这解决了什么问题？
头脑风暴面对复杂需求时通常无法澄清全部问题。
建议的方案
进行specs设计的方法论：
1️⃣ 认知引擎层：苏格拉底式“决策树拷问”
规则一（分支穷尽）：将你的模糊目标视为一棵“决策树”。AI不生成枝叶，而是沿着每一个“if-else”分支追问，直到覆盖所有潜在变量和极端情况。
规则二（单线程聚焦）：每次只抛出一个问题，并附带AI自身的“推荐答案”。这避免了信息过载，让你能通过“同意/修改/否决”快速推进，保持认知负担最小化。
规则三（信息自足）：遵循“能查就不问”原则。AI必须先扫描现有上下文（代码库、历史文件），只有无法从客观事实中推导出的主观决策点（如“你要红色还是蓝色？”），才抛给人类。
2️⃣ 验证校准层：领域驱动的事实交叉验证（仅限 grill-with-docs）
术语一致性校验：捕捉你描述中的模糊词汇，与项目既有的术语表/数据字典进行碰撞。发现冲突（如你说的“部分退款”与代码中的“整单退款”矛盾）时，强制中断拷问并抛出矛盾点。
代码事实核对：不轻信口头描述，直接读取实际代码逻辑来验证假设的真伪。
3️⃣ 产出沉淀层：渐进式“活文档”构建
拷问不是单纯的口水仗，而是边聊边写。
内联更新：每当敲定一个术语或决策，立即将其固化到特定的结构化文档中（如 CONTEXT.md 存储术语，ADR/ 存储架构决策记录）。
最终缝合：拷问结束时，AI不输出代码，而是输出一份无歧义、无缺失、带优先级的静态计划书（PLAN.md）。这份计划书是后续“执行AI”的唯一输入源。
你考虑了哪些替代方案？
这适合放在核心 Superpowers 中吗？
上下文
这解决了什么问题？
头脑风暴面对复杂需求时通常无法澄清全部问题。
建议的方案
进行specs设计的方法论：
1️⃣ 认知引擎层：苏格拉底式“决策树拷问”
规则一（分支穷尽）：将你的模糊目标视为一棵“决策树”。AI不生成枝叶，而是沿着每一个“if-else”分支追问，直到覆盖所有潜在变量和极端情况。
规则二（单线程聚焦）：每次只抛出一个问题，并附带AI自身的“推荐答案”。这避免了信息过载，让你能通过“同意/修改/否决”快速推进，保持认知负担最小化。
规则三（信息自足）：遵循“能查就不问”原则。AI必须先扫描现有上下文（代码库、历史文件），只有无法从客观事实中推导出的主观决策点（如“你要红色还是蓝色？”），才抛给人类。
2️⃣ 验证校准层：领域驱动的事实交叉验证（仅限 grill-with-docs）
术语一致性校验：捕捉你描述中的模糊词汇，与项目既有的术语表/数据字典进行碰撞。发现冲突（如你说的“部分退款”与代码中的“整单退款”矛盾）时，强制中断拷问并抛出矛盾点。
代码事实核对：不轻信口头描述，直接读取实际代码逻辑来验证假设的真伪。
3️⃣ 产出沉淀层：渐进式“活文档”构建
拷问不是单纯的口水仗，而是边聊边写。
内联更新：每当敲定一个术语或决策，立即将其固化到特定的结构化文档中（如 CONTEXT.md 存储术语，ADR/ 存储架构决策记录）。
最终缝合：拷问结束时，AI不输出代码，而是输出一份无歧义、无缺失、带优先级的静态计划书（PLAN.md）。这份计划书是后续“执行AI”的唯一输入源。
你考虑了哪些替代方案？
这适合放在核心 Superpowers 中吗？
上下文