用途：Verbalized Sampling（VS）来自 Zhang 等 2025 年论文，核心是让模型针对同一输入生成 k 个候选输出，并为每个输出估计概率，从而获得比单次回答更多样的结果。
主要能力：提供通用 VS 模板，要求以 JSON 返回含 text 与 probability 字段的列表，并可选分布约束：全分布（中等多样）、尾部且概率低于 0.10（高多样）、尾部且概率低于 0.01（最大多样）。提供三种变体：VS-Standard（速度优先）、VS-CoT（复杂任务，增加 reasoning 字段）、VS-Multi（两轮生成，追求最大多样，token 成本约 2 倍）。
使用方式：先做 Context-First 阶段，将任务拆成 3–5 个子问题并加载约束、行业基准、已尝试方案等上下文，再注入 VS 提示。生成后运行 Critique-and-Improve 自评，检查是否平庸、可执行、依赖空想、忽视基准率，必要时生成改进变体。输出可选 JSON 模式（供流水线）或可读模式，后者按概率分层展示，可用命令格式化：echo '<json>' | python ~/.cursor/skills/verbalized-sampling/scripts/format_vs_output.py。
适用场景：创意写作、头脑风暴、对话模拟、合成数据、对抗样本、开放式问答等。
限制：存在唯一正确答案、事实检索、严格格式要求或只需一个最佳答案时不适用。已知失败模式包括：高频饱和话题（如减肥、效率）即使 p<0.01 仍难逃主流答案；上下文不足导致输出泛化；语法多样但语义聚类；概率分布过窄（最高最低相差不足 3 倍）说明多样性虚假。缓解办法是加入排除约束、补充丰富上下文、显式指定问题框架覆盖。