第一性原理

要解决什么问题

复杂需求里，Agent 很容易沿着「像上次那样做」或行业惯例往下推，结论听起来合理，却未必经得起推敲：隐含假设没摊开、约束没对齐、方案与真实目标之间的因果链是断的。第一性原理式推理要的是把问题拆到不能再靠类比糊弄的那一层，再从可验证的事实与约束往上搭结构。

技能在对话里通常怎么起作用

作为以第一性原理为主题的大模型 Agent 技能（@user_e02e04b8/first-principles-pro），它的价值主要在于约束推理路径，而不是替你做领域专家判断。典型用法包括：

• 明确要求列出当前结论依赖的前提与假设，并区分「事实 / 推断 / 猜测」
• 把目标改写成可检验的子问题，避免一上来就选型或写实现细节
• 在方案对比时，要求每个选项说明从哪些基本约束推出，而不是只罗列优缺点
• 当上下文信息不足时，优先追问缺失约束，而不是用泛化经验填坑

以上行为是否出现、出现到什么程度，取决于你在对话里如何引用该技能；技能本身不提供外部 API，而是在系统提示层面塑造回答结构。

适用边界与注意点

• 不是自动事实核查器：模型仍可能「自信地错」，关键结论需要你对照源码、文档或实验验证。
• 不适合追求极速草稿的场景：拆假设与重写问题会拉长首轮回复，更适合架构讨论、根因分析、方案取舍。
• 领域知识仍要由你补充；技能擅长的是方法论骨架，不会凭空补全你没给的业务规则。
• 与「直接给答案」的提示并用时，注意别互相打架：要么先拆原理再落地，要么明确只要可执行清单。