Token导航 LogoToken导航

Agent Skill · 效率

art-of-questioning(提问的艺术)

art-of-questioning 用于补充效率相关能力,适合在 OpenClaw 中需要让 Agent 承接效率相关任务时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态,以及是否会触发联网、命令执行或文件读写。

art-of-questioning 是效率类 Agent Skill,可用宿主为 OpenClaw,通过ClawHub获取,权限为只读;许可证为 MIT-0,第三方扫描已通过,按安装量在效率类的 21,003 个 Skill 里排第 11,803。

总安装 4,416周安装 184GitHub Stars 公开资料未说明下载 1,472核验 2026-05-01

安装说明

本站只整理中文说明,不托管安装包,也不代用户安装。
GitHub
许可证
MIT-0
版本
1.1.0

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手,先确认命令和权限,再让它执行。

请帮我安装这个 Agent Skill:art-of-questioning(提问的艺术)
来源仓库:https://github.com/fangshan101-coder/art-of-questioning
安装命令:
openclaw skills install art-of-questioning
安装前请先检查当前环境是否支持对应 CLI,并向我确认将要执行的命令、安装目录、联网范围和文件读写权限;确认后再执行。

命令行安装

复制命令到本机终端执行。该命令会通过 OpenClaw 从第三方来源获取 Skill;本站只展示命令,不托管安装包,也不自动执行。

ClawHubOpenClaw
openclaw skills install art-of-questioning

这个 Skill 是做什么的

效率类 Skill 把重复的整理、汇总、转换工作交给助手完成,减少手工复制粘贴。

培养深度提问能力的双模式技能训练工具。art-of-questioning 属于效率类 Skill,可作为该场景下的辅助能力补充。实战模式自动生成跨学科高质量问题清单。训练模式提供仿真场景下的提问技巧教学。安装命令:openclaw skills install art-of-questioning。

支持定时任务触发,便于周期性练习巩固。

上手步骤

4 步
  1. 1

    确认自己的宿主工具

    公开资料标注支持 OpenClaw;先确认自己用的是其中之一,再按对应工具的 Skills 目录放置。

  2. 2

    拿到安装命令

    可以直接复制的命令是 openclaw skills install art-of-questioning;命令里的占位符换成自己的路径或密钥再执行。

  3. 3

    安装后重启宿主

    命令执行完要完全退出宿主工具再打开,让新装的 Skill 被重新扫描到,否则列表里可能看不到。

  4. 4

    按最小权限试用

    它标注为只读,先用只读任务试一次,确认行为符合预期再扩大使用范围。

常见问题

6 条

art-of-questioning 怎么安装?

在终端执行 openclaw skills install art-of-questioning。装完完全退出宿主工具再打开,让它重新扫描本地 Skill。

art-of-questioning 支持哪些 AI 工具?

公开资料标注支持 OpenClaw。其他工具只要能读取本地 Skill 目录,一般也能手动放进去,但要自己确认触发方式是否一致。

art-of-questioning 需要什么权限?

权限级别是只读。该 Skill 主要提供规则、说明或参考内容,本身偏只读;真正读写文件、联网或执行命令仍取决于宿主 Agent 的任务。

art-of-questioning 是免费的吗?

来源标注的许可证是 MIT-0。本站不代收任何费用,也不托管安装包;能否商用、要不要署名,以许可证原文为准。

art-of-questioning 用的人多吗?

公开数据是累计安装 4,416 次,近一周安装 184 次,下载 1,472 次。这些数字来自第三方目录统计,只能当作热度参考,不代表质量或安全性。

art-of-questioning 安全吗?

第三方扫描结果为通过,但这只覆盖已知的静态检查项,不能替代自己读一遍源码和安装命令。

值得选的地方和要先想清楚的地方

值得选的地方

  • 专注 OpenClaw 一种宿主,触发方式和使用习惯不用来回切换。
  • 许可证明确为 MIT-0,商用和分发边界好判断。
  • 第三方扫描已通过,常见的高风险行为没有命中。
  • 标注为只读权限,试用阶段不容易误改本地文件。

先想清楚的地方

  • 第三方目录整理,版本更新和行为细节以来源仓库为准。

适不适合你

更适合

  • 已经在用 OpenClaw,想直接扩展它能力的人。
  • 需要处理效率类任务、又不想每次都手写提示词的人。
  • 需要许可证清楚、并且有第三方扫描结果的团队项目。

不太适合

  • 需要厂商级技术支持和 SLA 的生产系统。

效率类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
github

GitHub 代码协作 · OpenClaw

7,632,918545需要联网MIT-0通过
nano-pdf

Nano PDF 文档 · OpenClaw

4,249,476231需要联网MIT-0通过
auto-updater

自动更新程序 · OpenClaw

2,964,063386操作浏览器MIT-0通过
video-frames

视频帧 · OpenClaw

2,621,304112需要联网MIT-0通过
gemini

Gemini 助手 · OpenClaw

2,547,39648需要联网MIT-0有提醒
art-of-questioning

提问的艺术 · 本页

4,416—只读MIT-0通过

按安装量取同分类前几名;数字来自第三方目录统计,只作热度参考,不代表质量结论。

SKILL.md 原文

name
art-of-questioning
description
|-
metadata
author
eamanc
version
1.1.0
tags

提问的艺术(Art of Questioning)

培养洞察力和深度提问能力。不教写 prompt,而是训练人提出能穿透表面的高质量问题。

AI 的上限 = 你问题的上限。未来最贵的人不是答案最多的人,而是问题最好的人。

不适用场景

以下需求请勿使用本 Skill:

  • 编写 AI prompt / 提示词优化 → 本 Skill 训练的是人的提问能力,不是 prompt 工程
  • 生成面试题 / FAQ → 那是内容创作,不是洞察训练
  • 客服话术 / 销售话术设计 → 那些是沟通技巧,不涉及认知深度

两个模式

模式一:实战辅助

用户描述正在学习/听/读的内容 → 分析内容类型 → 自适应匹配提问策略 → 推演 5 个关键环节 → 每个环节生成一个最佳问题。

触发方式:用户描述内容即自动进入实战模式。

典型输入:

  • "我在听一个创始人讲他从 SaaS 转向 AI Agent 的经历"
  • "我在学 Rust 的所有权模型"
  • "我在读一篇关于注意力机制的论文"
  • 也可以直接粘贴一段完整文本

模式二:每日训练

构造仿真场景 → 分 5 个环节 → 每个环节教学讲解最佳提问方式。

触发方式:

  • 用户说"提问训练"、"来一个提问练习"
  • 用户指定领域:"给我一个产品发布的提问训练场景"
  • 定时任务自动触发(不指定领域时,从场景库中自动选择)

实战模式:执行流程

Step 1:分析内容类型

根据用户输入,识别内容类型并匹配提问策略:

内容类型识别信号匹配的提问策略组
技术/工程编程语言、框架、架构、算法、论文第一性原理拆解 + 5 Whys + 边界条件探查
商业/创业创始人、融资、产品、市场、增长、转型假设探查 + JTBD + 预验尸 + 动机追问
个人成长/方法论习惯、思维模型、效率、职业发展元认知反思 + 成长型思维转换 + 适用边界
学术/科研论文、实验、数据、理论、模型证据探查 + 可证伪性检验 + 方法论审视
产品/设计用户体验、功能设计、需求、交互HMW + 用户视角转换 + Mom Test
人物/访谈某人讲述经历、对话、演讲、播客动机追问 + 叙事解构 + 反事实推理
行业/趋势行业分析、趋势预测、市场变化假设探查 + 红队思维 + 历史类比

如果内容跨多个类型,组合对应策略。

方法论详情:见 references/methodology-library.md

Step 2:推演 5 个关键环节

根据内容描述,推演出 5 个关键环节:

  • 覆盖核心脉络(背景/起因 → 核心主张/方法 → 关键转折/决策 → 证据/结果 → 启示/推广性)
  • 优先选择"表面看起来理所当然但深挖后有洞察"的环节
  • 跳过纯信息性环节,聚焦有认知价值的环节

Step 3:为每个环节生成最佳问题

每个环节产出以下结构:

### 环节 N:[环节名称]

**[场景描述]**:一句话描述这个环节可能的内容

---

📌 **最佳问题**:[问题]
🔬 **方法论**:[使用了什么提问方法论]
⚠️ **不问会错过**:[如果不问这个问题,你会错过什么洞察]

<details>
<summary>展开:普通 vs 专家对比</summary>

**普通人会问**:
[问题] —— [为什么这个问题价值低]

**专家会问**:
[问题] —— [为什么这个问题能挖出更深的洞察]

**完整推理链**:
[解释为什么专家的问题更好,背后的认知逻辑是什么,
这个问题能揭示什么被"理所当然"遮蔽的真相]

</details>

Step 4:总结提问策略

在 5 个环节之后,总结:

  • 本次使用了哪些提问方法论的组合
  • 这些问题之间的内在逻辑(从浅到深的追问链,非随机 5 个问题)
  • 带走一句话:本次内容中最值得反复思考的一个核心问题

训练模式:执行流程

Step 1:选择场景

用户指定领域 → 在该领域内构造具体场景。

未指定(定时触发或"随机来一个")→ 从场景库轮换:

场景类别示例场景
创业/商业创始人讲 pivot 经历、投资人解释投资逻辑、PM 复盘失败上线
技术/工程架构师解释技术选型、开源作者讲设计哲学、工程师复盘线上事故
学术/研究研究者介绍新发现、教授讲反直觉理论、数据科学家展示实验结果
个人成长职业转型经历、作者讲写书过程、高管分享管理哲学
产品/设计设计师讲用户研究发现、PM 解释砍功能决策、增长团队复盘实验
社会/文化记者调查社会现象、经济学家解释政策影响、历史学家重新解读事件

Step 2:构造仿真场景

用 2-3 段话描述具体且真实感强的场景:

  • 谁在什么场合讲什么
  • 核心主张或故事线
  • 故意埋入 3-5 个"表面合理但深挖后有洞察"的细节

Step 3:分环节教学讲解

将场景分为 5 个环节,使用与实战模式相同的产出格式(速览区 + 展开区)。

Step 4:教学总结

增加教学复盘:

  • 本次训练覆盖了哪些提问方法论
  • 这些方法论之间的组合逻辑
  • "如果你在现实中遇到类似场景,记住这个提问模式:[一句话总结]"

问题层次意识

生成问题时,始终注意认知层次,优先生成高层次问题:

层次类型价值示例
L1事实确认低"他什么时候创业的?"
L2原因追问中"他为什么选择这个时机?"
L3假设探查高"他的决策隐含了什么假设?如果不成立呢?"
L4系统洞察很高"这个决策模式揭示了什么关于创业者认知的规律?"
L5元反思最高"我们为什么觉得这个故事有说服力?判断受了什么影响?"

规则:5 个问题中,至少 3 个在 L3 及以上。L1-L2 仅在建立事实基础时使用。


产出质量标准

每个问题必须满足:

  1. 不是搜索引擎能直接回答的
  2. 能揭示被"理所当然"遮蔽的东西 — 让人停下来想"我确实没想过这个"
  3. 有明确认知价值 — 回答后对事物理解发生质变
  4. 具体而非笼统 — "你的 SaaS 转型前三个月 MRR 增速是多少"比"你觉得 AI 怎么样"有穿透力
  5. 每个问题标注方法论 — 建立提问的元认知

输入不足时的处理

当用户输入过于模糊(如"帮我提几个问题",无任何内容描述):

  1. 不要猜测内容,而是追问一个具体问题:

- "你正在学习/听/读什么内容?给我一句话描述或直接粘贴一段文本。"

  1. 如果用户连续两次仍无法提供具体内容,自动切换到训练模式,构造一个场景供用户练习。

语气与风格

  • 使用中文
  • 问题锋利、具体、有穿透力
  • 解释清晰直接,不要学术腔
  • "普通人会问"和"专家会问"的对比要形成鲜明反差
  • 推理链要让人读完有"原来如此"的感觉

内容类型 → 方法论路由表

内容类型主方法论(必用)辅方法论(按需)
技术/工程第一性原理 + 边界条件探查5 Whys、类比迁移
商业/创业假设探查 + 动机追问JTBD、预验尸、叙事解构
个人成长元认知反思 + 边界条件探查反事实推理、时间透视
学术/科研证据探查 + 假设探查边界条件、反事实推理
产品/设计JTBD + HMW用户视角转换、Mom Test
人物/访谈动机追问 + 叙事解构假设探查、反事实推理
行业/趋势假设探查 + 红队思维历史类比、时间透视

各方法论详细说明:见 references/methodology-library.md

平台分布

OpenClaw

94.67%
按下载量换算1,394

安全审计

VirusTotal

通过

ClawScan

通过

Static analysis

通过

权限和风险

只读

该 Skill 主要提供规则、说明或参考内容,本身偏只读;真正读写文件、联网或执行命令仍取决于宿主 Agent 的任务。

安装前确认

本站仅展示第三方公开信息,不托管安装包,不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。目前只有一个公开来源,建议同时核对源仓库。

继续浏览同类 Skills