Eine Diagnose- und Korrekturfertigkeit, die sich auf das Identifizieren und Beheben von AI-Ausgaben konzentriert, die zwar korrekt erscheinen, aber aufgrund von Prompt-Ambiguität die falsche Aufgabe adressieren.
Installieren & Herunterladen
1. ClawHub CLI
Der schnellste Weg, einen Skill direkt aus der Registry zu installieren.
npx clawhub@latest install output-wrong-task
2. Manuelle Installation
Kopiere den Skill-Ordner an einen dieser Orte
~/.openclaw/skills/ <project>/skills/ Priorität: Workspace > Lokal > Integriert (Bundled)
3. Prompt-Installation
Kopiere diesen Prompt in OpenClaw, um ihn automatisch zu installieren.
Hilf mir, output-wrong-task über Clawhub zu installieren. Falls Clawhub nicht installiert ist, installiere es bitte zuerst (npm i -g clawhub).
Lieber herunterladen?
Hole dir die rohen Skill-Dateien in einem ZIP-Archiv.
Was ist Output Wrong Task?
Die Fertigkeit Output Wrong Task ist ein Governance- und Qualitätssicherungsprotokoll, das für das Openclaw Skills-Ökosystem entwickelt wurde. Es befasst sich mit einem häufigen Fehlermodus bei LLMs, bei dem das Modell eine gut geformte, kohärente Ausgabe erzeugt, die jedoch grundlegend die Absicht des Benutzers verfehlt. Dies tritt typischerweise auf, wenn sich ein Modell an ein markantes Schlüsselwort klammert oder standardmäßig eine Interpretation mit hoher Wahrscheinlichkeit für eine zweideutige Anfrage wählt, was zu einem überzeugenden, aber falschen Ergebnis führt.
Durch die Implementierung dieser Fertigkeit können Entwickler die Leistung des Agenten besser überwachen und sicherstellen, dass die Ergebnisse – ob Code, Dokumentation oder Analyse – strikt mit den spezifischen Anforderungen des Prompts übereinstimmen und nicht mit einer plausibel klingenden Alternative.
Output Wrong Task Anwendungsfälle
- Erkennen, wenn ein Modell eine allgemeine Dokumentation anstelle der angeforderten detaillierten Debugging-Analyse liefert.
- Identifizieren von Code-Generierung, die eine vereinfachte Version einer komplexen Architekturanforderung löst.
- Abfangen von Fällen, in denen ein Agent nur den ersten Teil eines mehrteiligen Prompts beantwortet und nachfolgende Einschränkungen ignoriert.
- Überprüfen, ob automatisierte Ausgaben dem ursprünglichen Ziel entsprechen, bevor sie in eine Codebasis übernommen werden.
So funktioniert Output Wrong Task
- Überwachung: Die Fertigkeit überwacht Agent-Ausgaben auf Kohärenz gegenüber der Intent-Ausrichtung.
- Symptomerkennung: Sie identifiziert 'latente Ambiguität', indem sie prüft, ob die Ausgabe einer gängigen Interpretation entspricht, die von spezifischen Benutzerbeschränkungen abweicht.
- Verifizierung: Sie fordert das Modell auf, sein Verständnis des gerade gelösten Problems selbst zu verifizieren.
- Korrektur: Sie wendet eine iterative Verfeinerung an, indem sie konkrete Ergebnisse neu formuliert und das Ausgabeformat verankert, um Raum für Substitutionen zu eliminieren.
Output Wrong Task Einrichtung
Um dieses Protokoll in Ihre Openclaw Skills-Umgebung zu integrieren, fügen Sie die Skill-Definition zu Ihrer lokalen Konfiguration hinzu:
# Navigate to your skills directory
cd ~\/.openclaw\/skills
# Create the skill file
touch output-wrong-task.md
Konfigurieren Sie den System-Prompt Ihres Agenten so, dass er die Mapping- und Verifizierungsschritte enthält, die im Abschnitt 'What to do' der Skill-Dokumentation beschrieben sind.
Output Wrong Task Datenschema & Taxonomie
| Feature | Description |
|---|---|
| Symptom Log | Verfolgt Instanzen von nicht übereinstimmenden Absichten für zukünftiges Prompt-Engineering. |
| Requirement Map | Eine boolesche Checkliste, die die endgültige Ausgabe mit den ursprünglichen mehrteiligen Anforderungen vergleicht. |
| Constraint Anchor | Speichert spezifische JSON-Schemas oder Funktionssignaturen, an die sich die Ausgabe halten muss. |
| Interpretation ID | Protokolliert, welchen 'falschen' Pfad das Modell eingeschlagen hat, um negative Constraints zu verfeinern. |
Output Wrong Task Erweiterte Funktionen
- Automatisierte Aufteilung mehrteiliger Aufgaben, um das stille Wegfallen von Anforderungen zu verhindern.
- Explizite Interpretationsregelung: Fügt automatisch 'Nicht-tun'-Klauseln hinzu, wenn wiederkehrende Fehlermuster erkannt werden.
- Strukturelle Verankerung: Erzwingt starre Ausgabeformate (JSON, spezifische Dateipfade), um semantische Abweichungen zu reduzieren.
- Cross-Agent-Verifizierungshooks, um ein zweites Modell die Intent-Ausrichtung des ersten auditieren zu lassen.
SKILL.md
Laden
Verwandte Openclaw-Skills
Barcelona City Intelligence
Ein umfassender Datenskill, der tiefe Einblicke in das Tech-Ökosystem, die wirtschaftlichen Treiber und die historische Entwicklung Barcelonas bietet.
Python Mutable Default Arguments Fix
Ein spezialisiertes Werkzeug zur Identifizierung und Behebung von Python-Funktionen, die veränderliche Objekte als Standardargumente verwenden, um stilles State-Sharing zu verhindern.
Context Near Overflow
Ein Leitfaden zur Erkennung und Milderung von Leistungsabfällen, die dadurch entstehen, dass KI-Modelle während langer Sitzungen ihre Kontextfenster-Limits erreichen.
X/Twitter Nachrichtensuche
Ein leistungsstarker Such-Skill für X/Twitter, der rohe Tweet-Daten und Engagement-Metriken für AI-Agenten abruft.
Product Hunt Launch-Assets generieren
Ein automatisierter Workflow zur Generierung umfassender Texte, Visuals und Metadaten, die für einen erfolgreichen Product Hunt-Launch erforderlich sind.
Amsterdam Knowledge Skill
Ein umfassendes Wissensskill, das technische und historische Einblicke in die Entwicklung Amsterdams von einer Handelsmetropole zu einem modernen europäischen Technologiezentrum bietet.
Hervorgehoben*
