@johanthoren/jeff
面向AI模型的原生质量管控平面，提供专业上下文与确定性门控。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：@johanthoren/jeff。 它的用途是：面向AI模型的原生质量管控平面，提供专业上下文与确定性门控。 完整的 Skill 内容见：https://321skill.com/skills/johanthoren-jeff/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“使用Jeff的代码安全专家上下文，审查这段用户提交的API代码，并生成包含漏洞风险和修复建议的审计报告。”，它会首先激活安全专家模型，在专用上下文中分析代码，通过安全门控检查后，生成一份附带完整证据链（如触发了哪些规则）的确定性报告。
介绍
Jeff 是一个专为AI模型设计的质量管控平面，旨在解决AI应用在复杂任务中输出质量不稳定、缺乏专业深度和可追溯性的问题。它通过构建一个结构化的管控层，确保AI的每一次输出都经过特定领域的专业标准校验。
使用 Jeff 时，你需要将其作为质量管控层集成到你的AI工作流中。它提供“新鲜的专业上下文”，意味着能动态注入最新的领域知识；通过“强制分离”确保不同角色的专家模型各司其职；生成“持久证据”来记录决策依据；并设定“确定性门控”来强制执行质量检查点，只有通过检查的输出才会被放行。
这个工具非常适合那些依赖AI处理关键、复杂或专业性强的任务的组织与开发者，例如金融分析、法律文档审查、医疗报告生成或高质量代码评审等场景。它帮助团队将AI从“可能有用”的工具，提升为“可靠、可审计”的生产力核心。
在使用建议上，建议在项目初期就规划好质量门控点，并明确定义不同“专家”模型的职责范围。同时，由于引入了额外的管控步骤，可能会轻微增加响应延迟，因此需在质量与效率间做好权衡。对于简单、非关键的任务，可能无需如此复杂的管控。
核心特点
与普通提示工程或简单后处理工具不同，Jeff 的核心在于其“模型原生”和“确定性门控”设计。它并非事后过滤，而是将质量管控作为核心流程嵌入AI调用链路，通过强制分离专家角色和持久化证据链，实现了工业级、可审计的AI输出质量管理。
注意事项
不适合对响应速度要求极高或任务极其简单的轻量级、探索性AI应用场景。
常见问题
Jeff 和普通的系统提示（System Prompt）有什么区别？
Jeff 是一个包含上下文管理、角色强制分离、证据记录和门控检查的完整质量管控平面，远超出单一系统提示的范畴。
使用 Jeff 会显著降低AI的响应速度吗？
会引入一定延迟，因为它增加了多个质量检查步骤，但换取了输出质量的确定性和可审计性。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/johanthoren-jeff/raw/index.md 读取 @johanthoren/jeff 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/johanthoren-jeff/raw/index.md（查看排版版本）