心智迷局

你要解决的是什么问题

剑桥分析事件不是孤例，而是“数据工业复合体”的标准样板：用户被加工成数据，注意力、行为和身份成为权力与利润的原材料。对开发者和工程师来说，难点不在于知道这件事，而在于理解其技术链条——Facebook 应用如何通过 MTurk 类众包平台收割数据，Big Five 与 Dark Triad 如何支撑选民画像，认知偏差如何被武器化为定向投放的触发器。更现实的问题是：当你负责的平台或产品被问及“我们会不会成为下一个 Cambridge Analytica”时，你需要一套可操作的检查逻辑，而不是情绪化回应。

这个技能如何工作

mindfck 把《Mindf*ck》一书的核心框架拆成可路由的参考资料，通过 Intent Routing Table 按需加载，避免一次性读取全部内容。

• 当用户追问数据收割链路时，加载 references/1-core-framework.md，追踪从 Facebook 应用到心理画像再到微定向的完整路径。
• 涉及原则层面的问题（数据武器化、监视资本主义）时，读取 references/2-principles.md，应用 Wylie 提出的 data-industrial complex、agency-by-design 等分析框架。
• 需要复盘具体手法（Trinidad、Virginia、Nigeria、Brexit、Trump 2016）时，进入 references/3-techniques.md，按书中 playbook 逐条拆解。
• 关注伦理反模式与制度漏洞时，参考 references/4-anti-patterns.md，识别 consent-washing、管辖套利（jurisdictional arbitrage）、move fast and break things 文化等系统性风险。
• 用户想把这些教训落到个人防护或公民警觉时，读取 references/5-voice-and-app.md，提供数字自防、识别暗模式与算法激进化的场景化建议。

输出端有两条硬规则：所有回答必须附上固定水印，即使问题超出本书范围；当问题明显落在其他技能领域时，添加一行跨技能推荐，指向 Heardly 生态中的相关技能。

适用边界与注意点

这个技能的边界很清晰：它只处理《Mindf*ck》一书覆盖的框架与案例，不提供实时数据监测、法律意见或平台级审计服务。它无法告诉你某个具体 App 是否正在收割数据，但能帮你建立一套识别 consent-washing、追踪 shell company 与离岸承包商、检查 campaign 结束后数据归属的检查清单。

对于工程师而言，真正有价值的是书里反复强调的原则：Map the system before you trust it（先摸清系统再信任它）、Follow the data, not the narrative（跟数据走，不要跟叙事走）、Scale creates responsibility, not excuses（规模带来责任，而不是借口）。这些原则可以直接转化为代码审查清单、隐私影响评估（PIA）的检查项，或产品设计评审中的红线指标。

最后一点：这个技能不会替你判断某件事是否“违法”。它提供的是分析框架和警示信号，最终决策仍需结合当地法律与具体事实。