前言¶

团队准备上 AI 时，最常见的问题不是「模型不够强」，而是说不清三件事：哪个场景值得先做、人和机器各负责什么、这件事该做成一个 Skill 还是上一套监测规则。多数做法是直接挑一个流程自动化，跳过判断，结果要么把人才知道的经验浪费掉，要么把机器已能感知的盲点当成新问题反复讨论。

下面介绍的 Skill 走的是另一条路：先把场景按「信息归谁」拆开，再决定 AI 以什么等级介入。

这是什么¶

乔哈里窗AI协作诊断（坐标 @baitongai/johari-window-ai-collaboration-diagnosis）是百通AI服务平台发布的 enterprise 类技能，当前版本 1.4.0，分类 ai-agent。

它解决的是「场景筛选 + 人机分工」这一层问题。Skill 以「AI转型架构师兼业务诊断顾问」的视角工作，输入任意业务场景、痛点或任务，输出它在乔哈里窗中的落点、对应的 AI 角色等级、协同策略与下一步动作。它是「阿九AI落地四步心法」的第一步，后面接落地执行。

核心功能¶

1、信息归属判定。把输入内容按乔哈里窗 2×2 矩阵划分：开放区（人机皆知）、隐藏区（人知机不知）、盲点区（机知人不知）、未知区（人机皆不知）。

2、AI 角色等级映射。按落点映射到四级角色：AI助手 L1、AI伙伴 L2、AI教练 L4、AI大师 L5，据此给出协同策略与落地路径。资料中列出的角色为 L1/L2/L4/L5，未包含 L3，使用时需自行确认中间等级的定义。

3、下一步动作产出。输出包含 STEPS 提示词骨架或监测规则草案，可以直接拿去续写，而不是只给一句结论。

4、方法论工具箱。内含 BEI 经验萃取、STEPS 五步法、5WHY 根因分析，以及高价值切入点优先级：隐藏区优先做经验萃取，盲点区优先做洞察扫描。

5、V2.1 认知可见性扩展。已扩展「知窗全谱·认知可见性六维理论」，包含六维全谱与时间维 T，详见 references/framework.md 第 8–9 章。其中方向性法则为：谁主导披露，谁承担诚实义务；「披露」按意愿、显性化、设计、协议四种译法分别处理。

诊断流程¶

这个 Skill 的价值在流程上，可以直接照做。

1、把业务场景、痛点或任务写成一句话，描述清楚当前的做法和卡点，不要只给一个名词。
2、按信息归属填入 2×2 矩阵，逐个格子问一句：这件事人知道吗？机器知道吗？两个问题的答案组合决定落点。
3、根据落点映射 AI 角色等级，低信息差的场景用 L1/L2 即可，机器掌握而人不掌握的信息适合上洞察与监测。
4、按优先级排序切入点：隐藏区走 BEI 经验萃取，盲点区走洞察扫描。
5、用 STEPS 五步法或 5WHY 收敛到根因，避免停在表层症状。
6、产出协同策略与落地路径，并附上 STEPS 提示词骨架或监测规则草案，作为下一步的输入。

上面的第 2 步是核心。多数团队卡住的原因是跳过了它，直接讨论「AI 能干什么」，而没有先问「信息在谁手里」。

安装与启用¶

坐标:   @baitongai/johari-window-ai-collaboration-diagnosis
名称:   乔哈里窗AI协作诊断
版本:   1.4.0
来源:   enterprise
分类:   ai-agent
发布者: 百通AI服务平台
标签:   requires_api_key=false

标签 requires_api_key=false 表示该 Skill 不需要 API Key，接入侧不需要先申请密钥。

它遵循通用 SKILL.md 格式，因此在支持该格式的 Agent 环境（Cursor、Codex CLI、Claude Code 等）中按目录放置或按坐标引入即可。已抓取资料中没有给出具体安装命令，也没有说明各客户端的差异，这部分需要到 SkillHub 页面确认后再执行，这里不臆造命令。

典型用法¶

这个 Skill 是诊断型而非执行型，用法是「喂入场景描述，拿回落点与分工建议」。

输入: 客服团队的话术质检目前靠老员工抽检，抽检覆盖率不到 10%，
      新人不知道老员工判断一条回复好坏的标准是什么。

按信息归属拆分:
- 老员工判断标准: 人知，机不知 -> 隐藏区
- 历史会话中已存在的违规模式: 机可知，人未整理 -> 盲点区
- 未发生过的投诉类型: 人机皆不知 -> 未知区

优先级: 隐藏区 -> BEI 经验萃取，把判断标准显性化
      盲点区 -> 洞察扫描，先跑一轮全量扫描再定规则

上面是结构示例，不是官方案例，用于说明输入应该写到什么粒度。实战中把第 1 步的场景描述写得越具体，后续落点判断越不容易跑偏。

适用场景与注意¶

适用场景（来自官方简介）：

1、AI 落地前筛选高价值场景，避免资源投在低信息差环节。
2、明确人机分工与 AI 能力等级，给团队一个统一的说法。
3、判定该建 Skill 还是上监测，而不是凭感觉二选一。
4、团队 AI 协同认知对齐，让不同角色对「谁知道什么」达成一致。
5、诊断 AI 主动披露行为与多 Agent 协作中的诚实义务分配。

注意事项：

1、输入质量决定判定质量。只给一个业务名词，四个区都会是空的，判断结果不可用。
2、角色等级缺 L3，若你的团队体系里有中间等级，需要自行补齐映射规则。
3、六维全谱与时间维 T 只在 references/framework.md 第 8–9 章展开，正文中的 2×2 是简化版，涉及长期迭代的场景要回到原文看时间维。
4、方向性法则（谁主导披露谁承担诚实义务）在诊断多 Agent 协作时尤其关键，披露义务不清会导致协作链路上的静默错误。
5、数据口径：已抓取资料记录评分 100000、下载 1794、安装 0，而任务线索页显示评分 99057、下载 1786，两处不一致。官网页面本次抓取失败，数字以你打开官方页时看到的为准。

结尾¶

这个 Skill 的价值不在于给了一个新奇框架，而在于把「AI 落地」的第一步固定成了可检查的动作：先判信息归属，再定角色等级，最后落到 STEPS 骨架或监测规则。相比直接挑流程上模型的做法，它能少走一轮方向性返工。

官方地址：https://api.skillhub.cn/baitongai/johari-window-ai-collaboration-diagnosis
SkillHub 页面：https://www.skillhub.cn/skills/baitongai/johari-window-ai-collaboration-diagnosis