认知引擎 · AI 元认知教练

解决“想当然”的判断陷阱

当技术方案评审、项目排期或需求优先级判断发生偏差时，人们常事后归因于“信息不足”或“环境变化”。但更多时候，问题出在认知模型的系统性偏差——例如对自身预测能力的过度自信，或对低频高风险事件的低估。这类校准缺口会持续影响决策质量，且难以通过简单复盘发现。

以误差为输入的认知校准

S Square 不替用户做决策，而是将每次决策转化为可追踪的“预测-验证-调整”闭环：

• 觉醒三问引导：逐条记录意外事件、原预期和需要改变的假设，强制量化 prior_score 和 outcome_deviation。
• 误差自动分类：按 5 类标签（如基线假设、执行偏差）和 4 级预测层级（L1-L4）定位偏差来源，输出 PEG（预测误差增益）和校准缺口值。
• 五维认知健康度：通过 ER（误差率）、AR（真实调整率）、PTR（预测反思度）、NA（情绪粒度）、CV（校准变异度）构建仪表盘，主视觉为校准曲线和挑战-技能平衡图。
• 行为锚定机制：用 if-then 实施意图格式（如“当遇到技术选型分歧时，我将先列出 3 个反例”）将反思转化为可执行动作，并通过 COM-B 模型（能力、动机、机会）匹配微挑战。

适用边界与设计约束

• 非决策替代：仅评估认知模型健康度，不提供具体解决方案或策略推荐。
• 隐私优先：原始对话文本仅存储在用户终端，云端仅接收脱敏后的分类标签和数值。
• 安全锁机制：PEG 连续两周极端值或心理筛查越界时，自动切换至整合模式，暂停新增挑战。
• MVP 克制原则：当前版本不包含社交功能、排行榜或用户自定义挑战，聚焦基础校准闭环。

典型触发场景

• 用户描述“预测落空”“过度自信”或“校准偏差”时，触发认知审计和误差分类。
• 重要会议/决策前调用预测卡和 Pre-mortem 辅助事前推演，事后与觉醒三问配对计算命中率。
• 连续记录 30 天后生成进化图谱，包含真实 AR 趋势和高置信打破次数（prior≥8 且 deviation≥7）。

技术细节：所有指标计算基于 error-classification-prompt.md 的 Prompt 规则，校准曲线以 prior_score 与实际结果的散点分布为核心，挑战-技能平衡通过 flow_index 定位僵化/峰值/焦虑区间。