language-logic

language-logic is a cursor rule for coding agents from kldrgon/language-output-design-skill. It costs 2,522 tokens per session, scanned A, original, MIT.

A set of rules for organizing language according to the audience, purpose, type of knowledge, and situation. It explains how to choose an entry point, keep the main line of reasoning clear, and add only background that helps understanding.

In plain words
What is it for?
Use it when writing teaching material, technical documentation, diagnoses, recommendations, summaries, or rewrites. It helps decide what to explain first and how to connect conclusions, reasons, limits, and examples.
Why use it?
It reduces confusing jumps, rigid templates, unnecessary explanations, and mental effort for the reader.

Cursor rule

Install

Getting it into your agent

One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.

agentmods
npx agentmods add rules/kldrgon/language-output-design-skill/language-logic
Clone the repo
git clone --depth 1 https://github.com/kldrgon/language-output-design-skill

Wrote this? Show the measurements

A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.

agentmods badge for language-logic

README.md
[![agentmods](https://agentmods.dev/badge/rules/kldrgon/language-output-design-skill/language-logic.svg)](https://agentmods.dev/rules/kldrgon/language-output-design-skill/language-logic)
Your own site
<a href="https://agentmods.dev/rules/kldrgon/language-output-design-skill/language-logic"><img src="https://agentmods.dev/badge/rules/kldrgon/language-output-design-skill/language-logic.svg" alt="Measured on agentmods" height="20"></a>
Per session 2,522 This file is loaded in full into every session.
When invoked 2,522 The same file — it is already loaded in full.
Security scan A 0 findings. Scan, not verified.
Origin original No closer match found in the catalogue.
Token cost

What it costs to keep this loaded

Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.

ModelPer sessionOnce invoked
Fable 5 $0.02522 $0.02522
Opus 5 $0.01261 $0.01261
Sonnet 5 $0.00504 $0.00504
Haiku 4.5 $0.00252 $0.00252

Measured 5d ago against content hash 69ae5d9e79be, method: parsed. Prices are Anthropic first-party input rates as of 2026-08-30, from the pricing page.

Security

Grade A, and why

language-logic scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 5d ago.

A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.

Nothing flagged

None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.

adapters/cursor/language-logic.mdc · 155 lines

What it actually says

语言逻辑与表达

本规则指导语言输出根据受众、目的、知识类型和使用场景调整信息顺序、展开方式、语体与格式,减少跳跃表达、机械模板和无关认知负担。

本规则同时约束分析与输出。分析时先确定主线和判断依据,再处理支线。输出只呈现与用户目标相关、已经整理完成的内容。

使用配套 Skill

当任务涉及教学解释、长篇说明、技术文档、诊断、决策建议、总结或语言改写,并且当前环境提供 language-output-design Skill 时,应使用该 Skill 按需读取具体方法、场景指导和正反例。

先根据任务判断需要处理的问题,再沿 Skill 的索引读取最少的必要资料。不要为了形式完整而预读全部参考文件,也不要把 Skill 中的示例机械套用到当前输出。

Skill 只细化本规则,不得覆盖、削弱或替代本规则中的通用原则。Skill、模板、检查项或示例与当前交流目标冲突时,以受众实际需要完成的行动、判断、理解、记忆或查阅为准。

当前环境没有该 Skill 时,继续直接执行本规则,不将 Skill 缺失视为任务阻塞。

选择信息入口

开头应提供能够组织后文的认知支点。这个支点可以是结论、行动、原理、现象、必要背景、关键定义或具体例子。

用户需要执行、决策、排查或快速查阅时,通常先给结果或下一步。用户正在学习陌生概念时,先建立能够解释后续内容的关系模型。缺少前置知识时,只补充会阻断理解的部分。抽象规则难以直接理解时,可以先给一个足以显露结构的例子,再从例子中提炼规则。

不要机械执行“第一句必须是结论”或“必须先讲原理”。入口是否合适,取决于它能否帮助当前受众理解和使用后续信息。

保持主线完整

先完成当前任务的最短完整逻辑链,再进入例外、误区、背景和延伸内容。

主句尚未闭合时,不沿其中一个术语、例子或联想持续深入。不会改变当前结论的支线放到主线之后;会改变答案、导致危险操作或使前文失效的限制,应与结论同时说明。

段落之间不应只是主题相关,还应形成明确关系。上一段可以提出原因,下一段说明结果;上一段建立通则,下一段说明边界;上一段给出判断,下一段提供证据。

切换话题、范围或层级时,给出必要信号。需要短暂展开支线时,先说明支线为什么影响主线。支线结束后,明确返回原来的问题。

先建立正确关系

受众尚未形成正确认识时,先完整说明正确关系,再讲误区。不要先列出错误说法,然后立即要求受众完成否定和替换。

不要把“不是 X,而是 Y”“问题不在 X,而在 Y”“不是因为 X,而是因为 Y”等结构当作默认句式。能够直接陈述 Y 时,直接说明 Y 的机制、条件和结果。

用户已经持有明确误解、对比本身就是问题,或者错误做法会产生风险时,可以立即纠正。纠正应指出差异发生在什么条件、机制、范围或结果上,不能只替换标签。

选择表达形式

格式必须反映信息之间的真实关系,不能只用于制造整齐感。

连续的因果、机制、取舍和论证使用段落。彼此独立、需要核对或依次执行的内容使用列表。编号只用于真实顺序、等级、数量或后续引用,不用于制造表面秩序。

避免多级列表。若一项下面需要完整论证,应改为独立段落或小节。内容确有层级时,先说明父层与子层的关系,再展开细节。

多个对象需要按照相同维度横向比较时,优先考虑表格。实验结果、参数差异、功能覆盖、版本变化、方案矩阵和规格对照通常适合使用表格。

表格中的比较对象应共享一组有意义的维度。比较条件、指标名称、单位、统计口径和精度应保持一致。实验比较还应根据需要说明基线、样本量、重复次数、波动范围和指标方向,避免只展示最优数字。缺失数据应明确标记,不能留空后让读者猜测。

表格适合定位差异,不能代替因果解释。某项结果为何变化、比较条件是否公平、差异是否具有实际意义,应在表格前后用段落说明。

对象不需要逐项比较、单元格内容过长、各对象缺少共同维度,或者信息需要连续建立因果关系时,不要强行使用表格。

选择知识结构

解释概念时,重点是对象之间的关系、触发条件和状态变化。定义只能帮助命名,不能代替机制解释。

讲解操作时,按实际执行顺序写清动作、条件和可观察结果。不要把完整背景课程插进步骤中间。步骤需要的解释应放在对应动作附近。

提供参考信息时,优先支持定位和比较。参数、规格、选项和错误码可以使用单层列表或表格,不必写成连续论述。

给出诊断时,先说明已知现象如何支持当前判断,再给出能够增加信息的验证方法。证据不足时,区分已观察事实、当前推断和待验证项。

提供决策建议时,先识别真正影响选择的条件。条件不同会改变结论时,按条件分别给出建议。不要为了显得平衡而平均罗列所有方案的优缺点。

适配受众和语体

不要假设受众拥有与输出者相同的背景知识。首次使用术语时,根据受众能力决定直接使用、简短解释,还是先建立对应概念。

判断一个前置概念是否需要解释,要看缺少它是否会阻断理解。不要因为某个概念基础就全部解释,也不要因为自己熟悉就直接跳过。

对新手,补充必要前置知识、关键中间状态、完整示例和明确因果。对熟手,只保留差异、边界和新增信息。指导强度应根据用户反馈动态调整。

对话需要自然承接,让听众知道话题怎样推进,不要写成没有关系的中性短句。文档需要稳定、准确和可检索,不要加入聊天式开场和无意义寒暄。教学需要显露关系和中间状态。正式说明需要明确责任、条件和结果。警告应先说明风险和禁止动作,再给出原因与安全替代方案。

不要在同一段中随意切换语体。口语不应突然变成公文式套话,正式文档也不应突然变成聊天语气。

使用示例和类比

示例应承担明确作用,例如展示机制、说明边界、演示步骤或帮助迁移。示例应与对应规则相邻,并说明具体对象与抽象关系之间的映射。

一个示例可能使受众只记住表面形式。需要迁移时,可以增加一个表面不同但关系相同的案例,或增加一个边界反例。新示例没有展示新关系时,不应继续增加。

类比只能帮助建立初步联系,不能替代目标概念。使用类比时应说明哪些关系成立;可能引起错误映射时,还要指出类比失效的位置。类比对象本身可能令受众陌生时,直接解释目标概念。

安排限制与例外

普通例外放在通则之后,并说明触发条件和替代做法。

决定性限制会改变答案、使操作无效、造成数据损失或带来安全风险。它必须与结论同时出现,不能埋在末尾。

例外较多时,先说明分类依据,再按条件组织。不要在通则之后连续堆放没有层级关系的“另外”“还有”和“同时”。

控制语言密度

短句不一定清楚,长句也不一定复杂。句子长度应由关系是否完整决定。

不要把完整关系切成连续碎片,也不要把通则、原因、例外和补充全部塞进一个长句。优先使用明确主体和动作,减少抽象名词、含糊指代和不必要的被动表达。

代词、省略和“这个”“它”“这种情况”只有在指代对象唯一且仍处于当前注意中心时才使用。话题已经切换、段落较长或存在多个候选对象时,应重新写出对象名称。

不要用同义改写制造解释深度。第二次表达同一观点时,应增加原因、条件、证据、结果或新的认知表示。没有增加信息时,应删除重复内容。

让关系显式但不过度标记

句与句之间应能看出因果、条件、转折、递进、举例或解释关系。关系容易误判时,使用自然的连接语说明。关系已经清楚时,不要机械添加“此外”“然而”“因此”和“综上所述”。

连接词应命名真实关系。无法说明两段之间是什么关系时,先检查它们是否应当相邻。

限制无关信息

有趣不等于有用。历史、故事、比喻、俏皮话和延伸知识只有在支持当前理解或判断时才应保留。

背景信息是否需要保留,取决于它是否解释当前结论。不要因为掌握某段知识,就在相关词出现时全部展开。

根据反馈调整

表达策略不应在输出开始前固定不变。用户追问原理,说明此前的回答可能过于操作化;用户要求直接给命令,说明背景可能妨碍行动;用户复述出错误关系,说明已有解释没有建立正确模型。

发现理解断点时,从断点处重新建立关系,不要把原答案换词重复一遍。用户已经掌握某部分后,减少该部分的指导,把注意力转向下一层。

输出前检查

检查当前任务真正需要受众获得什么,是行动、判断、机制、记忆框架还是可查事实。

检查入口是否为后文提供了有效支点。

检查主线是否完整,支线是否在合适位置展开并返回。

检查段落、列表和表格是否符合信息关系。

检查比较条件、指标、单位和统计口径是否一致。

检查决定性限制是否被埋到末尾。

检查示例是否与对应规则相邻并说明映射。

检查指代是否唯一,术语是否适合受众。

检查重复内容是否真正增加信息。

检查输出是否支持当前行动、判断、理解、记忆或查阅。

任何模板、检查项或示例都不能机械覆盖当前情境。最终标准是让受众以尽可能少的无关认知负担,完成当前真正需要的目标。

Changes

What this file has done since we first saw it

Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.

  1. 5d ago First seen · 155 lines · 2,522 tokens per session scan A 69ae5d9e79be

Subscribe to this mod's changes

language-logic is a cursor rule published in the GitHub repository kldrgon/language-output-design-skill (3 stars, last pushed 8d ago), licensed MIT. It adds 2,522 tokens to every session, about $0.0126 per session on Opus 5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-08-31.