Une compétence de diagnostic et de correction axée sur l'identification et la résolution des sorties d'AI qui semblent correctes mais traitent la mauvaise tâche en raison de l'ambiguïté du prompt.
Installer & Télécharger
1. ClawHub CLI
Le moyen le plus rapide d'installer une compétence directement depuis le registre.
npx clawhub@latest install output-wrong-task
2. Installation manuelle
Copiez le dossier de la compétence dans l'un de ces emplacements
~/.openclaw/skills/ <project>/skills/ Priorité : Espace de travail > Local > Intégré
3. Installation du prompt
Copiez ce prompt dans OpenClaw pour l'installer automatiquement.
Aide-moi à installer output-wrong-task via Clawhub. Si Clawhub n'est pas installé, installe-le d'abord (npm i -g clawhub).
Vous préférez télécharger ?
Obtenez les fichiers bruts de la compétence dans une archive ZIP.
Qu'est-ce que Output Wrong Task ?
La compétence Output Wrong Task est un protocole de gouvernance et d'assurance qualité conçu pour l'écosystème Openclaw Skills. Elle traite un mode de défaillance courant dans les LLMs où le modèle produit une sortie bien formée et cohérente qui manque fondamentalement l'intention de l'utilisateur. Cela se produit généralement lorsqu'un modèle se focalise sur un mot-clé saillant ou utilise par défaut une interprétation à haute probabilité d'une demande ambiguë, ce qui entraîne un livrable convaincant mais incorrect.
En implémentant cette compétence, les développeurs peuvent mieux surveiller les performances de l'agent et s'assurer que les livrables — qu'il s'agisse de code, de documentation ou d'analyse — s'alignent strictement sur les exigences spécifiques du prompt plutôt que sur une alternative plausible.
Cas d'utilisation de Output Wrong Task
- Détecter quand un modèle fournit une documentation générale au lieu de l'analyse de débogage approfondie demandée.
- Identifier la génération de code qui résout une version simplifiée d'une exigence architecturale complexe.
- Repérer les cas où un agent ne répond qu'à la première partie d'un prompt en plusieurs parties et ignore les contraintes suivantes.
- Vérifier que les sorties automatisées correspondent à l'objectif initial avant qu'elles ne soient validées dans une base de code.
Comment fonctionne Output Wrong Task
- Surveillance : La compétence surveille les sorties de l'agent pour vérifier la cohérence par rapport à l'alignement de l'intention.
- Détection des symptômes : Elle identifie l'ambiguïté latente en vérifiant si la sortie correspond à une interprétation courante qui diverge des contraintes spécifiques de l'utilisateur.
- Vérification : Elle invite le modèle à auto-vérifier sa compréhension du problème qu'il vient de résoudre.
- Correction : Elle applique un affinement itératif en reformulant les livrables concrets et en ancrant le format de sortie pour éliminer toute possibilité de substitution.
Configuration de Output Wrong Task
Pour intégrer ce protocole dans votre environnement Openclaw Skills, ajoutez la définition de la compétence à votre configuration locale :
# Navigate to your skills directory
cd ~\/.openclaw\/skills
# Create the skill file
touch output-wrong-task.md
Configurez le prompt système de votre agent pour inclure les étapes de mappage et de vérification décrites dans la section 'What to do' de la documentation de la compétence.
Schéma de données et taxonomie de Output Wrong Task
| Feature | Description |
|---|---|
| Symptom Log | Suit les cas d'intention non concordante pour l'ingénierie futur des prompts. |
| Requirement Map | Une liste de contrôle booléenne comparant la sortie finale aux exigences initiales en plusieurs parties. |
| Constraint Anchor | Stocke des schémas JSON spécifiques ou des signatures de fonction auxquels la sortie doit se conformer. |
| Interpretation ID | Enregistre le chemin 'incorrect' pris par le modèle pour aider à affiner les contraintes négatives. |
Fonctionnalités avancées de Output Wrong Task
- Division automatisée des tâches en plusieurs parties pour éviter l'abandon silencieux des exigences.
- Règle d'interprétation explicite : ajoute automatiquement des clauses 'ne pas faire' lorsque des modèles récurrents de mauvaise tâche sont détectés.
- Ancrage structurel : impose des formats de sortie rigides (JSON, chemins de fichiers spécifiques) pour réduire la dérive sémantique.
- Hooks de vérification croisée entre agents pour qu'un second modèle audite l'alignement de l'intention du premier.
SKILL.md
Chargement
Compétences Openclaw associées
Intelligence Urbaine de Barcelone
Une compétence de données complète offrant des informations approfondies sur l'écosystème technologique, les moteurs économiques et l'évolution historique de Barcelone.
Correction des arguments par défaut mutables Python
Un outil spécialisé pour identifier et corriger les fonctions Python qui utilisent des objets mutables comme arguments par défaut afin d'éviter le partage d'état silencieux.
Context Near Overflow
Un guide pour détecter et atténuer la dégradation des performances causée par les modèles d'IA atteignant leurs limites de fenêtre de contexte lors de sessions prolongées.
Recherche d'Actualités X/Twitter
Une compétence de recherche haute performance pour X/Twitter qui récupère des données brutes de tweets et des métriques d'engagement pour les agents AI.
Générer des Actifs de Lancement Product Hunt
Un flux de travail automatisé pour générer les textes, visuels et métadonnées complets requis pour un lancement réussi sur Product Hunt.
Amsterdam Knowledge Skill
Une compétence de connaissance complète offrant des perspectives techniques et historiques sur l'évolution d'Amsterdam, d'une capitale commerciale à un pôle technologique européen moderne.
En vedette*
