RDQ Method — 需求探索四象限法

Requirements Discovery Quadrant Method 一個給 Claude Code 用的需求訪談 Skill。

在執行之前，先把真正的問題找出來。

這是在解決什麼問題

你請 AI 做一份東西，它做出來了——格式完整、邏輯通順，但不能用。

AI 沒有做錯任何被交代的事。問題是：有太多事，根本沒有被交代。

常見的解法是「教使用者寫更好的提示詞」。但人本來就不知道自己漏了什麼。

RDQ 換一個方向：讓 AI 在動手之前，先協助你把需求挖出來。

四象限

Ⅲ 和 Ⅳ 是重點——多數「AI 做出來不能用」的情況都卡在這兩格。

關鍵判別：Ⅲ 用問的，Ⅳ 用端的

擬任何一條內容前，先自問：

「使用者現在當場答得出來嗎？」

• 答得出來 → 象限Ⅲ，用問的
• 要先給他資訊才能判斷 → 象限Ⅳ，用端的（列出具體選項讓他勾選）

問使用者「你還有什麼沒想到的嗎？」是邏輯錯誤——他答得出來就不叫 Unknown Unknowns 了。

安裝

直接 clone 成你的 skill 目錄：

git clone https://github.com/mathruffian-dot/rdq-skill.git ~/.claude/skills/rdq

Windows（PowerShell）：

git clone https://github.com/mathruffian-dot/rdq-skill.git $env:USERPROFILE\.claude\skills\rdq

裝好後重開 Claude Code 即可。

使用

講人話就好，不需要記指令：

用 RDQ

其他會觸發的說法：「先訪談我再做」「幫我釐清需求」「我還沒想清楚要什麼，你先問我」「幫我想想還缺什麼」。

丟一個模糊的大任務時，它會先問一句「要不要先跑 RDQ？」——你說不用，這段對話就不會再問第二次。

你會經歷什麼

1. 它先回顯你說的話 ＋ 它從專案設定檔已經知道的事 → 你只要挑錯，不用回答
2. 問 3–4 題選項式問題 → 用點的，不用打字；最後一題永遠有「先這樣，直接開始」
3. 端出 3–5 條你可能沒想到的建議 → 每條標代價，預設不勾，全不勾也能走
4. 給你一張規格卡 → 沒問到的全標成 ❓ 假設，你掃一眼推翻不對的
5. 你說可以，它才動工

Lite 模式全程只打擾你 2 次，Full 模式 3 次。

不會觸發的情況

小任務、需求已經很完整、你說「直接做」、純查詢、以及你在製作 RDQ 相關內容的時候（做 RDQ 的簡報影片 ≠ 跑 RDQ）。

換個領域怎麼用

題庫是為台灣國中教學現場寫的。但別急著重寫——實際盤過，六段裡只有一段是教學專屬的：

不補題庫會怎樣？

能跑，但少了最值錢的部分。

SKILL.md 的核心規則是領域無關的——象限動詞鎖定、Ⅲ／Ⅳ 判別測試、紅黃綠燈、互動預算、規格卡格式，換誰用都成立。找不到對應領域時，SKILL.md 會指示 Claude 拿通用段當骨架、用這些規則現場生題，不會開天窗。

但題庫真正的價值不在題目本身，在於「不問會怎樣」那一欄——那是踩過的雷：

「學員能不能現場登入 AI 服務？」→ 註冊卡關會吃掉 20–40 分鐘不可逆的現場時間

這種東西模型自己想不出來，因為它沒站在講台上被三十個人盯著等過。律師、醫護、電商、工程各有各的這種雷，那才是你要補的。

怎麼補

1. 打開 references/question-bank.md，照檔案末尾的範本加一段
2. Ⅲ 訪談題只收「答案不同會導致重做」的紅燈題，每題附具體選項與「不問會怎樣」
3. Ⅳ 建議菜單從三處找料：你這行的不可逆決定、法遵與資安紅線、最常見的失敗原因；每條標代價
4. 到「領域判定」表加一列

最快的補法：不用一次寫完。跑幾次真實任務，把當下真正卡到你的問題記下來，回填。這份題庫本來就是這樣長出來的。

設計重點

檔案結構

rdq/
├── SKILL.md                      # 觸發規則、四象限操作規則、七階段流程
└── references/
    ├── question-bank.md          # 六領域題庫（活文件，歡迎依你的領域改寫）
    └── spec-template.md          # 需求規格卡模板

question-bank.md 內建六個領域：教育研習／教學簡報／備課教材／影片內容／程式專案／通用。 每個領域有「Ⅲ 訪談題」（附具體選項與「不問會怎樣」）和「Ⅳ 建議菜單」（附代價）。

這是活文件——題庫決定訪談品質，請依你自己的領域補題、改題。原版是為台灣國中教學現場寫的。

原創性與來源聲明

RDQ Method 並非宣稱創造 Known／Unknown 四象限或需求工程理論。其概念基礎來自已知與未知的知識分類、Unknown Knowns 的後續理論討論，以及需求工程中的 Requirements Elicitation。RDQ Method 的工作是將這些概念進行整合、重新詮釋與流程化，並透過實際實驗，探索其在 AI Agent、AI Skill 與 AI 專案需求建構中的應用。

The RDQ Method does not claim authorship of the known–unknown knowledge model or requirements engineering. It is an integrative and experimental method that adapts these established concepts into a structured requirement-discovery workflow for AI agents, skills, and projects.

概念來源：Known／Unknown 三分類因 Donald Rumsfeld 2002 年的公開談話而廣為人知（更早已見於風險分析、決策與航太領域）；Unknown Knowns 由後續哲學與知識管理討論補入，Slavoj Žižek 的討論尤具影響力；流程面則來自 Requirements Engineering 中的 Requirements Elicitation。

目前狀態

實驗性方法（Experimental）。

適合這樣描述：整合型方法、實務框架、AI 專案前期的需求建構流程。

目前不宜稱為：已驗證的學術理論、國際標準、通用 Agent 標準、已證實能提升特定百分比成果的框架。

規格卡內建的 telemetry 欄位只是單臂描述性資料——沒有對照組，不可用來宣稱「RDQ 降低了 N% 的修改次數」。

認識論上的誠實：AI 無法真正判定使用者「知不知道自己知道」，「當場答得出來與否」只是 Unknown Knowns 的操作型近似。

授權

MIT License — 自由使用、修改、散布。

作者：mathruffian-dot