Grill me 在英语中意为“请彻底追问我的想法”。你可以想象面试官不放过模糊的答案，而是不断追问：“你为什么这么决定？”，“依据是什么？”，“如果这个选择错了，接下来的决定会如何改变？”
当前环境中安装的实际技能名称是 grilling。grill-me 是人们请求此操作时易于使用的表达，而 grilling 是执行该请求的本地技能的名称。名称不同，但目的相同：让AI通过提问揭示计划中的空白和薄弱依据，而不是草率同意或立即实施。
这项技能的重点不在于其严厉的语气。核心在于将决策整理成树状结构，分轮次只提出当前可回答的问题，明确每个建议的依据级别，并在达成共识之前锁定执行。
复杂而薄弱的计划通过提问、依据确认和反驳审查，转化为坚实的决策结构。此图片是为本文新生成的。
为什么仅仅说“帮我审查一下”是不够的？
当你问AI“这个计划怎么样？”时，它通常会列出优缺点，然后提出一个平庸的改进方案。这对于简短的审查来说可能足够，但对于重要的设计、采购、迁移或运营决策来说，可能存在风险。
第一个问题是AI可能会悄悄地填补尚未确定的前提。如果用户只说“我要建立一个内部AI平台”，而AI任意假设了云、语言、预算、个人信息范围和运营人员，那么后续的建议可能会显得流畅但却偏离目标。
第二个问题是同时混淆多个问题。在选择存储之前需要确定数据保留期限，但如果将这两个决策在同一轮中提出，或者直接推荐产品，那么前面答案的改变将动摇所有后续决策。
第三个问题是将“常用方法”说成“官方标准”。官方规范、供应商文档、事实上的行业标准、常见模式和项目偏好是不同的依据。如果不加以区分，一个方便的选择可能会固化为必须遵守的规则。
Grill-me 技能通过问题顺序、依据标记和执行锁定来解决这三个问题。
核心结构1：将计划转化为决策树
该技能将计划视为一个Design Tree，即决策树，而非扁平的清单。它将只有在较大决策确定后才能回答的子决策连接起来。
例如，如果计划是“将LLM服务部署到生产环境”，那么最顶层包括目标用户、处理的数据和成功标准。只有确定了这些前提，才能决定模型托管方式、安全边界和预算。只有在托管方式确定后，才能选择具体的部署结构和故障应对方案。
在这里，Frontier 是当前所有前提都已解决，现在可以提出的问题的边界。尚未解决上层决策的子问题将推迟到下一轮。这不是减少提问，而是按照答案实际有意义的顺序提问。
图：Design Tree 和 Frontier，每次确定上层决策时都会打开下一组问题 · 基于本地 grilling 技能规则重构
核心结构2：在一轮中提出所有当前可回答的问题
Grill-me 不会无休止地一个接一个地抛出问题。它将共享相同前置条件且当前可回答的问题归为一轮。每个问题都附带AI的推荐答案。
格式很简单：
❓ Q1 - 성공 기준: 이 프로젝트가 성공했다고 판단할 수치는 무엇인가요?
➡️ 추천: 첫 3개월은 정확도보다 작업 완료율, P95 지연과 요청당 비용을 함께 봅니다.
---
❓ Q2 - 데이터 경계: 개인정보가 모델 공급자에게 전달될 수 있나요?
➡️ 추천: 원문 전송을 기본 금지하고 비식별화 계층을 먼저 둡니다.用户回答后，树会重新计算。有些答案会开启新问题，有些答案会消除不必要的枝条。与一开始就提供一份庞大的问卷不同，每一轮都会根据实际答案进行调整。
这种结构的优点是减少了“问题很多但没有结论的会议”。每个问题都会关闭决策树中的一个节点，并且只有关闭的节点才能成为下一个决策的前提。
核心结构3：为建议附上依据等级
这项技能要求在提出技术建议之前，按以下顺序确认依据：
| 优先级 | 依据级别 | 含义 | 示例 |
| 1 | Official standard | 标准化机构的规范·RFC·协议 | HTTP RFC, OCI Image Spec |
| 2 | Official guidance/API | 产品·项目直接定义的使用方法 | Kubernetes, AWS 官方文档 |
| 3 | De facto standard | 非官方强制规范，但生态系统广泛采用 | 特定目录结构或工具惯例 |
| 4 | Common pattern | 可维护的常见实现方式 | 团队运营模式 |
| 5 | Project-specific choice | 因本项目需求而做出的选择 | 内部配置键、文件夹和审批流程 |
原则是不要将上层已解决的决策重新作为下层偏好。如果官方模式中已存在字段，则不创建类似的自定义字段。反之，在没有官方标准的领域，不夸大为“标准”，而是标记为常见模式或项目选择。
图：Recommendation Provenance Gate 的依据优先级 · 基于本地 grilling 技能规则重构
核心结构4：AI首先攻击自己的建议
在向用户发送问题之前，该技能会让AI再次攻击自己的建议。这可以称为Adversarial Self-check，即对抗性自我审查。
审查问题有五个：
- 是否有支持此建议的来源或实际采纳依据？
- 是否有更权威的标准与此建议冲突？
- 这是必需的，还是仅仅方便？
- 如果此建议有误，哪些后续决策会改变？
- 是否包含夸大确定性的表达？
这一步骤减少了AI为最初想到的答案辩护的时间。如果在向用户展示建议之前发现更强的反例或权威文档，则会修改建议本身。
最重要的安全保障：未达成共识前不执行
Grill-me 是一项验证计划的技能，而不是在提问过程中改变系统的自动执行技能。技能原文明确指出，即使访问了决策树的所有分支，Frontier 为空，并与用户达成了共识，也在用户确认之前不得执行。
事实核查和决策也应分离。文件结构、官方API、当前设置和标准规范等可调查的事实应由AI查找。成本承受范围、风险接受水平、时间表和产品目标等需要价值判断的决策应由用户做出。
这种区分很重要的原因很简单：让AI负责调查可以节省时间，但不应让AI代替组织选择其必须承担的风险。
在什么情况下使用效果好？
Grill-me 更适用于多个选择相互关联的计划，而不是寻找单一正确答案的问题。
- 在最终确定新服务或平台架构之前
- 选择云、数据库或可观测性工具时
- 确定迁移范围和回滚策略时
- 设计安全策略和信任边界时
- 验证讲座·教程的目标受众和实践流程时
- 确定产品创意的用户、成功标准和排除范围时
相反，对于简单的事实核查、执行已确定的任务或细微的文本修改，则显得过度。“首尔现在几点？”，“请修正这个错别字”，“按照已确定的设置进行部署”之类的请求，没有必要将其转化为决策访谈。
如何请求？
只需明确说明计划和验证强度即可。
이 Kubernetes 운영 자동화 계획을 grill me 해줘.
공식 문서 근거를 우선하고, 아직 정하지 않은 전제를 모두 질문해줘.
합의가 끝날 때까지 구현하지 마.或者可以像这样缩小范围：
이 데이터 플랫폼 설계에서 보안과 운영비 결정만 집중적으로 grilling 해줘.
각 추천이 공식 표준인지 흔한 패턴인지 표시해줘.好的输入包括当前计划、已确定的事项、不可更改的限制、成功标准和决策截止日期。即使信息不足，技能也能生成问题，但首先告知固定限制可以快速消除不必要的枝条。
Grill-me 并非万能
问题多并不意味着判断会自动变好。如果用户不知道答案，则需要额外的调查或实验；如果涉及多个利益相关者，仅凭一个人的答案无法达成组织共识。
此外，依据等级是来源的权威性，而不是保证特定情况下正确答案的分数。官方建议也可能因组织的预算、法规和现有系统而无法直接适用。此时，应将违反标准的事实及其原因、对互操作性的影响记录为项目特定选择。
最后，这种 grilling 操作方式并非所有AI代理都会自动遵循的国际标准。OpenAI的官方平台提供了创建和版本管理技能的功能，但 Design Tree、Frontier、依据门和轮次格式是当前安装的本地技能的Project-specific choice。进行这种区分可以避免将“好的设计模式”错误地宣传为“官方AI标准”。
总结
Grill-me 技能的目的不是让用户陷入困境。它旨在揭示那些在实施开始后会付出高昂代价才能发现的问题，趁它们仍可通过提问来修正时将其暴露出来。
核心可以概括为四点：将计划转化为决策树，分轮次只提出当前的 Frontier 问题，明确建议的依据级别，以及在达成共识之前不执行。再加上AI的自我反驳审查，将更接近“依据和前提明确的决策”，而非“貌似合理的初步答案”。
下次审查重要的架构或运营计划时，与其问“看起来怎么样？”，不如这样请求：“不要直接同意，彻底地 grill me 这个计划。”
参考资料
- 当前环境的本地 grilling 技能原文：Design Tree, Frontier, Recommendation Provenance Gate, Adversarial Self-check 和执行前确认规则
- OpenAI Skills API 官方文档：技能创建·查询·版本管理功能
- OpenAI Developers：技能和插件生态系统的官方指南
发表回复