Draft Reader-Tested Documentation(协作文档构建) Skill 技能

## 技能简介 Draft Reader-Tested Documentation 是由 ZhanlinCui 开发的

技能简介

Draft Reader-Tested Documentation 是由 ZhanlinCui 开发的一款专注于文档协作质量的 Skill,目标用户是需要在 AI 辅助下完成高质量技术文档的开发者与写作者。

大多数技术文档失败的根本原因在于:读者缺乏作者已有的上下文语境。当作者凭经验撰写文档时,关键假设和背景知识往往被默认省略,导致文档可读性差、关键决策无法追溯。

本 Skill 提供了完整的文档构建工作流,从上下文收集、章节结构设计、内容起草、迭代修改到读者测试,覆盖一份文档从零到可发布的全生命周期。


核心能力

  • 上下文收集引导:通过结构化问题清单,引导用户补充项目背景、技术约束、trade-off 决策和目标读者画像,确保文档具备完整的前置知识。
  • 章节结构设计:基于收集到的上下文,自动建议最优文档结构,包括技术规格文档、决策提案、产品需求文档等常见文档模板。
  • 分节起草与迭代:支持逐节起草和定向修改,可以针对单个章节保留要点列表、删除冗余内容、调整文风。
  • 读者测试:利用子 Agent 或独立的 Claude 对话,以目标读者身份验证文档可读性,预测读者问题并定位歧义段落。
  • 质量审查清单:自动检查文档逻辑流、重复内容、内部矛盾和泛化填充语,确保内容具备实质证据而非空泛表述。
  • 多场景适用:技术规格文档、决策记录、架构说明、产品提案等多种文档类型均可复用同一工作流。

安装配置

环境要求

  • Node.js 16 及以上版本
  • 支持 Claude Desktop、Claude Code 或 Codex 系列工具

安装步骤

方式一:通过 skillstore 命令行安装(推荐)

npx skillstore add zhanlincui/doc-coauthoring

方式二:手动克隆仓库安装

git clone https://github.com/ZhanlinCui/Ultimate-Agent-Skills-Collection
cd Ultimate-Agent-Skills-Collection/doc-coauthoring
# 按工具文档将 skill 添加至项目或全局配置

验证安装

安装完成后,在支持工具中输入以下提示词,确认 Skill 被正确加载:

Help me write a technical spec for my project. Ask me the context questions needed before drafting.

使用步骤

第一步:上下文收集

向用户提出结构化问题,覆盖以下维度:

  • 项目目标与核心功能
  • 目标读者是谁,他们已知什么
  • 技术约束与已排除的方案
  • 相关利益方及决策记录

第二步:设计文档结构

根据上下文信息,建议最佳章节顺序和层级,可选模板包括技术规格、RFC 提案、架构说明等。

第三步:分节起草

逐节起草内容,每节完成后回顾用户确认,再进入下一节,避免返工。

第四步:读者测试

以目标读者身份模拟阅读,预测潜在问题,定位歧义或信息缺失段落。

第五步:质量审查与定稿

检查逻辑流、重复内容、内部矛盾和泛化填充语,修改后形成最终版本。


适用场景

  • 技术规格文档(Technical Spec):将架构决策、技术约束和 trade-off 转化为工程师可审查的结构化文档。
  • 架构决策记录(ADR):在多个备选方案之间记录决策过程、推理依据和预期影响,供团队日后追溯。
  • 产品提案与需求文档:从原始业务上下文出发构建有说服力的提案文档,并在发布前验证目标读者是否理解。
  • 内部知识库与 SOP 文档:将专家经验转化为可操作的标准化流程,确保不同背景的读者均能正确执行。
  • 外部技术博客与教程:基于实际项目上下文编写有深度、非泛化的技术教程,提升读者信任度。

适用人群

  • 后端/全栈工程师:需要撰写技术规格、API 文档或架构说明的开发团队成员。
  • 技术写作者与文档工程师:负责将技术决策和实现细节转化为可读文档的专业人员。
  • 产品经理与项目经理:需要撰写决策提案、技术可行性说明或项目启动文档的相关人员。
  • 技术团队负责人:需要建立团队文档规范、推动知识沉淀和决策可视化的管理者。

工作原理

本 Skill 本质上是一组结构化提示词模板,定义了从上下文收集到读者测试的完整工作流程。

当用户在支持工具中触发 Skill 时,AI 助手会按顺序执行以下操作:

  1. 通过提问收集项目上下文(背景、约束、读者画像)
  2. 基于上下文推荐文档结构与章节顺序
  3. 逐节起草内容,每次修改基于用户反馈进行定向调整
  4. 调用读者测试流程,预测目标读者的问题和歧义点
  5. 执行质量审查,检查逻辑、重复、矛盾和填充语问题

Skill 文件(SKILL.md)包含完整的提示词模板、元数据和最佳实践建议,可被 Claude、Codex 和 Claude Code 直接解析使用,无需额外的依赖或运行环境。


官方链接

团队信息

由 AI 猎手自动发现

评论与建议

0 条评论