--- name: interactive-feedback-evaluator description: 提供标准化的交互式评估系统，支持在Alma侧边栏直接填写和提交评估表单。自动收集反馈数据并生成结构化总结。 --- # InteractiveFeedbackEvaluator Skill ## 核心价值 **标准化、可复用的交互式评估系统** - ✅ 在Alma侧边栏直接填写表单 - ✅ 一键提交，无需复制粘贴 - ✅ 自动收集反馈数据 - ✅ AI自动生成评估总结 - ✅ 支持多种评估场景 ## 何时使用 - 当你想要评估分析报告、产品功能、技能效果 - 当你需要结构化的反馈收集机制 - 当你想要避免重复的评估流程 - 当你需要标准化评估模板 ## 使用方式 ### 快速开始 ```bash 用户："评估这份报告" AI： 1. 启动评估服务器（后台） 2. 生成交互式表单 3. 在侧边栏预览表单 4. 等待你提交反馈 用户： 1. 在侧边栏填写表单 2. 点击"提交"按钮 3. 完成 AI： 1. 检测到新反馈 2. 自动读取并生成总结 3. 保存反馈历史 ``` ### 支持的评估类型 1. **分析报告评估**（analysis-report） - 整体价值、有用性、可执行性 - 最有价值部分、改进建议 2. **技能评估**（skill-evaluation） - 功能完整性、可靠性、易用性 - 最有用功能、优先改进项 3. **产品评估**（product-evaluation） - 产品价值、用户体验、技术实现 - 核心优势、主要问题 4. **自定义评估**（custom） - 自定义评估维度 - 自定义评分选项 ## 技术架构 ### 核心组件 ``` interactive-feedback-evaluator/ ├── skill.md # 技能定义（本文件） ├── scripts/ │ ├── evaluation_server.py # Flask评估服务器 │ └── start_evaluation.sh # 启动脚本 ├── templates/ │ ├── evaluation_form.html # 通用评估表单 │ └── report_evaluation.html # 报告评估表单 ├── data/ │ ├── feedback.json # 最新反馈（实时） │ └── feedback_history/ # 历史反馈记录 │ └── feedback_YYYY-MM-DD_HHMMSS.json └── references/ ├── evaluation_templates.yaml # 评估模板库 └── usage_guide.md # 使用指南 ``` ### 数据流 ``` 用户填写表单 → POST到服务器 → 保存到feedback.json ↓ AI定期检测 ↓ 读取feedback.json ↓ 生成评估总结 ``` ## 评估模板 ### 分析报告评估模板 ```yaml 评估类型: analysis-report 评分维度: - 整体价值 (1-5分) - 有用性 (1-5分) - 可执行性 (1-5分) 多选题: - 最有价值的部分 (选2-3个) * 行为模式识别 * 认知偏见诊断 * 战略盲点揭示 * 真相检验问题 * 否定性指导 * 可沉淀知识 - 最需要改进的部分 开放性问题: - 具体改进建议 - 会采取的第一个行动 ``` ### 技能评估模板 ```yaml 评估类型: skill-evaluation 评分维度: - 整体价值 (1-5分) - 功能完整性 (1-5分) - 可靠性 (1-5分) - 易用性 (1-5分) 多选题: - 最有用的功能 (选1-2个) 开放性问题: - 优先改进项 - 使用场景描述 ``` ## AI使用指南 当用户要求评估时，AI执行以下步骤： ### 1. 启动服务器 ```bash # 启动评估服务器（后台） /Users/douba/.claude/skills/interactive-feedback-evaluator/scripts/start_evaluation.sh ``` ### 2. 生成交互式表单 根据评估类型选择合适的模板，生成HTML表单： ```bash # 生成评估表单 curl -X POST http://localhost:5002/generate \ -H "Content-Type: application/json" \ -d '{ "evaluation_type": "analysis-report", "title": "Alma 深度洞察分析报告 v2.0", "evaluation_object": "报告评估", "timestamp": "2026-01-15 04:00" }' > /tmp/evaluation_form.html ``` ### 3. 在侧边栏预览 ```bash # 在Alma侧边栏预览表单 # 提示用户填写并提交 ``` ### 4. 等待用户提交 AI定期检查 `feedback.json` 是否更新。 ### 5. 读取反馈并生成总结 ```bash # 读取最新反馈 cat /Users/douba/.claude/skills/interactive-feedback-evaluator/data/feedback.json # 生成评估总结 ``` ### 6. 保存到历史 ```bash # 复制到历史记录 cp feedback.json feedback_history/feedback_$(date +%Y%m%d_%H%M%S).json ``` ## API接口 ### POST /generate 生成交互式评估表单 **请求：** ```json { "evaluation_type": "analysis-report", "title": "报告标题", "evaluation_object": "评估对象", "options": { "dimensions": ["整体价值", "有用性", "可执行性"], "multi_select": { "most_valuable": ["选项1", "选项2", "选项3"] } } } ``` **响应：** ```html ``` ### POST /submit 提交评估反馈 **请求：** ```json { "evaluation_type": "analysis-report", "title": "报告标题", "scores": { "overall": 4, "usefulness": 5, "actionability": 4 }, "multi_select": { "most_valuable": ["behavior_pattern", "cognitive_bias"] }, "text_input": { "suggestions": "可以增加更多案例", "first_action": "停止说'测试下'" }, "timestamp": "2026-01-15T04:00:00Z" } ``` **响应：** ```json { "success": true, "message": "反馈已保存", "feedback_id": "feedback_20260115_040000" } ``` ### GET /status 检查服务器状态 **响应：** ```json { "running": true, "port": 5002, "latest_feedback": "2026-01-15T04:00:00Z" } ``` ## 数据存储 ### feedback.json 最新反馈的实时文件，格式： ```json { "metadata": { "evaluation_type": "analysis-report", "title": "Alma 深度洞察分析报告 v2.0", "evaluation_object": "报告评估", "timestamp": "2026-01-15T04:00:00Z" }, "scores": { "overall": 4, "usefulness": 5, "actionability": 4 }, "multi_select": { "most_valuable": ["behavior_pattern", "cognitive_bias", "negative_guidance"] }, "text_input": { "suggestions": "可以增加更多实际案例", "first_action": "停止说'测试下'，改为系统化问题清单" } } ``` ### feedback_history/ 历史反馈记录，按时间戳命名： - `feedback_20260115_040000.json` - `feedback_20260115_041500.json` ## 使用示例 ### 示例1：评估分析报告 ```bash 用户："帮我评估这份v2.0分析报告" AI： 1. 启动服务器 2. 生成报告评估表单 3. 提示："请在侧边栏预览 /tmp/evaluation_form.html，填写完成后点击'提交'" 用户： 1. 在侧边栏填写表单 2. 点击"提交" AI： 1. 检测到新反馈 2. 生成评估总结 3. 显示： "基于你的反馈： - 整体价值：4/5 - 最有价值：认知偏见诊断、真相检验问题、否定性指导 - 改进建议：增加更多实际案例 - 行动计划：停止说'测试下'，改为系统化问题清单" ``` ### 示例2：评估新技能 ```bash 用户："评估twitter-collector技能" AI： 1. 启动服务器 2. 生成技能评估表单 3. 提示用户填写提交 AI生成总结： - 整体价值：3/5 - 强项：数据采集功能 - 弱项：浏览器管理可靠性 - 优先改进：防止浏览器意外关闭 ``` ## 注意事项 - **服务器自动管理**：AI会自动启动和关闭服务器，无需手动干预 - **数据安全**：所有反馈数据存储在本地，不上传到云端 - **模板可定制**：可以根据需要调整评估模板 - **历史追溯**：所有反馈都有历史记录，可以追溯和对比 ## 版本历史 - **v1.0** (2026-01-15) - 初始版本 - 支持分析报告和技能评估 - 侧边栏直接提交功能 - 自动反馈收集和总结