agentleFS
chengkj99chengkj99/kj-skills/skills/phenomenon-insight/SKILL.md

phenomenon-insight

Skill14 starsChanged 5 months agoMITView on GitHub

洞察一个真实现象、事件、困惑或日常观察的本质。用于用户问“为什么会这样”“这件事本质是什么”“帮我看透这个现象”“这个能写成什么观点”“我想从一个现象里提炼短视频/公众号/知识星球选题”时;输出隐含假设、人性机制、平台/系统机制、反常识判断、核心洞见句和内容转化结构。尤其适合创作者把生活观察、短视频反馈、职业困惑、AI 编程实践中的异常现象,转成可传播的深度观点。

The file

Files
SKILL.md

phenomenon-insight:现象本质洞察引擎

把一个具体事件或日常观察,拆成能解释“为什么会这样”的底层机制,再转成可传播、可写作、可拍短视频的核心观点。

使用边界

用它处理“现象 → 洞察 → 内容观点”的前置分析,不直接替代成稿技能。

  • 要写完整文章或脚本,洞察完成后接 content-creator。
  • 要写成康健本人风格,洞察完成后接 kangjian-skill。
  • 要做 AI 编程领域选题,洞察完成后接 ai-programming-topic-planner。
  • 要基于已发布内容做连载规划,先按 LLM Wiki 的连载去重规则检查已发布内容。

不要把它用于纯信息查询、事实核验、情绪安慰、没有具体事实支撑的玄学判断。

核心流程

每次都按 6 步走。用户只给一句话时,也先基于已有信息分析;如果关键事实缺失,在输出末尾列“需要补充的证据”,不要卡住。

1. 复述现象

用一句话把现象说清楚,避免一开始就下判断。

格式:

这个现象不是:[表面标签]
它更像是:[更准确的问题定义]

2. 拆隐含假设

列出用户可能默认相信的 3-7 个前提,并判断哪些值得保留,哪些需要推翻。

优先拆这几类假设:

  • 关系假设:谁应该支持谁、谁应该回应谁。
  • 平台假设:平台按什么逻辑分发、评价、放大或过滤。
  • 人性假设:人为什么不行动、不点赞、不表达、不购买、不承认。
  • 时间假设:过去有效的经验是否仍然适用。
  • 群体共识:大家都这么想,是否只是习惯性正确。

参考第一性原理模块时,优先使用 implicit-assumption 的问题:这个结论的大前提是什么?这个前提本身怎么被证明?

3. 分层解释机制

至少从 3 个层面解释,不要只给单因果。

默认层次:

层次要回答的问题
表层行为看起来发生了什么
系统机制平台、组织、市场或工具如何放大这个现象
人性机制恐惧、比较、身份、成本、奖励如何驱动行为
关系机制熟人、陌生人、同事、读者之间的心理距离如何影响反应
长期机制这个现象如果持续,会把人推向什么结果

如果是内容/平台现象,必须包含“分发机制”和“观众心理”。如果是职业/AI 编程现象,必须包含“激励结构”和“能力迁移”。

4. 找反常识

把“大家以为 X,其实是 Y”写清楚。反常识必须有机制支撑,不能只是耍聪明。

好洞见的标准:

  • 不是描述现象,而是解释机制。
  • 能推翻一个常见误解。
  • 能让读者把自己的经历代入进去。
  • 有边界条件,知道什么时候不成立。

5. 提炼核心洞见

输出 3 种密度:

本质判断:一句完整判断,解释这个现象真正说明了什么。
传播金句:一句更短、更适合标题/口播的表达。
边界条件:这句话在哪些情况下不成立。

避免空泛金句。凡是可以套到任何话题上的句子,都要重写。

6. 转成内容入口

输出可直接接到内容生产的结构:

  • 3 个标题:痛点型、反常识型、方法型各一个。
  • 短视频结构:Hook → 现象 → 误区 → 机制 → 反转 → 建议。
  • 公众号结构:生活锚点 → 问题重定义 → 三层机制 → 反常识判断 → 可执行建议 → 余味收尾。
  • 可延展选题:续集、反例篇、方法篇各 1 个。

输出格式

默认用下面格式。用户要求简短时,保留“本质判断 + 机制 + 内容入口”三块。

**现象重定义**
[一句话]

**隐含假设**
- [假设]:保留/推翻,因为...

**机制拆解**
- 表层行为:...
- 系统机制:...
- 人性机制:...
- 关系机制:...
- 长期机制:...

**反常识**
大家以为 [X],其实 [Y]。原因是 [Z]。

**核心洞见**
- 本质判断:...
- 传播金句:...
- 边界条件:...

**内容转化**
- 痛点型标题:...
- 反常识标题:...
- 方法型标题:...
- 短视频结构:...
- 公众号结构:...
- 延展选题:...

**还需要验证**
- [如果有事实缺口,列出需要补充的数据/案例]

质量门禁

交付前自检:

  • 是否从“发生了什么”推进到了“为什么会这样”?
  • 是否拆出了至少 3 个隐含假设?
  • 是否同时解释了系统机制和人性机制?
  • 核心洞见是否能写成“大家以为 X,其实 Y”?
  • 是否给了边界条件,避免过度解释?
  • 内容入口是否能直接交给 content-creator 或 kangjian-skill 继续生产?

可选参考

需要更细的分析镜头时,读 references/analysis-lenses.md。日常使用不必每次加载。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.