之前在给团队做技术分享时我经常被一个问题卡住如何把“分布式事务”“B 树索引”“隐式类型转换”这类抽象概念在几分钟内讲得让前端、测试、产品都能点头。直接抛术语听众礼貌点头但实际没消化用比喻又容易类比失准。后来我尝试把解释工作完全交给 AI要求模型“用大白话讲一遍 配一张结构图”输出质量一下子高了很多。这篇文章想把这条路径整理成一套可复用的方法一个灵感来自 DAIR.AI 风格推荐的/eli5技能。我们会拆解什么是 ELI5、什么是面向 AI Agent 的“技能文件”然后给出完整的技能配置示例、实战演示和工程化建议。无论你是做后端、算法还是写技术文档都可以把这套能力直接搬进自己的 AI 工作流。1. 为什么需要“可视化解释”的 AI 技能1.1 技术沟通的真正痛点技术概念难讲本质上是因为它自带三层障碍。第一层是术语遮蔽一句话里堆了三四个抽象名词比如“读已提交”“可重复读”“MVCC”听众只能抓关键词很难建立全局视角。第二层是缺乏空间关系很多概念不是直线因果关系而是分支、循环、并发、回退文字很难表达这类“结构和时序”。第三层是知识背景不一致同一个“锁”后端同学想到的是数据库乐观锁前端同学想到的是浏览器 Web Locks讲述者和听众脑中的模型根本不是同一个。可视化正好能同时缓解这三层障碍。流程图把抽象名词变成节点关系图把术语之间的依赖画出来类比图用日常场景降低理解门槛。但问题也随之而来每次手动画图太重让 AI 画又常常跑偏。1.2 把“解释流程”固化成一个技能传统使用 AI 的方式是“临时写提示词”效果全看临场发挥。更现代化的做法是把一套成熟的方法论打包成一个“技能”Skill让 AI 在遇到同类请求时自动调用固定流程。一个典型的 AI Agent 技能文件通常包含三块内容技能的元信息名称、描述、适用场景、版本号执行规则触发后应该做什么按什么顺序做输出模板保证每次输出结构一致不跑偏。这套思路在 Claude Code、Codex 等工具的插件生态里已经很流行。开发者会创建类似code-reviewer、debugger、doc-writer这样的技能包把它们放在项目目录或全局配置目录中。用户提问时模型会自动识别意图并加载对应技能而不是每次从零开始“猜该怎么回答”。1.3 /eli5 和可视化为什么是绝配ELI5 是 “Explain Like I’m 5” 的缩写最初源自 Reddit 的一个版块用最朴素的语言把一个专业问题解释到外行也能听懂。把 ELI5 翻译成中文语境更像是“用大白话把概念讲明白”。但是纯文字的大白话也有局限。比如“过拟合就是模型把训练数据背下来了新数据反而不会做”这句话虽然通俗但读者仍然不知道“背下来”具体发生在哪一步。如果配上一张图让读者看到“训练集表现好但测试集下降”的双曲线理解就会深很多。所以真正好用的解释技能应当把两层能力合并语言层用比喻、类比、生活场景结构层用图、表、流程、节点关系。这正是本文要构建的eli5-visualizer技能。2. DAIR.AI 与 ELI5 的底层思路2.1 DAIR.AI 是谁为什么它的推荐值得看DAIR.AIDistributed AI Research Institute是 AI 圈子里一个偏研究、教育和开源资源整理的团队。它不定期发布提示词指南、模型评估报告、交互式教程也会推荐一些高质量的外部资源和“技能型”内容。它的推荐风格通常有一个共同点不过度追逐炫酷工具更注重“普通开发者拿起来就能用的方法”。这和本文的关系在于类似/eli5的 prompt 指令或技能文件正是在这类社区分享中被反复推荐和验证过的组合。它们不一定来自某个大厂官方标准而是无数开发者在真实项目中沉淀出的经验条款。读懂这类推荐的底层逻辑比收藏清单本身更重要。2.2 ELI5 的解释粒度ELI5 的难点在于分寸感。如果只追求“幼儿园语言”反而会把概念扭曲如果保留太多术语又回到原来的问题。理想的白话解释有三个判断标准类比对象来自日常生活。比如“缓存”可以类比为“冰箱里提前备好的菜”而不是“一个存储中间层”一句话能说清因果关系。比如“索引就是书的目录先查目录再翻页比逐页找快”听完能复述。听众合上文章能用两三句话把概念讲给第三个人就算成功。2.3 从“指令”到“技能”的迁移在早期 Prompt 阶段/eli5只是一个临时指令。你可以对任何聊天机器人说“请用大白话解释一下 XX”它也会给出不错的回答。但问题在于每次都要重新描述要求且不同模型的默认行为不一致一次解释可能只是纯文字有没有图完全看运气不能保证输出格式适合直接放进文档。把指令升级为技能后行为就稳定了AI 一旦识别到概念解释请求自动执行“定义、类比、画图、列关键点、给误区”的流程。用户不再需要重复调教模型效率提升非常明显。这就是 DAIR.AI 这类资源站推荐“技能化”的核心价值把你的最佳实践沉淀成文件供自己和团队反复调用。3. 设计一套 /eli5 可视化技能3.1 技能文件的目录结构我们采用社区常见的SKILL.md格式来组织技能。目录结构如下eli5-visualizer/ ├── SKILL.md ├── examples/ │ ├── 过拟合.md │ └── 事务隔离.md └── templates/ └── eli5-template.md文件职责SKILL.md技能入口包含元信息和执行规则examples/存放成功案例方便 AI 在遇到新概念时模仿templates/存放输出模板规定排版、结构、图表要求。各平台对技能文件的加载机制不同有的放在项目.claude/skills/有的放在全局配置目录有的需要手动导入。这里不绑定某个平台重点介绍通用的文件组织思路。3.2 设计触发条件一个好的技能不能太“敏感”否则什么请求都会误触发也不能太迟钝否则用户明确要求了却不响应。触发条件建议这样写触发用户说“解释”“通俗”“大白话”“讲讲”“类比”“画图”等拒绝用户仅仅要求代码实现、性能调优、需求评审等非解释场景。这可以写在技能的 description 里让模型依靠语义判断自动触发。比如“当用户要求用通俗语言解释技术概念并希望可视化呈现时触发”。3.3 设计输出模板这是整个技能最核心的部分也是很多现成技能写不好的地方没有把“输出结构”固定下来。我会建议模板包含五个固定板块一句话定义日常类比可视化定义Mermaid / SVG / ASCII关键细节与边界条件常见误区。每个板块之间用清晰的分隔线或标题隔开。这样无论解释什么概念输出质量都会维持在一个稳定的水平。4. 完整可用的技能配置示例4.1 编写 SKILL.md下面给出一个完整的SKILL.md示例。你可以复制到本地按需修改。--- name: eli5-visualizer description: 当用户要求用通俗语言解释技术概念并倾向于看到图形化、可视化表达时自动执行 ELI5 解释流程。适合解释算法、架构、数据库、网络、机器学习术语等场景。 version: 1.0.0 ---# 技能目标 用“5 岁小孩能听懂”的语言解释一个技术概念并输出至少一种可视化形式帮助用户快速建立直觉。 # 执行步骤 1. 用一句话定义概念禁止使用术语堆砌。 2. 找一个日常场景做类比类比对象优先选择做饭、买菜、快递、找东西、排队。 3. 根据概念类型选择可视化形式 - 流程类概念优先输出 Mermaid 流程图文本 - 结构类概念优先输出 SVG 或表格 - 关系类概念优先输出节点关系图或思维导图 - 简单对比使用 Markdown 表格即可。 4. 列出 3 个最值得记住的要点。 5. 列出 1 到 2 个常见误区用“错误说法 - 正确理解”的形式展示。 # 约束 - 类比必须真实合理不允许为了通俗而扭曲技术事实。 - 可视化文本必须能被常见 Markdown 渲染器解析。 - 如果不确定概念细节必须明说禁止编造。 - 所有内容使用中文输出。 # 示例 用户提问请用大白话解释一下什么是“过拟合”。 AI 输出结构参考 examples/过拟合.md。4.2 编写输出模板templates/eli5-template.md的作用是给 AI 一个排版基准。下面是模板内容## 一句话定义 在这里写一句话描述概念本质禁止使用专业术语。 ## 日常类比 把“概念”比喻成“____”。 - 类比对象____ - 对应关系 - 概念要素 A 对应 类比对象里的 ____ - 概念要素 B 对应 类比对象里的 ____ - 概念要素 C 对应 类比对象里的 ____ ## 可视化定义 使用 Mermaid 或 SVG 画图把概念的结构画出来并说明图中的每个节点含义。 ## 关键细节 1. ____ 2. ____ 3. ____ ## 常见误区 | 错误说法 | 正确理解 | | --- | --- | | ____ | ____ |4.3 调用示例技能文件放置好后你只需要用自然的语言发起请求请用大白话解释一下“数据库的事务隔离级别”最好配图。模型识别到“大白话 解释 配图” 这些关键词后会自动匹配eli5-visualizer技能按照模板输出内容不需要你手动粘贴五段提示词。5. 实战演示让 /eli5 技能解释“过拟合”5.1 输入请求请用大白话解释“过拟合”并给一张图。5.2 目标输出示例下面是一段参考式输出展示技能生效后的效果。## 一句话定义 过拟合就是模型把训练资料背得太熟结果遇到没见过的题目反而不会做。 ## 日常类比 把训练模型想象成学生备考。 训练集 平时做过的练习题 测试集 考试时遇到的新题 一个学生如果只会背练习册答案做过的题全对但考试题目一变就懵这就是“过拟合”。真正学得好是掌握了题目背后的规律。 ## 可视化定义 以下是 Mermaid 源文本你可以把它复制到支持 Mermaid 的编辑器中渲染。下面这段 Mermaid 源文本因为当前文档展示限制使用文本块展示。你可以复制到 mermaid.live、Typora 或 VS Code 的 Markdown 预览插件中查看渲染效果。graph TD A[训练数据] -- B[高复杂度模型] B --|记住噪声和异常| C[训练集表现很好] C --|遇到新数据| D[测试集表现差] D -- E[结论: 模型过拟合]图中从左到右展示了完整的因果关系训练数据喂给一个过于复杂的模型模型把噪声也记住了所以训练集成绩特别好但一到新数据就迅速下滑这就是过拟合。关键细节过拟合的本质是模型“容量”过大超出了训练数据的有效信息量。常见缓解方法增加数据、正则化、Dropout、早停、交叉验证。判断依据训练集损失持续下降验证集损失不再下降甚至上升。常见误区错误说法正确理解模型训练集准确率越高越好训练集准确率高不代表泛化好要关注验证集/测试集表现增加模型复杂度一定能提升效果复杂度超过数据承载能力会引入过拟合效果反而更差### 5.3 推荐预览环境 你不需要装任何重型工具就能渲染上面的 Mermaid 文本。常用的免费方式如下 - 浏览器直接访问 mermaid.live粘贴源文本即可看到图形 - VS Code 安装 “Markdown Preview Mermaid Support” 插件用 Markdown 预览打开 - Typora、Obsidian 等本地 Markdown 编辑器原生支持 Mermaid 渲染。 把 Mermaid 源文本放进项目文档后团队成员打开 Markdown 文件就能直接看到图非常方便。 ## 6. 可视化输出的四种形态与选择策略 不少开发者拿到 /eli5 技能后会误以为“可视化就等于 Mermaid”。实际上根据不同概念类型选择不同可视化形态效果差异很大。 ### 6.1 Mermaid 流程图适合流程与时序 Mermaid 用文本描述节点和连线适合描述“先做什么、再做什么、什么情况下走哪条分支”。 典型概念HTTP 请求流程、JWT 认证时序、数据库事务提交过程、CI/CD 流水线。 对应 prompt 约束“请用 Mermaid 流程图表示节点用矩形判断用菱形不要说其他图形。” ### 6.2 SVG 架构图适合精确排版 SVG 的优点是像素级控制、可以内嵌到 HTML 或文档中无需额外依赖。AI 生成的 SVG 可以画出服务组件之间的调用关系、分层架构、网络拓扑。 但 SVG 有两个坑一是 AI 生成的坐标经常重叠需要你让它“先计算节点位置再生成 SVG”二是 SVG 可能包含脚本内容存在安全风险。这一点后面最佳实践里会展开。 典型概念微服务架构、Kubernetes 组件关系、数据流向图。 ### 6.3 HTML 交互页面适合代码演示 如果听众是前端或非技术产品一段带简单交互的 HTML 页面往往比静态图更直观。你可以让 AI 生成一个包含按钮、工具提示、自动播放入口的小型 HTML Demo然后用浏览器直接打开。 典型概念排序算法过程、渲染管线、网络重传机制、并发模型演示。 ### 6.4 数据图表适合数值型概念 当概念涉及趋势、对比、分布时Mermaid 和 SVG 都不合适应该让 AI 生成 Python 代码配合 Matplotlib、Plotly 或 ECharts 渲染图表。这和常见的数据分析可视化不同重点不是炫酷大屏而是快速把抽象趋势“画出来”。 典型概念过拟合曲线训练误差与测试误差的差距、召回率与精确率的权衡、缓存命中率变化、分级限流效果。 在 /eli5 技能中我建议给 AI 增加一条规则“如果概念可以用趋势或分布表达优先考虑输出 Python 图表代码而不是强制用 Mermaid。”这样能让技能更灵活。 ## 7. 常见问题与排查清单 ### 7.1 问题速查表 | 问题现象 | 常见原因 | 解决思路 | | --- | --- | --- | | AI 没有按 ELI5 流程输出 | 技能文件未被加载或触发词不够明确 | 检查技能目录位置在请求中明确说“请使用 eli5-visualizer 技能” | | Mermaid 渲染失败 | 语法版本不兼容或节点文本包含特殊字符 | 让 AI 使用最基础的 graph TD 语法避免复杂子图特殊字符加引号 | | 输出的 SVGs 在浏览器打不开 | AI 生成的坐标错乱或标签未闭合 | 让 AI 输出“可独立打开的完整 SVG”并在本地用浏览器验证 | | 解释类比不准确 | 类比只重通俗忽略了技术等价性 | 在技能约束中增加“类比必须与技术机制一一对应” | | 图画得对但文字解释仍然晦涩 | 模板没有强制“禁用术语” | 在 SKILL.md 中增加“一句话定义禁止出现任何英文术语” | | 不同平台效果差异大 | 平台对技能文件的解析规则不同 | 先只依赖 SKILL.md 的纯文本规则不依赖平台私有字段 | ### 7.2 排查清单 如果技能没有生效按以下顺序排查 1. 确认技能文件路径是否正确平台是否会自动扫描 2. 确认 SKILL.md 的 frontmatter 中 name 和 description 是否清晰 3. 直接告诉 AI “请把技能文件里的执行步骤列出来”看它是否读到了文件 4. 检查请求中的触发词是否和 description 匹配 5. 用最简单的示例测试例如“请用大白话解释什么是缓存”。 ### 7.3 如何让 AI 自我纠正 当 AI 输出的图不符合预期时不要新开对话而是直接在原对话中追加修正指令 text 图的结构是对的但文字解释里还有两个术语请全部替换成生活化表达 另外把 Mermaid 改为竖向布局节点文本控制在 8 个字以内。这样能利用上下文继续优化比重新提问更高效。8. 最佳实践与工程建议8.1 安全边界谨慎对待 AI 生成的 SVG这是一个容易被忽略但极其重要的点。AI 生成的 SVG 本质是被当作 HTML 解析的如果模型被诱导生成了包含script标签的 SVG直接把它嵌入公网页面或本地知识库可能引入 XSS 安全风险。建议在所有可视化技能中加入一条安全规则输出 SVG 时禁止包含任何 script 标签、onclick / onload 等事件属性禁止引用外部 JavaScript 文件。如果你的平台允许还可以增加“输出前自检”的步骤要求 AI 在代码块后附带一句“本 SVG 已通过脚本标签检查”。这是低成本的合规措施。8.2 固定模板优于自由发挥不同模型的输出习惯差异很大。有的模型喜欢先抛出结论有的喜欢先铺垫背景。为了让可视化解释稳定强烈建议把模板写死在技能文件中而不是只靠提示词“希望”。模板的作用不仅是统一格式更重要的是降低阅读者的认知成本每次看到“一句话定义”“日常类比”“可视化定义”读者就能快速定位到自己关心的部分。8.3 保持技能文件的版本与演进技能文件也应该像代码一样有版本管理。建议在SKILL.md中维护version字段和变更记录每次调整输出模板后把旧模板放入examples/目录方便对比效果。如果你的团队有多人使用同一套技能建议把技能文件放到 Git 仓库统一管理。这样成员可以同步更新而不是各自维护一份。8.4 概念解释要区分“教新手”和“给同事看”/eli5技能更适合面向新手、跨团队、评审汇报等场景。如果你是给同一方向的资深同事做技术方案评审完全使用大白话反而会降低信息密度。因此技能里可以增加一个参数或场景描述默认输出“外行友好版”当用户提到“详细”“团队内部”“深入”时自动切换到“进阶版”保留术语并增加引用和边界说明。这会让技能适用性更广。9. 后续可以往哪些方向扩展经过上面的实践你会获得一套稳定可复用的技术概念解释技能。后续可以继续完善的方向有让技能自动输出“术语表”在解释完概念后生成一个包含 5 到 8 个关键术语的速查表方便读者保存增加“错误解释演示”AI 故意给出一种错误但常见的解释然后再纠正增强记忆效果把可视化扩展到工具链例如让 AI 生成可直接插入 VuePress、Docusaurus 或 README 的图表代码并验证渲染效果将技能接入团队知识库每次解释完自动生成 Markdown 页面沉淀为团队文档资产。如果你正好也在探索 AI Agent 技能、可视化解释这些方向可以从一个最常用的概念开始比如“缓存”“索引”“事务”把整套流程跑通后再逐步扩展。这样要比一次性收集大量模板更实用也会更符合你自己的真实使用习惯。 用AI技能将复杂技术概念讲清：ELI5可视化解释实战指南
之前在给团队做技术分享时我经常被一个问题卡住如何把“分布式事务”“B 树索引”“隐式类型转换”这类抽象概念在几分钟内讲得让前端、测试、产品都能点头。直接抛术语听众礼貌点头但实际没消化用比喻又容易类比失准。后来我尝试把解释工作完全交给 AI要求模型“用大白话讲一遍 配一张结构图”输出质量一下子高了很多。这篇文章想把这条路径整理成一套可复用的方法一个灵感来自 DAIR.AI 风格推荐的/eli5技能。我们会拆解什么是 ELI5、什么是面向 AI Agent 的“技能文件”然后给出完整的技能配置示例、实战演示和工程化建议。无论你是做后端、算法还是写技术文档都可以把这套能力直接搬进自己的 AI 工作流。1. 为什么需要“可视化解释”的 AI 技能1.1 技术沟通的真正痛点技术概念难讲本质上是因为它自带三层障碍。第一层是术语遮蔽一句话里堆了三四个抽象名词比如“读已提交”“可重复读”“MVCC”听众只能抓关键词很难建立全局视角。第二层是缺乏空间关系很多概念不是直线因果关系而是分支、循环、并发、回退文字很难表达这类“结构和时序”。第三层是知识背景不一致同一个“锁”后端同学想到的是数据库乐观锁前端同学想到的是浏览器 Web Locks讲述者和听众脑中的模型根本不是同一个。可视化正好能同时缓解这三层障碍。流程图把抽象名词变成节点关系图把术语之间的依赖画出来类比图用日常场景降低理解门槛。但问题也随之而来每次手动画图太重让 AI 画又常常跑偏。1.2 把“解释流程”固化成一个技能传统使用 AI 的方式是“临时写提示词”效果全看临场发挥。更现代化的做法是把一套成熟的方法论打包成一个“技能”Skill让 AI 在遇到同类请求时自动调用固定流程。一个典型的 AI Agent 技能文件通常包含三块内容技能的元信息名称、描述、适用场景、版本号执行规则触发后应该做什么按什么顺序做输出模板保证每次输出结构一致不跑偏。这套思路在 Claude Code、Codex 等工具的插件生态里已经很流行。开发者会创建类似code-reviewer、debugger、doc-writer这样的技能包把它们放在项目目录或全局配置目录中。用户提问时模型会自动识别意图并加载对应技能而不是每次从零开始“猜该怎么回答”。1.3 /eli5 和可视化为什么是绝配ELI5 是 “Explain Like I’m 5” 的缩写最初源自 Reddit 的一个版块用最朴素的语言把一个专业问题解释到外行也能听懂。把 ELI5 翻译成中文语境更像是“用大白话把概念讲明白”。但是纯文字的大白话也有局限。比如“过拟合就是模型把训练数据背下来了新数据反而不会做”这句话虽然通俗但读者仍然不知道“背下来”具体发生在哪一步。如果配上一张图让读者看到“训练集表现好但测试集下降”的双曲线理解就会深很多。所以真正好用的解释技能应当把两层能力合并语言层用比喻、类比、生活场景结构层用图、表、流程、节点关系。这正是本文要构建的eli5-visualizer技能。2. DAIR.AI 与 ELI5 的底层思路2.1 DAIR.AI 是谁为什么它的推荐值得看DAIR.AIDistributed AI Research Institute是 AI 圈子里一个偏研究、教育和开源资源整理的团队。它不定期发布提示词指南、模型评估报告、交互式教程也会推荐一些高质量的外部资源和“技能型”内容。它的推荐风格通常有一个共同点不过度追逐炫酷工具更注重“普通开发者拿起来就能用的方法”。这和本文的关系在于类似/eli5的 prompt 指令或技能文件正是在这类社区分享中被反复推荐和验证过的组合。它们不一定来自某个大厂官方标准而是无数开发者在真实项目中沉淀出的经验条款。读懂这类推荐的底层逻辑比收藏清单本身更重要。2.2 ELI5 的解释粒度ELI5 的难点在于分寸感。如果只追求“幼儿园语言”反而会把概念扭曲如果保留太多术语又回到原来的问题。理想的白话解释有三个判断标准类比对象来自日常生活。比如“缓存”可以类比为“冰箱里提前备好的菜”而不是“一个存储中间层”一句话能说清因果关系。比如“索引就是书的目录先查目录再翻页比逐页找快”听完能复述。听众合上文章能用两三句话把概念讲给第三个人就算成功。2.3 从“指令”到“技能”的迁移在早期 Prompt 阶段/eli5只是一个临时指令。你可以对任何聊天机器人说“请用大白话解释一下 XX”它也会给出不错的回答。但问题在于每次都要重新描述要求且不同模型的默认行为不一致一次解释可能只是纯文字有没有图完全看运气不能保证输出格式适合直接放进文档。把指令升级为技能后行为就稳定了AI 一旦识别到概念解释请求自动执行“定义、类比、画图、列关键点、给误区”的流程。用户不再需要重复调教模型效率提升非常明显。这就是 DAIR.AI 这类资源站推荐“技能化”的核心价值把你的最佳实践沉淀成文件供自己和团队反复调用。3. 设计一套 /eli5 可视化技能3.1 技能文件的目录结构我们采用社区常见的SKILL.md格式来组织技能。目录结构如下eli5-visualizer/ ├── SKILL.md ├── examples/ │ ├── 过拟合.md │ └── 事务隔离.md └── templates/ └── eli5-template.md文件职责SKILL.md技能入口包含元信息和执行规则examples/存放成功案例方便 AI 在遇到新概念时模仿templates/存放输出模板规定排版、结构、图表要求。各平台对技能文件的加载机制不同有的放在项目.claude/skills/有的放在全局配置目录有的需要手动导入。这里不绑定某个平台重点介绍通用的文件组织思路。3.2 设计触发条件一个好的技能不能太“敏感”否则什么请求都会误触发也不能太迟钝否则用户明确要求了却不响应。触发条件建议这样写触发用户说“解释”“通俗”“大白话”“讲讲”“类比”“画图”等拒绝用户仅仅要求代码实现、性能调优、需求评审等非解释场景。这可以写在技能的 description 里让模型依靠语义判断自动触发。比如“当用户要求用通俗语言解释技术概念并希望可视化呈现时触发”。3.3 设计输出模板这是整个技能最核心的部分也是很多现成技能写不好的地方没有把“输出结构”固定下来。我会建议模板包含五个固定板块一句话定义日常类比可视化定义Mermaid / SVG / ASCII关键细节与边界条件常见误区。每个板块之间用清晰的分隔线或标题隔开。这样无论解释什么概念输出质量都会维持在一个稳定的水平。4. 完整可用的技能配置示例4.1 编写 SKILL.md下面给出一个完整的SKILL.md示例。你可以复制到本地按需修改。--- name: eli5-visualizer description: 当用户要求用通俗语言解释技术概念并倾向于看到图形化、可视化表达时自动执行 ELI5 解释流程。适合解释算法、架构、数据库、网络、机器学习术语等场景。 version: 1.0.0 ---# 技能目标 用“5 岁小孩能听懂”的语言解释一个技术概念并输出至少一种可视化形式帮助用户快速建立直觉。 # 执行步骤 1. 用一句话定义概念禁止使用术语堆砌。 2. 找一个日常场景做类比类比对象优先选择做饭、买菜、快递、找东西、排队。 3. 根据概念类型选择可视化形式 - 流程类概念优先输出 Mermaid 流程图文本 - 结构类概念优先输出 SVG 或表格 - 关系类概念优先输出节点关系图或思维导图 - 简单对比使用 Markdown 表格即可。 4. 列出 3 个最值得记住的要点。 5. 列出 1 到 2 个常见误区用“错误说法 - 正确理解”的形式展示。 # 约束 - 类比必须真实合理不允许为了通俗而扭曲技术事实。 - 可视化文本必须能被常见 Markdown 渲染器解析。 - 如果不确定概念细节必须明说禁止编造。 - 所有内容使用中文输出。 # 示例 用户提问请用大白话解释一下什么是“过拟合”。 AI 输出结构参考 examples/过拟合.md。4.2 编写输出模板templates/eli5-template.md的作用是给 AI 一个排版基准。下面是模板内容## 一句话定义 在这里写一句话描述概念本质禁止使用专业术语。 ## 日常类比 把“概念”比喻成“____”。 - 类比对象____ - 对应关系 - 概念要素 A 对应 类比对象里的 ____ - 概念要素 B 对应 类比对象里的 ____ - 概念要素 C 对应 类比对象里的 ____ ## 可视化定义 使用 Mermaid 或 SVG 画图把概念的结构画出来并说明图中的每个节点含义。 ## 关键细节 1. ____ 2. ____ 3. ____ ## 常见误区 | 错误说法 | 正确理解 | | --- | --- | | ____ | ____ |4.3 调用示例技能文件放置好后你只需要用自然的语言发起请求请用大白话解释一下“数据库的事务隔离级别”最好配图。模型识别到“大白话 解释 配图” 这些关键词后会自动匹配eli5-visualizer技能按照模板输出内容不需要你手动粘贴五段提示词。5. 实战演示让 /eli5 技能解释“过拟合”5.1 输入请求请用大白话解释“过拟合”并给一张图。5.2 目标输出示例下面是一段参考式输出展示技能生效后的效果。## 一句话定义 过拟合就是模型把训练资料背得太熟结果遇到没见过的题目反而不会做。 ## 日常类比 把训练模型想象成学生备考。 训练集 平时做过的练习题 测试集 考试时遇到的新题 一个学生如果只会背练习册答案做过的题全对但考试题目一变就懵这就是“过拟合”。真正学得好是掌握了题目背后的规律。 ## 可视化定义 以下是 Mermaid 源文本你可以把它复制到支持 Mermaid 的编辑器中渲染。下面这段 Mermaid 源文本因为当前文档展示限制使用文本块展示。你可以复制到 mermaid.live、Typora 或 VS Code 的 Markdown 预览插件中查看渲染效果。graph TD A[训练数据] -- B[高复杂度模型] B --|记住噪声和异常| C[训练集表现很好] C --|遇到新数据| D[测试集表现差] D -- E[结论: 模型过拟合]图中从左到右展示了完整的因果关系训练数据喂给一个过于复杂的模型模型把噪声也记住了所以训练集成绩特别好但一到新数据就迅速下滑这就是过拟合。关键细节过拟合的本质是模型“容量”过大超出了训练数据的有效信息量。常见缓解方法增加数据、正则化、Dropout、早停、交叉验证。判断依据训练集损失持续下降验证集损失不再下降甚至上升。常见误区错误说法正确理解模型训练集准确率越高越好训练集准确率高不代表泛化好要关注验证集/测试集表现增加模型复杂度一定能提升效果复杂度超过数据承载能力会引入过拟合效果反而更差### 5.3 推荐预览环境 你不需要装任何重型工具就能渲染上面的 Mermaid 文本。常用的免费方式如下 - 浏览器直接访问 mermaid.live粘贴源文本即可看到图形 - VS Code 安装 “Markdown Preview Mermaid Support” 插件用 Markdown 预览打开 - Typora、Obsidian 等本地 Markdown 编辑器原生支持 Mermaid 渲染。 把 Mermaid 源文本放进项目文档后团队成员打开 Markdown 文件就能直接看到图非常方便。 ## 6. 可视化输出的四种形态与选择策略 不少开发者拿到 /eli5 技能后会误以为“可视化就等于 Mermaid”。实际上根据不同概念类型选择不同可视化形态效果差异很大。 ### 6.1 Mermaid 流程图适合流程与时序 Mermaid 用文本描述节点和连线适合描述“先做什么、再做什么、什么情况下走哪条分支”。 典型概念HTTP 请求流程、JWT 认证时序、数据库事务提交过程、CI/CD 流水线。 对应 prompt 约束“请用 Mermaid 流程图表示节点用矩形判断用菱形不要说其他图形。” ### 6.2 SVG 架构图适合精确排版 SVG 的优点是像素级控制、可以内嵌到 HTML 或文档中无需额外依赖。AI 生成的 SVG 可以画出服务组件之间的调用关系、分层架构、网络拓扑。 但 SVG 有两个坑一是 AI 生成的坐标经常重叠需要你让它“先计算节点位置再生成 SVG”二是 SVG 可能包含脚本内容存在安全风险。这一点后面最佳实践里会展开。 典型概念微服务架构、Kubernetes 组件关系、数据流向图。 ### 6.3 HTML 交互页面适合代码演示 如果听众是前端或非技术产品一段带简单交互的 HTML 页面往往比静态图更直观。你可以让 AI 生成一个包含按钮、工具提示、自动播放入口的小型 HTML Demo然后用浏览器直接打开。 典型概念排序算法过程、渲染管线、网络重传机制、并发模型演示。 ### 6.4 数据图表适合数值型概念 当概念涉及趋势、对比、分布时Mermaid 和 SVG 都不合适应该让 AI 生成 Python 代码配合 Matplotlib、Plotly 或 ECharts 渲染图表。这和常见的数据分析可视化不同重点不是炫酷大屏而是快速把抽象趋势“画出来”。 典型概念过拟合曲线训练误差与测试误差的差距、召回率与精确率的权衡、缓存命中率变化、分级限流效果。 在 /eli5 技能中我建议给 AI 增加一条规则“如果概念可以用趋势或分布表达优先考虑输出 Python 图表代码而不是强制用 Mermaid。”这样能让技能更灵活。 ## 7. 常见问题与排查清单 ### 7.1 问题速查表 | 问题现象 | 常见原因 | 解决思路 | | --- | --- | --- | | AI 没有按 ELI5 流程输出 | 技能文件未被加载或触发词不够明确 | 检查技能目录位置在请求中明确说“请使用 eli5-visualizer 技能” | | Mermaid 渲染失败 | 语法版本不兼容或节点文本包含特殊字符 | 让 AI 使用最基础的 graph TD 语法避免复杂子图特殊字符加引号 | | 输出的 SVGs 在浏览器打不开 | AI 生成的坐标错乱或标签未闭合 | 让 AI 输出“可独立打开的完整 SVG”并在本地用浏览器验证 | | 解释类比不准确 | 类比只重通俗忽略了技术等价性 | 在技能约束中增加“类比必须与技术机制一一对应” | | 图画得对但文字解释仍然晦涩 | 模板没有强制“禁用术语” | 在 SKILL.md 中增加“一句话定义禁止出现任何英文术语” | | 不同平台效果差异大 | 平台对技能文件的解析规则不同 | 先只依赖 SKILL.md 的纯文本规则不依赖平台私有字段 | ### 7.2 排查清单 如果技能没有生效按以下顺序排查 1. 确认技能文件路径是否正确平台是否会自动扫描 2. 确认 SKILL.md 的 frontmatter 中 name 和 description 是否清晰 3. 直接告诉 AI “请把技能文件里的执行步骤列出来”看它是否读到了文件 4. 检查请求中的触发词是否和 description 匹配 5. 用最简单的示例测试例如“请用大白话解释什么是缓存”。 ### 7.3 如何让 AI 自我纠正 当 AI 输出的图不符合预期时不要新开对话而是直接在原对话中追加修正指令 text 图的结构是对的但文字解释里还有两个术语请全部替换成生活化表达 另外把 Mermaid 改为竖向布局节点文本控制在 8 个字以内。这样能利用上下文继续优化比重新提问更高效。8. 最佳实践与工程建议8.1 安全边界谨慎对待 AI 生成的 SVG这是一个容易被忽略但极其重要的点。AI 生成的 SVG 本质是被当作 HTML 解析的如果模型被诱导生成了包含script标签的 SVG直接把它嵌入公网页面或本地知识库可能引入 XSS 安全风险。建议在所有可视化技能中加入一条安全规则输出 SVG 时禁止包含任何 script 标签、onclick / onload 等事件属性禁止引用外部 JavaScript 文件。如果你的平台允许还可以增加“输出前自检”的步骤要求 AI 在代码块后附带一句“本 SVG 已通过脚本标签检查”。这是低成本的合规措施。8.2 固定模板优于自由发挥不同模型的输出习惯差异很大。有的模型喜欢先抛出结论有的喜欢先铺垫背景。为了让可视化解释稳定强烈建议把模板写死在技能文件中而不是只靠提示词“希望”。模板的作用不仅是统一格式更重要的是降低阅读者的认知成本每次看到“一句话定义”“日常类比”“可视化定义”读者就能快速定位到自己关心的部分。8.3 保持技能文件的版本与演进技能文件也应该像代码一样有版本管理。建议在SKILL.md中维护version字段和变更记录每次调整输出模板后把旧模板放入examples/目录方便对比效果。如果你的团队有多人使用同一套技能建议把技能文件放到 Git 仓库统一管理。这样成员可以同步更新而不是各自维护一份。8.4 概念解释要区分“教新手”和“给同事看”/eli5技能更适合面向新手、跨团队、评审汇报等场景。如果你是给同一方向的资深同事做技术方案评审完全使用大白话反而会降低信息密度。因此技能里可以增加一个参数或场景描述默认输出“外行友好版”当用户提到“详细”“团队内部”“深入”时自动切换到“进阶版”保留术语并增加引用和边界说明。这会让技能适用性更广。9. 后续可以往哪些方向扩展经过上面的实践你会获得一套稳定可复用的技术概念解释技能。后续可以继续完善的方向有让技能自动输出“术语表”在解释完概念后生成一个包含 5 到 8 个关键术语的速查表方便读者保存增加“错误解释演示”AI 故意给出一种错误但常见的解释然后再纠正增强记忆效果把可视化扩展到工具链例如让 AI 生成可直接插入 VuePress、Docusaurus 或 README 的图表代码并验证渲染效果将技能接入团队知识库每次解释完自动生成 Markdown 页面沉淀为团队文档资产。如果你正好也在探索 AI Agent 技能、可视化解释这些方向可以从一个最常用的概念开始比如“缓存”“索引”“事务”把整套流程跑通后再逐步扩展。这样要比一次性收集大量模板更实用也会更符合你自己的真实使用习惯。