Council — 多觀點分析 是做什麼的?
一個多觀點分析框架,提供客觀、去偏見的程式碼庫、專案與文件評估。使用多個視角與去偏見技術,克服對現有程式碼錨定的傾向。
此技能解決的問題
AI 工具(以及人類)傾向於錨定在現有程式碼上。它們看到的是「現狀」,難以想像「可能」。它們驗證而非探索。Council 使用:
- 去偏見技術 — 強迫進行全新思考的方法
- 多重視角 — 能捕捉不同問題的不同心智模型
- 結構化綜合 — 在追蹤分歧的同時整合見解
使用時機
- 評估當前方法是否仍然最佳
- 探索現有實作的替代方案
- 識別專案中的隱藏假設
- 在重大決策前獲得客觀回饋
- 陷入局部最佳解時
- 當你懷疑可能有更好的方法但看不見時
- 當 AI 工具持續複製現有模式時
輸入
用戶提供:
- 目標:儲存庫路徑、文件或特定問題描述
- 目標(可選):成功是什麼樣子(例如「最大化獲利」)
- 限制條件(可選):必須保留什麼(例如「必須使用現有資料模型」)
執行流程
階段 1:偵察
徹底閱讀並理解目標。記錄:
- 專案在做什麼
- 目前的結構
- 存在哪些限制條件
- 陳述的目標是什麼
還不要形成意見。 只收集事實。
階段 2:生成觀點
根據目標選擇 3-5 個相關觀點:
| 觀點 | 重點 | 最佳用途 |
|---|---|---|
| 架構師 | 結構、模式、耦合、內聚 | 系統設計、重構 |
| 挑戰者 | 假設、風險、替代方案 | 決策驗證、風險緩解 |
| 機會主義者 | 新技術、捷徑、簡化 | 最佳化、技術債減少 |
| 安全 | 信任邊界、失敗模式 | 安全性、可靠性 |
| 經濟學家 | 成本、複雜度、ROI | 資源分配、優先級排序 |
| 使用者 | 可用性、價值、摩擦 | 使用者體驗、產品決策 |
| 考古學家 | 遺留程式碼、技術債、歷史 | 理解、遷移 |
| 未來學家 | 趨勢、擴展、演化 | 長期規劃 |
對於複雜目標,使用 spawn_agents 並行執行各觀點——每個代理獨立工作以避免群體思維,然後結果在階段 3 合併。
對於簡單目標,在單一代理中依序執行觀點。
每個觀點應用以下去偏見技術:
- 全新視角模式:刻意忽略現有實作。問:「如果從零開始,只知道目標,我會建立什麼?」
- 挑戰模式:質疑每個假設。為什麼這個元件存在?如果移除它呢?如果相反的情況成立呢?
- 重建模式:「如果必須用今天的知識從頭解決這個問題,我會做什麼不同?」
詳見 references/debiasing.md 以取得詳細的去偏見技術與提示。
階段 3:綜合
將觀點組合成結構化輸出:
- 共識:多個觀點同意的事項(高信賴度)
- 分歧:觀點衝突之處(深入探討——這些揭示了取捨)
- 新穎見解:僅一個觀點捕捉到的事項
- 優先建議:按影響力與信賴度排序
使用子代理時,詳見 agents/synthesizer.md 以取得詳細的綜合指示。
階段 4:驗證
- 檢查建議是否相互矛盾
- 標記任何未經驗證的假設
- 識別哪些資訊會改變結論
輸出格式
# Council Report:[目標]
## 執行摘要
[2-3 句客觀評估——不是所做之事的小結,而是結論]
## 關鍵發現
### [發現名稱]
- **內容**:[發現的清楚描述]
- **同意的觀點**:[清單]
- **不同意的觀點**:[清單 + 簡短原因]
- **信賴度**:[高/中/低]
- **證據**:[特定檔案:行號、度量指標或觀察]
## 建議
### [高影響] [建議標題]
- **解決的問題**:[此修正的發現]
- **解決方案**:[具體行動]
- **預期影響**:[改善什麼以及改善多少]
- **努力程度**:[低/中/高]
- **風險**:[低/中/高]
- **支持的觀點**:[清單]
### [中影響] ...
### [低影響] ...
## 考慮的替代方案
| 方案 | 優點 | 缺點 | 結論 |
|----------|------|------|---------|
| ... | ... | ... | 保留/替換/進一步探索 |
## 會改變此評估的因素
- 如果 [X] 為真,則 [建議 Y 會改變]
- [重要的未經驗證的假設]
捆綁資源
references/debiasing.md— 每種觀點類型的詳細去偏見技術與提示agents/perspective.md— 給子代理執行個別觀點分析的指示agents/synthesizer.md— 給綜合子代理組合多個觀點輸出的指示