浪费20亿Token后，我开源了帮Agent定义目标的Leader.skill

核心亮点

一位开发者在公众号里坦诚分享：为了摸索出一套让智能体稳定干活的方法，他前后“浪费”了约 20 亿 Token。正是这笔不低的试错成本，催生了 Leader.skill——一个把模糊的人类需求，翻译成智能体可以独立执行数小时的目标任务书的开源工具。这件事之所以值得讲，是因为它点破了一个智能体时代的安静真相：难的往往不是模型本身，而是我们到底想让模型做什么。

具体能力或事件经过

Leader.skill 解决的其实是智能体落地最痛的环节：人说的需求往往很虚，比如“帮我做个竞品分析”，但智能体需要的是可执行、可验收、可纠偏的明确指令。这个 Skill 把这类含糊诉求，转写成一份能自动完成任务的智能体可以一口气干上几个小时的“目标任务书”，让模型从一开始就清楚要做什么、做到什么程度算完成。它不让用户去手工拼系统提示，而是把请求结构化成一个智能体可以自行推进的形式，从而让长程自主执行变得可行。

技术细节

它的方法论叫“目标七问”，从目的、完成态、反作弊、边界等几个维度，把目标拆得足够清楚。目的回答“为什么要做”，完成态定义“怎样算交付”，反作弊防止智能体偷懒走捷径，边界则划清“别碰什么”。作者还给出工作流建议：先用 Claude Code 或 Kimi K3 做目标规划，再把长程执行交给 GPT-5.6 Sol、GLM-5.2 这类模型。整个项目已经开源，任何人都能直接拿来用，并按自己的领域改写那七个问题，而不必被某家厂商绑定。

与竞品对比

和那些只给一句提示词模板的玩法相比，Leader.skill 的差别在于“结构化”。它不指望一句咒语就召唤出完美智能体，而是用七问把目标钉死，降低智能体跑偏的概率。相比动辄要写一大堆系统提示的框架，这种“目标书”思路更轻、更贴近真实任务，也更容易在不同模型间迁移。它把重心放在把意图定义清楚，而不是用越来越厚的脚手架把模型裹起来，这反而让人牢牢掌握结果的主动权。

行业影响或适用场景

说白了，20 亿 Token 的学费买来的，是一份可复用的“给智能体下任务”的说明书。对想把智能体用起来的团队，它提供了从模糊需求到可执行目标的桥梁，尤其适合长程、多步骤、需要自主决策的工作，而这类工作恰恰是智能体最容易翻车的地方。随着智能体从玩具变成生产力，这类把“目标定义”工程化的工具，价值只会越来越高；一份写好的目标书，往往就是“忙了几个小时”和“真的交付了结果”之间的分水岭。