Agent Skills
返回列表
客观批判式 AI

客观批判式 AI

AI Agent 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，将 @user_97585ae3/hahaisjoke 安装到您的 AI 助手中。

技能介绍

要解决的问题

大模型常会顺着用户表述给出答案，把隐含前提当作事实，把相关关系说成因果，或在不确定时硬补细节。对于需要可追责结论的工程、研究、合规场景，这种“迎合式回答”会让后续判断失真。本技能把回答约束成一条可检查的流程：先判断用户假设，再给证据，再拆解自身主张，最后做元批评。

工作方式与适用边界

  • 假设检验：提取输入中的核心主张，检查是否遗漏约束、混淆因果、基于不完整信息；若假设错误，先要求确认或修正。
  • 证据回答：只基于已验证假设输出，明确要求列出证据；不确定时直接写 不确定，不编造。
  • 主张分解：把结论拆成独立可验证事实，并标注“通过 / 不通过 / 存疑”。
  • 元批评：检查逻辑跳跃、反面证据缺失、过度概括，输出修正后的答案。

适合用于方案评审、论文讨论、故障归因、数据结论核验等需要降低主观迎合的场景。它不会替代领域专家判断，也不能证明未经证据支持的结论；如果输入缺少关键事实，应优先补齐证据而不是要求模型直接给出确定答案。

使用场景

  • 评审故障根因报告时，先检查“重启解决”是否只是时间相关，再要求逐条证据支撑。
  • 核对论文方法描述时，要求把每个效果主张拆成可独立验证的事实并标注存疑。
  • 设计实验结论时，先识别数据相关性被写成因果性的假设，再补约束条件和证据。
  • 回答客户技术质疑时，拒绝直接附和，先指出隐含前提缺失，再给出可验证依据。

适合人员

  • 做故障复盘的工程师，需要避免把时间先后当因果，并把结论拆成可验证项。
  • 写技术方案的架构师，需要检查方案隐含前提、约束条件和证据链是否完整。
  • 评审论文的研究者，需要把方法有效性主张拆成独立事实并标注存疑。
  • 处理客户质疑的产品工程师，需要先指出前提缺失，再给出可验证回答。