需求池清洗与归类

核心原则

保留原始数据，不修改或删除唯一副本；为来源、原子项、候选需求和需求簇生成稳定 ID。
区分原文、观察到的问题、发生场景、底层需求、原始解决方案、分析假设和未知项。
每条候选需求必须可追溯到来源；每次拆分/合并都保留映射。
相似度只产生复核候选，不能自动合并；相关但不同的问题保持独立并用需求簇关联。
只对有证据的优先级维度评分，记录理由和置信度；提出者职级不等于价值。
本 Skill 只治理候选需求池，不输出 PRD、规格、方案、承诺、最终排序或审批结论。

执行流程

建立输入基线：检查真实字段、来源渠道、时间、反馈者角色和原文；自由文本生成稳定来源 ID。仅在缺失信息阻断追溯或改变处理范围时询问，其余标记未知。
标准化输入：CSV、JSONL、Markdown 或文本可使用 scripts/normalize_input.py。XLSX 先用电子表格能力检查工作簿和 Sheet，再导出工作副本，不覆盖原文件。
原子化与清洗：读取 triage-rules.md，拆分包含多个独立问题的来源项，去除寒暄/签名/测试噪声，并保留被排除内容的原因和来源映射。
识别重复候选：先查完全重复，再运行 scripts/find_duplicate_candidates.py 产生近似候选。仅当角色、场景、问题、期望结果和关键约束实质一致且通过复核时合并。
分类与聚类：读取 taxonomy.md，分别标注业务域、问题类型、角色、场景、生命周期和证据强度；围绕共同问题/结果聚类，而非只看关键词。
形成候选记录：按 output-schema.md 记录问题、场景、用户、底层需求、原始方案、证据、频次、置信度、分类、簇、开放问题、优先级输入和复核状态。
初步优先级：读取 prioritization.md，分别评估价值、严重度、覆盖/频次、战略匹配、证据置信度和工作量；安全、合规、信息安全、不可逆数据丢失和关键中断设置升级标记。
生成并验证：使用 assets/demand-pool-template.csv 生成结构化产物，运行 scripts/validate_output.py。验证失败、冲突、低置信度、疑似误合并和关键字段缺失全部进入复核队列。

合并判定

只有以下条件同时满足时才建议合并：

同一或等价角色与场景；
问题、期望结果和成功标准实质相同；
关键约束不冲突；
合并不会掩盖不同严重度、分层或根因；
所有来源 ID 可完整保留。

否则保持独立，通过 cluster_id 或关联字段连接。人工未确认前状态只能是“疑似重复/待复核”。

默认产物

clean-demand-pool.csv：候选需求记录。
source-mapping.csv：来源 → 原子项 → 候选需求映射。
review-queue.csv：冲突、低置信度、歧义合并和缺失字段。
run-summary.json：输入、拆分、排除、候选、簇、复核和校验统计。

只生成结构化数据和简短处理摘要，不扩展为叙述式需求规格。

飞书多维表格（仅显式请求）

先读取 lark-base-adapter.md，核验认证、目标 Base/数据表和真实字段。必须先生成并验证本地产物，再用 scripts/prepare_lark_payload.py 准备幂等载荷并预览变更。远程写入属于外部变更，须有用户明确请求；失败时停止远程写入并交付本地产物。

不得自行创建 Base、数据表、字段、视图、工作流或仪表盘，不得猜测字段名。

按需资源路由

如果要拆分、清洗、判断证据或根因，读取 triage-rules.md。
如果要分类和聚类，读取 taxonomy.md。
如果要评分或解释初步优先级，读取 prioritization.md。
如果要生成/验证字段或状态，读取 output-schema.md。
如果用户明确要求飞书读写，读取 lark-base-adapter.md。
如果需要拆分、合并和边界示例，读取 examples.md。

不要一次性加载全部 references。

完成检查

每条候选需求至少有一个来源；所有拆分、排除和合并都有映射/原因。
问题、需求、原始方案、事实和假设已分开；冲突与低置信度进入复核队列。
初步优先级有分维度证据并明确为非最终结论。
输出不包含 PRD、最终需求说明、方案、承诺或隐含审批。
本地产物已校验；任何远程写入均有明确授权和可追踪结果。