代码放到你的Skill目录中，或者直接将链接提供给Agent完成安装，之后在对话中提出你的需求，就可以自动触发Leader.skill，生成完整的目标任务书。

我还发现这款工具不止可以用于软件开发场景，在公司管理、市场策划、运营方案制定等场景中，只要提供足够的上下文，都可以用它来明确目标，效果非常不错。大家也可以尝试拓展更多使用场景，说不定会有更多惊喜的用法。

希望这个工具能帮到大家，让AI Agent的协作更加高效顺畅。