by bydtesla1609
需求澄清与意图对齐｜Turn rough ideas into clear, checkable requirements.
# Add to your Claude Code skills
git clone https://github.com/bydtesla1609/intent-debuggerGuides for using ai agents skills like intent-debugger.
intent-debugger is an open-source ai agents skill for AI coding assistants such as Claude Code, Codex CLI, and ChatGPT, built by bydtesla1609. 需求澄清与意图对齐｜Turn rough ideas into clear, checkable requirements. It has 50 GitHub stars.
intent-debugger's catalog security scan is still queued. You can run an instant dependency and prompt-injection check now with the "Scan for vulnerabilities" button above.
Clone the repository with "git clone https://github.com/bydtesla1609/intent-debugger" and add it to your Claude Code skills directory (see the Installation section above).
intent-debugger is primarily written in Python. It is open-source under bydtesla1609 on GitHub, so you can review or fork the full source.
Yes. SkillsLLM lists many other AI Agents skills you can browse and compare side by side. Open the AI Agents category from the badge at the top of this page, or use the Related Skills and comparison links further down to weigh intent-debugger against similar tools.
No comments yet. Be the first to share your thoughts!
Unlocks once the catalog security scan passes (runs nightly).
⚠️ Third-Party Software Notice
This skill is third-party open-source software developed and hosted independently on GitHub. SkillsLLM is an informational directory and does not control or maintain the underlying repository.
Any security checks, ratings, or warnings displayed by SkillsLLM are automated and limited in scope. They do not constitute a security certification or guarantee that the software is safe, error-free, or free from malicious code, vulnerabilities, compromised dependencies, or prompt-injection risks.
Review the source code, permissions, dependencies, and configuration before installing or running any third-party skill. Use is at your own risk. To the maximum extent permitted by applicable law, SkillsLLM is not liable for losses arising from third-party software.
The deep catalog scan for this skill is still queued. Run an instant dependency check now instead.
当用户让 AI 设计一个项目或功能时，AI 可能会堆砌技术手段。对不熟悉专业术语的用户来说，这些内容看起来很专业，却很难用来判断 AI 是否真正理解了需求。若是能够从最终效果、使用方式和功能边界出发，就更易于形成一份双方都能看懂、也能逐项核对的需求理解。
从上述背景出发，我们关键的问题在于很难一次把想法说清楚：脑中已经有了大概的样子，却不知道对应的专业术语；已经尽量描述，AI 还是理解成了另一件事；双方还没核对清楚，AI 就开始设计或写代码，最后发现方向从一开始就偏了。
Intent Debugger 不要求你先学会写专业提示词。你只需要尽量说出想要的效果、使用方式、担心的问题和能想到的例子，等等。哪怕表达得绕、很别扭，它也会把这些信息整理成一份结构化、规范化的需求清单，让你判断 AI 理解的，究竟是不是你想做的。
每轮工作都会围绕三部分展开：
在用户确认需求已经对齐之前，会持续迭代这份需求清单：保留已经确认的信息，根据用户的回答进一步优化。 当用户确认需求无误、关键问题已经回答且不存在重大歧义时，Intent Debugger 的任务就结束了。它不会自动转入任何规划、设计或实现工作。
Intent Debugger 回答“到底要做什么”，Plan 回答“在具体项目里准备怎么做”。
| Intent Debugger | Plan 模式 | |
|---|---|---|
| 要回答的问题 | 到底要做什么，为什么做，边界在哪里？ | 已经确认的需求该怎么落地？ |
| 适合的输入 | 口语化想法、愿景、零散功能、互相冲突的描述 | 范围和验收标准已经清楚的任务 |
| 主要产出 | 整理后的需求、尚未解决的问题、需要用户确认的选择 | 结合现有项目形成的实施步骤、改动范围和验证办法 |
| 是否进入技术层面 | 不进入 | 可以进入 |
这里只比较两者的职责，不规定固定的使用顺序；它们可以独立使用。
如果只想获取核心 Skill，可以直接下载 intent-debugger-skill.zip。解压后会得到完整的 intent-debugger 文件夹，再按所用平台放到对应位置即可。
README 顶部的“累计下载”由仓库的完整 Clone 次数与正式 ZIP 的下载次数相加得到。它表示项目被主动获取的次数，不等同于实际安装人数或活跃用户数；查看公开统计明细。
将 skill/intent-debugger 复制到 Codex 的个人 Skill 目录：
$CODEX_HOME/skills/intent-debugger
重新加载 Skill 后，可以显式调用：
使用 $intent-debugger 帮我梳理这个想法：我想做一个帮助团队找资料的工具。
在明显属于模糊需求澄清的场景中，Codex 也可以根据 Skill 描述自动选择它。
Claude Code 支持读取 SKILL.md。将 skill/intent-debugger 复制到以下任一位置：
~/.claude/skills/intent-debugger/.claude/skills/intent-debugger/然后输入 /intent-debugger 显式调用，也可以由 Claude Code 根据 description 选择。具体说明见 Claude Code 适配指南。
DeepSeek API 没有相同的文件式 Skill 发现机制。使用 DeepSeek API 或支持 system prompt 的客户端时，将 SKILL.md 的完整内容作为首条 system 消息，再把具体想法作为 user 消息发送。具体说明见 DeepSeek 适配指南。
三个平台共用同一份核心 Skill。适配指南说明的是加载方式，不代表已经对所有客户端版本做过相同的实时效果测试。
用户原话：
我想在网页里加一个首页 / 控制面板 / 键盘这样一级一级跳过去的东西，还要能看见现在在哪一层。
Intent Debugger 会先建立原描述和专业术语之间的对应关系：
在网页中加入面包屑导航（Breadcrumb Navigation），展示用户当前所在的层级路径，并允许用户返回上级页面。
但它不会停在术语替换上，还会继续确认：哪些层级可以点击、当前页面是否可点击、路径过长时怎样显示、用户通过其他入口进入页面时路径如何生成。确认后的结果会写回同一份需求草稿。
没有仓库写入权限也可以贡献。你可以先让 Intent Debugger 把使用反馈整理成规范的改进候选，核对后通过公开 Issue 提交；已经准备好具体修改的用户，也可以 Fork 仓库并发起 Pull Request。
所有候选都由维护者公开审核，不会因为内容由 AI 整理就自动写入或合并。
仓库使用 evals/cases.md 中的场景检查 Skill 的实际行为，而不是只检查它有没有输出固定标题。
本项目采用 MIT License 开源。