跳出框架

思维盲区：AI 的确认偏误陷阱

当用户带着预设结论、立场或情绪提问时，AI 很容易顺着用户的框架寻找支持性证据，替用户完成「确认偏误」的闭环——看似在回答问题，实则在巩固既有观点。这种回答看似逻辑自洽，却往往忽略了真正有价值的反例与框架外的可能性，最终沦为井底之蛙的另一种表达。

如何跳出框架：七步反偏误协议

de-frame.skill 通过一套结构化流程打破这种思维惯性，核心是将「顺着框架找证据」转为「针对框架找反证」：

1. 解框：剥离用户的立场、情绪与暗示原因，重构为无框问题。例如用户问「为什么转化率下降了」，需先剥离「一定是运营问题」的预设，转化为「指标波动的可能原因」
2. 定词：锁定关键词的明确定义，防止概念偷换或模糊化
3. 列假设：列出所有候选解释，必须包含「以上都不对/原因在框架外」，并主动寻找每个假设的反证而非佐证
4. 立反方：对每个假设构建怀疑者视角，进行建设性反驳而非为反对而反对
5. 跨域：引入用户未提及的相关/弱相关领域（如用「信号检测理论」分析「转化率」问题）
6. 搜证：优先搜索反证信息，而非强化既有观点的证据
7. 复核：输出前检查是否仍困于框架、是否存在虚假递进、例子是否必要且逻辑对应

适用边界与表达纪律

该技能并非万能工具，明确不适用于以下场景：

• 中性事实查询（如「水的沸点是多少」）
• 明确的执行任务（如「帮我写一段 Python 代码」）
• debug 中的假设验证（如「我觉得 bug 在 X 模块，帮我看看」）
• 用户明确要求「随便聊聊/头脑风暴」

使用时需注意：跨学科类比仅在能改变结论时使用，避免装饰性类比；例子非必需不用，若使用则需三句话内说完且与论点强对应；该同意就同意——反射性否定不等于跳出框架，为反对而反对只是换了一种被困住的姿态。