用 grill-me 推导盘前简报 MVP:12 题钉边界 + schema 收束
1. grill-me skill是什么、解决什么问题grill-me skill的核心就一条一次只问一个问题沿决策树把你逼到边界清楚。和普通「帮我设计一个系统」的区别普通对话grill-meAI 一次吐完整方案逐题确认你不同意就改容易过度工程每题都问「MVP 要不要」字段/schema 凭空长出来从场景倒推能解释每个字段为啥存在写完才发现和场景对不上先钉使用者、动作、审计定义再谈技术Skill 原文很短Interview me relentlessly about every aspect of this plan until we reach a shared understanding. Walk down each branch of the decision tree, resolving dependencies between decisions one-by-one. For each question, provide your recommended answer. Ask the questions one at a time.使用Cursor安装后触发2. 我为什么选这个主题做实战盘前简报是个边界敏感的 MVP读者、场景、产物形态若不先钉死「可审计」很容易做成合规系统或日志洪水字段多一层行情、新闻、假设验证、报告——适合练「每个字段为啥存在」业务上要说得清辅助 PM不是替 PM 下判断——这类产品哲学不拷问清楚后面 schema 会歪整场 grilling 大约12 题从「谁在读」一直收到「什么叫能交差」。下面按题号贴真实对话。3. 完整对话实录 按题号展示重要部分第 1 题读者与核心动作Cursor我第 2 题「可审计」到底指什么Cursor我第 3 题标的范围Cursor我第 4 题单只股票最少输出什么Cursor我先没直接选让 AI 解释Cursor用「晨会四问」倒推部分截图我收紧范围Cursor 据此改版我继续追问Cursor 解释字段部分截图我换了种问法Cursor抛出AAPL / NVDA 虚构晨会例部分截图并附了一版简化run.json含overnight_move、events、news、watch_today、hypothesis_results、flags、pipeline_trace。{meta:{run_id:2025-06-25-preopen,timestamp:2025-06-25T08:00:00-04:00,universe:{holdings:[AAPL],watchlist:[NVDA]}},market_context:[{summary:美债收益率隔夜上行科技股盘前偏承压,source:{tool:macro_feed,ref:ust_10y_change,fetched_at:...}}],symbols:[{ticker:AAPL,list_type:holding,overnight_move:{premarket_pct:-4.2,index_future_pct:-0.8,source:{tool:market_data,ref:AAPL_premarket,fetched_at:...}},events:[{type:regulatory,summary:欧盟公布 App Store 反垄断罚款草案,source:{tool:news_api,ref:article_123,fetched_at:...}}],news:[{headline:EU to vote on Apple App Store fine next week,source:{tool:bloomberg_feed,ref:bbg_456,fetched_at:...}}],watch_today:[{text:盘前跌幅偏大开盘看是否放量续跌,derived_from:[overnight_move]},{text:欧盟罚款若落地关注服务收入指引,derived_from:[events[0],news[0]]}],hypothesis_results:[{hypothesis:盘前大跌应有负面事件或新闻解释,status:verified,evidence:[events[0],news[0]]},{hypothesis:罚款金额应有单一可信来源,status:failed,reason:两家媒体报道金额不一致}],flags:[AMOUNT_DISCREPANCY]},{ticker:NVDA,list_type:watchlist,overnight_move:{premarket_pct:-1.1,source:{tool:market_data,ref:NVDA_premarket,fetched_at:...}},events:[],news:[{headline:Analyst raises NVDA price target,source:{tool:news_api,ref:article_789,fetched_at:...}}],watch_today:[],hypothesis_results:[{hypothesis:盘前大跌应有负面事件或新闻解释,status:skipped,reason:涨跌幅未超阈值}],flags:[]}],pipeline_trace:[{step:fetch_market_data,status:ok},{step:fetch_news_events,status:ok},{step:run_hypothesis_checks,status:ok},{step:generate_watch_items,status:ok}]}这里我没有让ai抽象谈 schema而是用一个具体的例子让字段说清楚。grill-me 允许你反复说「先举例」「先大白话」——逼 AI 把设计动机讲清楚。第 56 题假设验证放哪一层我对hypothesis_results字段提出质疑Cursor认错并重构我Cursor 给出 MVP 结构第 7 题问题从哪来 和conclusion字段 要不要Cursor我Cursor我Cursor我关键产品定位推翻Cursor跟着改我回答第7题第 89 题数据源与输出Cursor 推荐我Cursor提醒 yfinance 日频≠真盘前字段要如实标premarket_available: false别假扮盘前 %。Cursor 第 9 题推荐我第 1011 题触发方式 · CLI · 技术栈我Cursor追问持仓和观察名单是扁平--symbols还是分开我Cursor 推荐技术栈我Cursor 分两阶段收束MVPfetch → validate → assemble → render不接 LangGraph后续四节点替换 Analyst 等模块JSON 契约尽量不动第 12 题什么叫能交差Cursor 列 5 条验收我最终收口Cursor 收束部分截图最终的run.json 契约稳定版可微调{meta:{run_id:...,timestamp:...,question:...,symbols:[AAPL,MSFT]},market_context:[{summary:宏观/板块 1–2 句,source:{tool:...,ref:...,fetched_at:...}}],hypothesis:{question:...,status:verified | needs_review | failed,findings:[中性事实...],derived_from:[symbols.AAPL.events[0],...],open_items:[待核实...]},symbols:[{ticker:AAPL,overnight_move:{daily_pct:-4.2,premarket_available:false,source:{tool:yfinance,ref:AAPL,fetched_at:...,fallback:false}},events:[{type:...,summary:...,source:{...}}],news:[{headline:...,source:{...}}],watch_today:[{text:...,derived_from:[overnight_move,events[0]]}],flags:[]}],pipeline_trace:[{step:fetch_market_data,status:ok}]}4. 这场 grilling 里我主动推翻 AI 的几次回合AI 倾向我的决定为什么可审计BC合规以后再说两层来源 机器校验砍人工指派MVP 不做协作工作流字段 ④日历排期只要「今日盯什么」pipeline 推导不接 earnings calendar⑤⑥推荐保留持仓上下文先不做减数据源和规则复杂度假设验证每股hypothesis_results[]报告级单个hypothesis一个问题一份答案conclusion分析师式总括删掉系统只交材料判断在人问题来源常驻 覆盖D每次 CLI 手传审计简单、问题明确标的输入holdings watchlist 分开扁平--symbols实现先简化交差标准5 条功能 checklistdemo eval 契约稳定可迭代字段名契约别漂grill-me 不是听 AI 的推荐就完事——推荐答案是靶子你的推翻也许才是设计文档里最有价值的部分。5. 用了grill-me的感受grill-me skill 跟 Cursor 的 Plan 不一样它不会先甩一篇长计划而是一道题一道题问你确认了才往下走。过程有点烦得一直想但正好逼我把「要做啥」想清楚而不是 AI 写完了我才去追细节。当然上文 JSON 是 grill-me 阶段定下的契约草稿不是最终实现落地时我还是按工程需要做了一些迭代如 LangGraph、tools[]、双模板无 --question → 盘前简报有 → 投委会 memo字段名同时做了一些微调。相关链接• https://github.com/mattpocock/skills• https://www.skills.sh/mattpocock/skills/grill-me

相关新闻

windows网络适配器驱动开发-网络数据缓冲区管理

windows网络适配器驱动开发-网络数据缓冲区管理

缓冲区管理是一项功能,它使网络接口卡 (NIC) 客户端驱动程序和操作系统在从系统内存为发送 (Tx) 和接收 (Rx) 数据路径分配数据包缓冲区时能够协同工作。 这可以提高 NIC 的性能,简化 NIC 客户端驱动程序的内存生命周期管理,同时增强系统对内…

2026/7/6 14:41:32阅读更多 →
3个核心功能,带你重新认识EhViewer:这款专为漫画爱好者打造的Android阅读器

3个核心功能,带你重新认识EhViewer:这款专为漫画爱好者打造的Android阅读器

3个核心功能,带你重新认识EhViewer:这款专为漫画爱好者打造的Android阅读器 你是否曾经在手机上寻找一款既美观又实用的漫画阅读器?是否厌倦了那些界面复杂、功能臃肿的应用?EhViewer或许正是你需要的解决方案。作为一款基于Mate…

2026/7/6 14:41:32阅读更多 →
如何利用UE4SS脚本系统轻松实现Unreal Engine游戏修改

如何利用UE4SS脚本系统轻松实现Unreal Engine游戏修改

如何利用UE4SS脚本系统轻松实现Unreal Engine游戏修改 【免费下载链接】RE-UE4SS Injectable LUA scripting system, SDK generator, live property editor and other dumping utilities for UE4/5 games 项目地址: https://gitcode.com/gh_mirrors/re/RE-UE4SS UE4SS&a…

2026/7/6 14:41:32阅读更多 →
rogauracore未来路线图:新功能规划与技术发展方向展望

rogauracore未来路线图:新功能规划与技术发展方向展望

rogauracore未来路线图:新功能规划与技术发展方向展望 【免费下载链接】rogauracore RGB keyboard control for Asus ROG laptops 项目地址: https://gitcode.com/gh_mirrors/ro/rogauracore rogauracore是一款专为华硕ROG笔记本打造的RGB键盘控制工具&#…

2026/7/6 15:56:49阅读更多 →
SmartMirror项目架构深度剖析:从硬件到软件的完整技术栈

SmartMirror项目架构深度剖析:从硬件到软件的完整技术栈

SmartMirror项目架构深度剖析:从硬件到软件的完整技术栈 【免费下载链接】SmartMirror Motion controlled SmartMirror 项目地址: https://gitcode.com/gh_mirrors/smar/SmartMirror 想要打造一款炫酷的智能魔镜吗?SmartMirror项目为您展示了如何…

2026/7/6 15:56:49阅读更多 →
Vue登录页面加载动画优化:如何实现优雅的登录状态切换

Vue登录页面加载动画优化:如何实现优雅的登录状态切换

Vue登录页面加载动画优化:如何实现优雅的登录状态切换 【免费下载链接】vue-example-login 🔥A login demo for Vue.js. 项目地址: https://gitcode.com/gh_mirrors/vu/vue-example-login 在Vue.js应用开发中,登录页面的用户体验至关重…

2026/7/6 15:56:49阅读更多 →
CodexGuide × HyperFrames:用代码生成动画视频的终极教程

CodexGuide × HyperFrames:用代码生成动画视频的终极教程

CodexGuide HyperFrames:用代码生成动画视频的终极教程 【免费下载链接】CodexGuide CodexGuide:面向全球初学者、创作者、开发者与团队的 Codex 实践指南 项目地址: https://gitcode.com/gh_mirrors/co/CodexGuide 想要用代码轻松制作专业动画视…

2026/7/6 15:56:49阅读更多 →
Syncthing-Fork自动化技巧:利用定时同步与脚本实现文件管理自动化

Syncthing-Fork自动化技巧:利用定时同步与脚本实现文件管理自动化

Syncthing-Fork自动化技巧:利用定时同步与脚本实现文件管理自动化 【免费下载链接】syncthing-android Syncthing-Fork - A Syncthing Wrapper for Android. 项目地址: https://gitcode.com/gh_mirrors/sync/syncthing-android Syncthing-Fork作为一款优秀的…

2026/7/6 15:56:49阅读更多 →
如何利用Steam挂刀行情站实现饰品交易收益最大化

如何利用Steam挂刀行情站实现饰品交易收益最大化

如何利用Steam挂刀行情站实现饰品交易收益最大化 【免费下载链接】SteamTradingSiteTracker Steam 挂刀行情站 —— 24小时更新的 BUFF & IGXE & C5 & UUYP & ECO 挂刀比例数据 | Track cheap Steam Community Market items on buff.163.com, igxe.cn, c5game.…

2026/7/6 15:51:48阅读更多 →
从GitHub安全案例解析常见漏洞与防护实践

从GitHub安全案例解析常见漏洞与防护实践

1. 项目概述:从GitHub Trending看安全实战 最近在GitHub Trending上看到一个项目,叫 skills4/skills ,它因为一些安全漏洞案例被大家讨论。这其实是一个挺典型的场景:一个旨在展示或教授某种技能的仓库,本身却成了安…

2026/7/6 4:26:20阅读更多 →
MLT 2026启示:因果推理与概率建模驱动下一代LLM应用

MLT 2026启示:因果推理与概率建模驱动下一代LLM应用

# MLT 2026启示:因果推理与概率建模驱动下一代LLM应用## 一、背景与挑战:从“黑箱预测”到“可信推理”2026年6月,第7届机器学习与趋势国际会议(MLT 2026)将在悉尼召开。会议议程中,“因果与可解释机器学习…

2026/7/6 2:48:33阅读更多 →
通达OA SQL注入漏洞深度剖析:从手工注入到自动化利用与防御

通达OA SQL注入漏洞深度剖析:从手工注入到自动化利用与防御

1. 项目概述与漏洞背景最近在梳理一些历史OA系统的安全风险时,通达OA v11.6版本中的一个老漏洞又进入了我的视线。这个漏洞位于/general/bi_design/appcenter/report_bi.func.php文件中,是一个典型的SQL注入点。虽然这个漏洞的利用方式看起来并不复杂&am…

2026/7/6 0:10:35阅读更多 →
Seraphine:基于LCU API的英雄联盟智能游戏助手技术解析与应用指南

Seraphine:基于LCU API的英雄联盟智能游戏助手技术解析与应用指南

Seraphine:基于LCU API的英雄联盟智能游戏助手技术解析与应用指南 【免费下载链接】Seraphine 英雄联盟战绩查询工具 项目地址: https://gitcode.com/gh_mirrors/se/Seraphine 技术架构先行:官方接口的合规应用 你是否曾在BP阶段手忙脚乱&#x…

2026/7/6 0:03:39阅读更多 →
多协议远程连接管理工具mRemoteNG:告别混乱,统一你的远程桌面管理

多协议远程连接管理工具mRemoteNG:告别混乱,统一你的远程桌面管理

多协议远程连接管理工具mRemoteNG:告别混乱,统一你的远程桌面管理 【免费下载链接】mRemoteNG mRemoteNG is the next generation of mRemote, open source, tabbed, multi-protocol, remote connections manager. 项目地址: https://gitcode.com/gh_m…

2026/7/6 0:03:39阅读更多 →
COUNT(DISTINCT) 与 GROUP BY 去重统计:5 亿数据量下的性能实测与选型指南

COUNT(DISTINCT) 与 GROUP BY 去重统计:5 亿数据量下的性能实测与选型指南

COUNT(DISTINCT) 与 GROUP BY 去重统计:5 亿数据量下的性能实测与选型指南在数据分析和处理领域,去重统计是最基础也是最频繁使用的操作之一。当数据量达到亿级规模时,不同的去重统计方法在性能上可能产生天壤之别。本文将基于 5 亿行数据的实…

2026/7/6 0:03:39阅读更多 →
YOLOv8推理性能优化:从1.2FPS到35FPS的全链路加速实践

YOLOv8推理性能优化:从1.2FPS到35FPS的全链路加速实践

如果你在部署 YOLOv8 时,发现推理速度只有可怜的 1-2 FPS,而别人的演示视频却能跑到 30 FPS 以上,那么问题很可能不在模型本身,而在于你的整个处理链路。很多开发者拿到一个训练好的 YOLOv8 模型后,会直接使用官方示例…

2026/7/6 4:45:01阅读更多 →
Coze与Dify对比指南:低代码AI应用开发从入门到实战

Coze与Dify对比指南:低代码AI应用开发从入门到实战

1. 从零到一:为什么你需要了解 Coze 和 Dify?如果你对 AI 应用开发感兴趣,但一看到“大模型”、“智能体”、“工作流”这些词就头疼,觉得门槛太高,那这篇文章就是为你准备的。很多开发者,包括我自己&#…

2026/7/6 4:45:01阅读更多 →
AI生图工具怎么选?2026年6月版实测对比

AI生图工具怎么选?2026年6月版实测对比

做自媒体的朋友应该都有体会:配图一直是个让人头疼的问题。2026年,AI生图工具已经非常成熟了,但工具太多反而不知道怎么选。以下是截至2026年6月我对主流AI生图工具的实测对比。Midjourney V8.1:速度之王2026年6月11日&#xff0c…

2026/7/6 4:45:03阅读更多 →