Измеримая цель до начала работы

Делает из расплывчатого намерения одну измеримую цель с проверкой, границами и условием остановки и заводит её через get_goal и create_goal. Для случаев, когда перед долгой работой агента надо договориться, что считать «готово».

ВайбкодингПак: Скиллы OpenAI99 строкdefine-goal
Автор
Источник
openai/skills/skills/.curated/define-goal @ 49f948f
Лицензия
Apache-2.0

Об этом скилле

Что делает

Скилл превращает расплывчатое намерение в одну цель, по которой с агента можно спросить, и заводит её через инструмент целей агента. По его правилам годная цель называет конкретный результат, затронутый артефакт или систему, способ проверить готовность, границы задачи и момент, когда надо остановиться и спросить, а не упираться дальше.

Если предметная область позволяет, у цели появляются числа: точная команда тестов и условие прохождения, порог задержки или доли ошибок вместе со способом замера и числом прогонов, пути к файлам и допустимый радиус изменений, количество проверенных случаев. Цели-занятия вроде «продолжать разбираться» или «сделать получше» отклоняются, пока их не уточнят. В файле есть приёмы для багов, тестов, производительности, исследований и эксплуатации и примеры: p95 ниже 250 мс в трёх прогонах бенчмарка — хорошая цель, «ускорить оформление заказа» — слабая.

Если недостающая деталь меняет результат, агент задаёт один короткий вопрос, иначе переписывает цель сам. Перед созданием он вызывает get_goal: подходящую активную цель использует дальше, а при конфликте спрашивает, как быть. Только потом вызывает create_goal с одной строкой цели, в которую входит и способ проверки. Планов, журналов и других файлов скилл не пишет.

Когда включать и когда не надо

Перед долгой работой агента по заведённой цели или просто когда хотите заранее договориться, что значит «готово».

Для обычной задачи на реализацию скилл сам велит его пропустить и просто сделать работу.

Как поставить и вызвать

Команда установки ниже скачивает папку: SKILL.md, файл метаданных для Codex и лицензию. Скриптов и ключей нет. Скилл вызывает get_goal и create_goal — инструменты самого агента; где их нет, вы получите текст цели, но заведена она не будет. Вызвать:

  • Claude Code: /define-goal или попросить скилл по имени.
  • Codex: $define-goal.
  • Cursor: наберите / в чате Agent и выберите define-goal.

Пример: /define-goal Хочу, чтобы нестабильные e2e-тесты починили до релиза.

OpenAI пометила репозиторий openai/skills устаревшим; наша копия зафиксирована на одном из его коммитов, а новой версии этого скилла в openai/plugins на ноябрь 2026 года нет.

Чем отличается от похожих

Интервью о задаче тоже выясняет намерение, но долгим интервью по одному вопросу за сообщение и заканчивает формулировкой, которую надо подтвердить явным «да». Спецификация перед кодом и Спецификация и PRD до начала работы идут дальше, до письменной спецификации и плана. Этот скилл останавливается на одной измеримой фразе и вызове инструмента целей. Проверка перед словом «готово» работает на другом конце: проверяет доказательства, прежде чем агент скажет «готово».

Установка

Выполните одну команду — она сохранит SKILL.md и файлы, которые он использует, в папку скиллов агента. Claude Code и Codex подхватывают новый скилл без перезапуска; если скилл не появился, перезапустите агента.

Скилл написан на английском — агент поймёт его и ответит вам по-русски.

Claude Code — macOS, Linux
curl -fsSL --create-dirs -o ~/.claude/skills/define-goal/SKILL.md https://anymodel.org/en/skills/openai/define-goal/SKILL.md -o ~/.claude/skills/define-goal/LICENSE.txt https://anymodel.org/en/skills/openai/define-goal/LICENSE.txt -o ~/.claude/skills/define-goal/agents/openai.yaml https://anymodel.org/en/skills/openai/define-goal/agents/openai.yaml
Codex, Cursor — macOS, Linux
curl -fsSL --create-dirs -o ~/.agents/skills/define-goal/SKILL.md https://anymodel.org/en/skills/openai/define-goal/SKILL.md -o ~/.agents/skills/define-goal/LICENSE.txt https://anymodel.org/en/skills/openai/define-goal/LICENSE.txt -o ~/.agents/skills/define-goal/agents/openai.yaml https://anymodel.org/en/skills/openai/define-goal/agents/openai.yaml
Claude Code — Windows PowerShell
foreach ($f in 'SKILL.md','LICENSE.txt','agents/openai.yaml') { $p = Join-Path "$HOME\.claude\skills\define-goal" $f; New-Item -ItemType Directory -Force (Split-Path $p) | Out-Null; Invoke-WebRequest "https://anymodel.org/en/skills/openai/define-goal/$f" -UseBasicParsing -OutFile $p }
Codex, Cursor — Windows PowerShell
foreach ($f in 'SKILL.md','LICENSE.txt','agents/openai.yaml') { $p = Join-Path "$HOME\.agents\skills\define-goal" $f; New-Item -ItemType Directory -Force (Split-Path $p) | Out-Null; Invoke-WebRequest "https://anymodel.org/en/skills/openai/define-goal/$f" -UseBasicParsing -OutFile $p }

Другой агент: сохраните файл в его папку скиллов или дайте ему ссылку на файл: https://anymodel.org/en/skills/openai/define-goal/SKILL.md

SKILL.md

Исходник

Define Goal

Overview

Shape the user's intent into an objective an agent can pursue honestly. Prefer measurable outcomes, explicit evidence, and bounded scope over activity descriptions.

This skill covers goal definition and goal-tool creation only. Do not create intermediate planning artifacts, durable snapshots, ledgers, decision logs, or resume files from this skill.

Workflow

  1. Confirm that goal definition is actually needed.

    • Use this skill when the user asks for $define-goal, asks to create or set a goal, asks for the goal tool, or wants help turning an intention into a clear objective.
    • If the user only asks for ordinary implementation work, do the work directly instead of forcing goal creation.
  2. Restate the likely goal in concrete terms. A usable goal names:

    • the specific outcome that will be true
    • the main artifact, system, repo, environment, or user-facing behavior involved
    • how completion will be verified
    • what is in scope
    • what is out of scope when ambiguity would matter
    • the stop condition for asking the user instead of grinding
  3. Make it quantitative when the domain supports it. Prefer numbers that represent real success, not decorative precision:

    • pass/fail validators: exact tests, checks, CI jobs, evals, commands, or acceptance criteria
    • quality thresholds: latency, error rate, cost, accuracy, recall, precision, coverage, flake rate, bundle size, memory, uptime, completion rate, or manual review criteria
    • artifact constraints: file paths, affected modules, allowed commands, output formats, target environments, deadlines, or maximum blast radius
    • evidence counts: number of reproduced failures, successful reruns, reviewed examples, migrated records, addressed comments, or verified cases
  4. Repair weak goals before setting them.

    • Rewrite vague goals into measurable objectives when local context makes the rewrite safe.
    • Ask one concise clarification question when the missing detail changes the intended outcome or validation.
    • Reject pure activity goals such as "make progress," "keep investigating," "improve things," or "work on X" unless they are sharpened into a verifiable outcome.
  5. Check active goal state before creating a goal.

    • Call get_goal.
    • If there is no active goal and the objective meets the quality bar, call create_goal.
    • If there is an active goal that still matches the user's intent, continue using it instead of creating a duplicate.
    • If there is an active goal that conflicts with the new request, ask whether to finish the current goal, mark it complete if done, or start a separate goal-backed thread.
  6. Create the goal only after it passes the quality bar.

    • Use a single concise objective string.
    • Include the verification evidence in the objective itself.
    • Include scope bounds when they constrain the work.
    • Include a token budget only when the user explicitly requested one.
    • Do not call create_goal for an ordinary multi-step task unless the user explicitly asked for goal-backed work.

Goal Quality Bar

Before create_goal, the objective should answer:

  • What concrete thing will be true when this is done?
  • What evidence will prove it?
  • What quantitative or binary threshold defines success?
  • What scope boundaries matter?
  • What should cause the agent to stop and ask?

Good:

Reduce checkout API p95 latency below 250 ms for the documented slow path by making the smallest safe server-side change, then verify with npm run test:checkout and the existing local latency benchmark showing p95 under 250 ms across 3 consecutive runs.

Good:

Resolve the open review comments on PR 123 that request code changes, update only the affected auth files and tests, and verify with the targeted auth test command plus gh pr view 123 showing no unresolved change-request threads.

Weak:

Make checkout faster.

Weak:

Keep investigating the PR comments.

Quantification Heuristics

  • For bugs, define success as reproduction first, fix second, and a failing-then-passing validator when possible.
  • For tests, name the exact command and required pass condition.
  • For performance, name the metric, target threshold, measurement method, and number of runs.
  • For quality work, define an observable acceptance bar such as reviewed examples, lint/typecheck/test pass, or user-approved artifact.
  • For research, define the decision the research must enable, the sources or systems in scope, and the evidence standard.
  • For operations, define healthy state, monitoring window, failure threshold, and rollback or escalation trigger.

Clarifying Questions

Ask only when a reasonable rewrite would risk pursuing the wrong outcome. Keep the question short and oriented around the missing validator or scope boundary.

Useful question shapes:

  • "What metric should define success here: latency, cost, accuracy, or user-visible behavior?"
  • "Which environment should I verify against: local, staging, or production?"
  • "What is the minimum evidence you want before I mark this goal complete?"

If the user cannot provide a metric, propose the most honest binary validator available and ask for confirmation.

Подключить через AnyModel API

Скилл работает на той модели, которую использует агент. Подключите Claude Code, Codex или Cursor к AnyModel и запускайте его на Claude, GPT, Gemini и других моделях по одному ключу — оплата за токены, без подписки.

Ещё из пака Скиллы OpenAI

Приложения на ASP.NET Core

Делает работу с ASP.NET Core по актуальным правилам: выбор между Blazor, Razor Pages, MVC и Minimal APIs, Program.cs и порядок middleware, авторизация, EF Core, тесты, переход на .NET 10. Для случаев, когда вы создаёте, ревьюите или обновляете приложение.

Приложения для ChatGPT на Apps SDK

Делает приложения для ChatGPT на Apps SDK: сначала читает документацию OpenAI, выбирает тип приложения, планирует MCP-инструменты, берёт официальный пример или заготовку на Node, проверяет в режиме разработчика. Для случаев, когда приложение живёт в ChatGPT.

CLI по документации API

Делает постоянный CLI по документации API, OpenAPI, curl-запросам или скрипту: JSON на выходе, doctor и dry-run, безопасная авторизация, установка в PATH и скилл-компаньон. Для случаев, когда агент раз за разом ходит в один сервис самодельными запросами.

Разбор комментариев к PR на GitHub

Делает пронумерованный список всех комментариев, ревью и построчных тредов PR текущей ветки через GraphQL-скрипт на gh и правит только выбранные вами. Для случаев, когда в PR накопились замечания и вы хотите сами решить, что исправлять.

Починка упавших проверок GitHub Actions

Делает разбор упавших проверок GitHub Actions в PR: через gh скачивает логи, вырезает кусок с ошибкой и составляет план исправления, а код меняет только после одобрения. Для случаев, когда CI в PR красный и сначала нужна причина.

Ноутбуки Jupyter

Делает ноутбуки Jupyter для экспериментов и учебных разборов из готовых шаблонов через скрипт на стандартной библиотеке, с правилами структуры и чек-листом прогона. Для случаев, когда нужен новый ноутбук или старый надо сделать понятным и перезапускаемым.

Задачи и проекты в Linear

Делает работу с задачами, проектами и циклами Linear через его MCP-сервер в строгом порядке: настройка, рамки, чтение, потом запись, с примерами сценариев для триажа, спринтов и релизов. Для случаев, когда агент должен читать или менять Linear по ходу задачи.

Деплой на Netlify

Делает деплой проекта на Netlify через `npx netlify`: проверяет вход, привязывает папку к сайту по Git-remote или создаёт новый, собирает локально и отдаёт адрес превью или прода. Для случаев, когда сайт нужно выложить на Netlify со своей машины.

Управление браузером через Playwright CLI

Делает действия в настоящем браузере из терминала через playwright-cli: снапшоты дают ссылки на элементы для кликов и ввода, плюс скриншоты, консоль, сеть и трейсы, без файлов тестов. Для случаев, когда браузер нужно пройти по шагам.

Деплой на Render

Делает деплой приложения на Render из Git: пишет и проверяет Blueprint render.yaml с сервисами, базами и секретами или создаёт один сервис через MCP-сервер Render, затем смотрит статус и логи. Для случаев, когда приложению нужен хостинг на Render.

Ревью безопасности по стеку

Делает ревью безопасности кода на Python, JavaScript/TypeScript и Go по встроенным спецификациям для десяти фреймворков, пишет отчёт по серьёзности с номерами строк и чинит по одной находке. Для случаев, когда явно нужно ревью по практикам безопасности.

Модель угроз репозитория

Делает модель угроз по коду репозитория: границы доверия, активы, возможности атакующего и ранжированные сценарии атак с мерами защиты, а перед итоговым файлом уточняет ключевые допущения. Для случаев, когда явно нужна модель угроз кодовой базы.

Ошибки и события в Sentry

Делает выборку issues и событий из Sentry через CLI sentry, ничего не меняя: свежие ошибки прода, детали issue и события, ИИ-разбор причины, с маскировкой персональных данных. Для случаев, когда нужно понять по Sentry, что ломается на проде.

Деплой на Vercel

Делает деплой на Vercel, по умолчанию превью: через Vercel CLI или, без аккаунта, скриптом, который загружает папку и отдаёт ссылку на превью и ссылку для переноса деплоя в свой аккаунт. Для случаев, когда быстро нужна ссылка на работающий проект.

Контекст дизайна из Figma MCP

Делает код из фрейма Figma через MCP-сервер: контекст дизайна, метаданные, скриншот, затем перевод на компоненты и токены проекта; описывает настройку сервера в Codex. Для случаев, когда нужно подключить Figma MCP или сверстать фрейм по ссылке.

Работа с Figma через use_figma

Делает обязательную подготовку перед каждым вызовом use_figma: правила Plugin API о return, страницах, цветах, шрифтах, ID узлов и работе малыми проверяемыми шагами. Для случаев, когда агент создаёт или правит что-то внутри файла Figma.

Вёрстка по макету Figma

Делает вёрстку по фрейму или компоненту Figma один в один: берёт контекст и скриншот, переводит на токены и компоненты проекта, проходит чек-лист сверки. Для случаев, когда по ссылке на Figma нужен готовый интерфейс в коде.

Макет в Figma из приложения

Делает экран в Figma по коду или описанию — по секциям, из опубликованных компонентов, переменных и стилей файла, без захардкоженных значений. Для случаев, когда страницу приложения нужно перенести в Figma или обновить там.

Дизайн-система в Figma из кода

Делает библиотеку дизайн-системы в Figma по коду за пять фаз с согласованием: разведка, переменные и стили, структура страниц, компоненты по одному, проверка. Для случаев, когда библиотека в Figma должна совпадать с токенами и компонентами кода.

Связка компонентов Figma с кодом

Делает связи Code Connect между опубликованными компонентами Figma и их реализацией в коде: находит несвязанные, подбирает пары в репозитории, связывает одобренные. Для случаев, когда библиотека в Figma и компоненты в коде уже есть, а связи нет.

Правила дизайн-системы для Figma

Делает файл правил для вёрстки по Figma — в CLAUDE.md, AGENTS.md или правила Cursor — по шаблону Figma и разбору кодовой базы. Для случаев, когда агента нужно один раз настроить на регулярную работу с макетами в этом репозитории.

Новый файл в Figma

Делает пустой файл Figma или доску FigJam в черновиках, выбирая тарифный план через whoami, и возвращает ключ и ссылку. Для случаев, когда следующему шагу с Figma нужен новый файл для записи.