Ambitious Prompt · 进阶提示词设计

GitHub · MIT · Standard Agent Skills format

Install with the open skills CLI:

npx skills add sonwe1e/ambitious-prompt --skill ambitious-prompt

For DeepSeek Harness, the same skill is also available as a native skill-provider bundle. In DSH's Plugins page, install https://github.com/sonwe1e/ambitious-prompt.git#v0.1.0. The bundle adds its own skill provider without enabling the optional global default mode. It declares compatibility with DSH 0.2.1-rc.2, the tested preview host. If an existing user-level copy has the same name, DSH's provider priority chooses the winning entry; check the loaded source path instead of assuming the new bundle took precedence. See DSH's official skill provider.

The community DSH market index lists this bundle and Flow Next, a companion native DSH mode. Agent Skill installation and DSH bundle installation are two distribution options for this same skill; neither automatically changes another user's global instructions.

从用户的零散表达推断可能的真实意图，用专业判断重构目标、工作主线与跨领域方法，再通过少量讨论形成更有雄心、可执行的提示词。用户不必预先知道自己应该做什么。默认中文，也会跟随用户的语言偏好。

A portable Agent Skill that infers intent, contributes domain expertise, and develops ambitious prompts across altitude, depth, and range. Works with Codex, Claude Code, DeepSeek Harness, OpenCode, ZCode, and the China and international editions of WorkBuddy. The skill itself needs no additional runtime or API key; the optional installer uses Python 3.9+.

它怎样工作

• 先根据用户的线索提出有实质差异的任务理解，解释推荐，而非等待用户自己定义完整需求。
• 提炼能改变设计的机制、依赖、瓶颈或权衡，让专业判断影响目标、顺序、分支与停止条件，减少执行模型需要重新摸索的关键决策。
• 高度：判断眼前交付物服务于什么结果，并据此改变主线与内容取舍。
• 深度：补上专业人士会做的判断，依据可比证据设定挑战目标，区分硬要求、候选阈值与诊断统计，不用未经校准的数字冒充质量标准。
• 广度：主动引入结果成立所需的相关方法，将内容、教学、视觉或其他专业贡献整合进同一方案。
• 通过具体提案帮助用户形成偏好；产品目的与体验取舍由用户选择或明确委托，专业实现由模型判断，已有选择不重复询问。
• 按本轮意图交付判断、方向建议、提示词或实际成果，让专业认识改变目标、方法和结果。

复杂任务将执行决策与支撑资料分层：主干说明为何这样做、关键前提、何时转向或结束；详细契约、历史背景与必要检查各保留一次，并保持约束力。若撤去专业判断后计划完全不变，就需要重新设计，而不是继续加长清单。已可靠的前提可以沿用，明确的小任务保留原范围，不强行套用审计或工程流程。

证据强弱直接影响行动：历史观察限定适用范围，专业解释保持可检验，未确定的方向保持有条件。模拟策略可能制造观察结果，不能直接代表真实使用；核心能力未验证，也不能靠展示“未知”算作完成。有依据时明确提出进取目标，缺少数值依据时提供具体结果与范围有限的校准路径，保持任务可推进。

例如，“做一篇论文的 PPT”可能服务于方法讲解、专题入门或研究判断。确定适合的目标后，将机制例子、证据比较、教学顺序和视觉层级一起设计。又如推理加速，要利用基准与瓶颈判断提出有依据的进取目标，而不是把“想快多少”交给用户决定。

安装

下载或克隆本仓库，在仓库根目录运行：

python scripts/install.py --agents all --dry-run
python scripts/install.py --agents all

也可只安装到选定工具：

python scripts/install.py --agents claude dsh opencode zcode
python scripts/install.py --agents workbuddy workbuddy-intl

macOS/Linux 如果只有 python3，将以上 python 替换为 python3。没有 Python 时，可以把 skills/ambitious-prompt/ 整个目录复制到下表中的 skills 根目录，并将根目录的 LICENSE 和 NOTICE.md 一起放入复制后的技能目录。

Agent	默认用户级技能目录	调用方式
Codex	~/.agents/skills/ambitious-prompt/	$ambitious-prompt
Claude Code	~/.claude/skills/ambitious-prompt/	/ambitious-prompt
DeepSeek Harness / dsh	~/.dsh/skills/ambitious-prompt/	/ambitious-prompt
OpenCode	~/.config/opencode/skills/ambitious-prompt/	自然语言要求加载 ambitious-prompt skill
ZCode	~/.zcode/skills/ambitious-prompt/	$ambitious-prompt
WorkBuddy 国内版	~/.workbuddy/skills/ambitious-prompt/	自然语言要求加载 ambitious-prompt skill
WorkBuddy 海外版 / WorkBuddyAI	~/.workbuddy-ai/skills/ambitious-prompt/	自然语言要求加载 ambitious-prompt skill

~ 表示当前用户的主目录，Windows 通常是 %USERPROFILE%。这里的 Claude 指本机 Claude Code；云端 Claude/Cowork 不会自动读取本机安装目录。

安装器遵循 CODEX_HOME、CLAUDE_CONFIG_DIR、DSH_HOME、OPENCODE_CONFIG_DIR 和 XDG_CONFIG_HOME 的对应路径覆盖。若已存在旧版 Codex 安装 ~/.codex/skills/ambitious-prompt/，会保留该位置，避免再安装一个同名副本。可用 --home PATH 指定隔离的用户目录，此时忽略环境变量覆盖。

WorkBuddy 两版使用各自默认目录，安装器不会将通用 WORKBUDDY_CONFIG_DIR 同时应用到两版，以免覆盖另一版。自定义数据目录的用户应将技能复制到实际配置目录下的 skills/。这两个路径已核对本机 Windows 国内版 5.8.3、海外版 5.8.4 的实现；其他版本或平台应先确认实际目录。

安装器复制技能和许可文件；不会修改 agent 配置，也不会启动模型。重复安装相同文件不会改写它们。发现同名文件内容不同时会在写入前停止；升级时先自行备份并移走旧的 ambitious-prompt 目录，再重新安装。各安装目录是副本，后续更改源码不会自动同步。

开始使用

显式调用 skill 指定方法，最终交付仍由本轮请求决定：评议交付判断与依据，探索交付有取舍的推荐和必要讨论，提示词编写交付自包含提示词，执行请求交付实际成果。“先评议再修改”会完成两者，普通问答和只要计划的请求也保持各自范围。提到或引用一份执行提示词不等于要求实际执行。

用户启用默认执行模式后，这四类请求都会先在内部完善理解，再直接交付相应结果；不要求展示优化稿，也不增加一次模型调用。简单任务直接给结果和必要下一步，不默认附冗长验收报告；必要检查仍完成，复杂失败和用户要求的交接细节仍保留。

要跨项目默认启用，将 默认启动规则模板 中的 {{SKILL_PATH}} 替换为本机该 agent 的 ambitious-prompt/SKILL.md 绝对路径，再将整个标记区块合并进对应用户级指令入口，保留原有规则：

Agent	用户级启动指令
Codex	~/.codex/AGENTS.md，自定义 CODEX_HOME 时使用对应目录
Claude Code	~/.claude/CLAUDE.md，自定义配置目录时使用对应目录
dsh	$DSH_HOME/AGENTS.md，未设置时为 ~/.dsh/AGENTS.md
OpenCode	~/.config/opencode/AGENTS.md，自定义配置目录时使用对应目录
ZCode	~/.zcode/AGENTS.md
WorkBuddy 国内版	个性化设置的自定义提示词；本机存于 ~/.workbuddy/app/app-config.json 的 personalization.customPrompt
WorkBuddy 海外版 / WorkBuddyAI	个性化设置的自定义提示词；本机存于 ~/.workbuddy-ai/app/app-config.json 的 personalization.customPrompt

WorkBuddy 使用产品已有的个性化入口，不依赖未经验证的全局 AGENTS.md 路径。优先从设置界面合并规则。若直接编辑配置文件，先备份，保留其他键和已有提示词，再重启客户端并新建任务：上述版本的个性化收集器从内存配置读取，磁盘写入本身不能证明热加载。技能已发现、默认规则已配置与某个会话实际采用规则应分别验证。

这是用户可选的持久偏好；scripts/install.py 只安装技能，不替其他用户自动启用。需要关闭时删除两个 ambitious-prompt-default 标记之间的整个区块，保留文件其余内容。本轮说“只优化提示词”或“这次按原话做”即可临时覆盖。

启动指令与 skill 内容的刷新机制不同，文件写入不证明旧会话已重新加载。新会话按各客户端配置读取；已有会话可明确要求重新读取对应启动文件和 skill，必要时按客户端说明刷新。加载机制参考：Codex、Claude Code、dsh、OpenCode、ZCode。

Claude Code / dsh：

/ambitious-prompt 我想做一个论文分享，但还没想清楚该讲到什么程度。请根据我的情况提出更好的任务方案，再帮我形成提示词。

Codex / ZCode：

$ambitious-prompt 我想用 AI 改善每周做报告的过程。请从我的表达推断目标，用专业知识提出我没想到的改进，再形成提示词。

OpenCode 或支持自然语言加载技能的其他 agent：

请加载 ambitious-prompt skill，用专业知识从高度、深度和广度帮我重新设计这个任务，再生成提示词：……

Claude Code 中如果刚创建了顶层 skills 目录，可运行 /reload-skills 或重新开始会话；ZCode 中在 Settings → Skills 点击 Refresh 并确认启用。其他工具可新建会话后查看技能列表。若不能发现技能，检查自定义安装目录和该工具的 skill 加载功能是否启用。

兼容性与验证边界

核心只有标准 YAML frontmatter、Markdown 指令和相对引用。agents/openai.yaml 是 Codex 的可选界面元数据，其他 agent 无需使用它。skill 不要求特定提问工具；没有结构化提问工具时，直接通过对话提问。

安装路径和调用方式依据以下官方资料核对；具体加载行为仍取决于已安装版本及配置。通过文件校验不等于已在每个模型中完成多轮效果测试。

• Codex：Build skills
• Claude Code：Extend Claude with skills
• DSH：Filesystem skill provider
• DSH：Skill invocation
• OpenCode：Agent Skills
• ZCode：Skill
• WorkBuddy：技能安装与管理；具体目录与个性化配置另按上述本机版本核对，未据此宣称所有旧会话已热加载。

维护与测试

编辑 skills/ambitious-prompt/SKILL.md 维护核心指令；交互示例在 skills/ambitious-prompt/references/dialogue-examples.md，目标校准方法在同目录的 expert-calibration.md。新增的 任务组织示例 展示专业判断如何重组软件收尾、反馈分析与创作任务。不需要将用户的真实对话、材料、凭据或 agent 配置加入本仓库。

python -m unittest discover -s tests -v

测试覆盖安装、重复运行、冲突保护、只预览不写入、自定义路径，以及 WorkBuddy 两版目录隔离和已有设置保留，不运行任何 agent 或消耗模型额度。

效果评估见 行为评估案例，需要观察真实对话和最终提示词。文件结构校验、安装测试或人工编写示例不能证明模型在这些案例上已经通过；执行评估时应保留具体输出与判断依据。

来源与许可证

方法框架受 Felix Rieseberg 的 How to be more ambitious: A tutorial for humans with models 启发。本项目独立编写访谈流程和示例，未收录原文全文或配图。

项目采用 MIT License。具体出处和第三方内容范围见 NOTICE.md。