Agent 思维方法论（P0 核心集）

基于 70+ 思维原理的交叉分析（哲学/认知科学/系统论/决策理论），本 skill 封装了 6 个 P0 核心方法论，每次加载后自动注入 Agent 的推理流程。

快速启用

加载本 skill 后，以下方法论自动生效。无需手动触发每个步骤。

加载 agent-methodology
  → 双系统分治（System 1 / System 2 分流）
  → 第一性原理拆解（关键决策点启用）
  → 奥卡姆剃刀（步骤级精简）
  → 预验尸检查（执行前风险预判）
  → 贝叶斯置信度（输出置信度标注）
  → 反馈循环（纠错与深化）

一、双系统分治（System 1 / System 2）

规则

收到任务 →
  判断复杂度:
    ├─ 简单/已处理过/确定性 → System 1（模式匹配、快速回答、工具直调）
    ├─ 新颖/模糊/高风险/多步 → System 2（深度推理、规划、分解执行）
    └─ System 1 执行中遇意外错误 → 自动升级到 System 2

在 Prompt 中的注入方式

在 Agent 的 System Prompt 首段添加：

你具备双系统推理能力：
- [System 1] 简单任务：快速匹配、直接回答、工具调用。无需深度推理。
- [System 2] 复杂任务：多步规划、因果推理、方案对比。需要分析判断时启用。
- 升级规则：System 1 执行失败时自动切换到 System 2，不重复同样的错误。

分级任务复杂度判断

二、第一性原理拆解

在 关键决策点（置信度 < 0.7 或用户明确要求）启用：

1.  确定当前假设：「我基于什么假设认为方案 A 可行？」
2.  逐层追问拆解：「这个假设还能再分吗？」
3.  到达基础事实：「这里已经没有假设了，这是物理/逻辑约束」
4.  从基础事实向上重建方案

约束

• 仅在关键决策点启用，不走火入魔
• 常规任务走模式匹配（System 1），不拆解

三、奥卡姆剃刀（步骤级精简）

推理路径上每增加一步，先自问：

「少这一步会改变结论吗？」

• 不会 → 删除该步
• 会 → 保留
• 不确定 → 做快速 A/B 测试验证

最终输出规范：

• 只包含用户需要的和不可推断的信息
• 冗余背景、重复强调、过度解释一律删除
• 「如无必要，勿增实体」

四、预验尸检查（Premortem）

启用时机

在以下操作 之前 执行：

脚本

# 对当前任务执行预验尸检查
python scripts/premortem_check.py --task "任务描述" --plan ./plan.md

输出格式

{
  "risks": [
    {
      "step": "修改 config.yml",
      "scenario": "YAML 格式错误导致服务重启失败",
      "severity": "L2",
      "probability": "中",
      "fallback": "先备份原文件，修改后用 yamllint 验证",
      "prevention": "写修改脚本前先 read 源文件再 edit"
    }
  ],
  "overall_risk_level": "L2"
}

五、贝叶斯置信度（不确定性量化）

置信度标注规则

每个结论附带置信度标记：

更新规则

• 高证据强度（官方文档、第一手数据、可验证的实验结果）→ 大幅上调置信度
• 低证据强度（二手传闻、个人观点、未经证实的推测）→ 维持或微调
• 反证出现 → 按证据强度下调置信度，不顽固坚持

脚本

# 对推理链中的结论做置信度校准
python scripts/confidence_calibrator.py --input ./reasoning_chain.json

六、反馈循环（纠错与深化）

负反馈回路

操作失败/工具返回错误
  → 分析根因（5Why）
  → 调整策略
  → 重试（带增益控制）
  → 记录偏误模式

增益控制规则：

• 1 次失败 → 降权，不完全放弃
• 连续 3 次同类失败 → 冷却该策略
• 冷却后间隔 2 轮再尝试

正反馈回路

发现高价值方向/用户明确认可
  → 在该方向加深搜索/探索
  → 记录成功模式
  → 短期增加同类策略优先度

增益控制规则：

• 不过度偏食：正反馈只持续 3 轮，然后重新评估
• 保持探索多样性：正反馈不排除其他路径

用户纠正

用户说「不对」
  → 记录当前偏误模式
  → 本次对话不再重复同类错误
  → 不因一次纠正否定整个方向

七、脚本用法速查

# 1. 复杂性仲裁：判断任务级别路由到 System 1/2
python scripts/complexity_arbiter.py --task "用户任务描述"
# 返回: {"level": "L2", "system": "System 1", "reason": "单维度事实查询"}

# 2. 预验尸检查：执行前生成风险清单
python scripts/premortem_check.py --task "任务描述" --plan ./plan.md
# 返回: 风险清单 + fallback 链路

# 3. 置信度校准：对推理结论打分
python scripts/confidence_calibrator.py --input ./conclusions.json
# 返回: 带置信度分数的结论列表

八、Phase 3 模块（高级）

工具调用包装器

在每次工具调用外套上预验尸 + 贝叶斯更新 + 反馈循环：

from scripts.tool_call_wrapper import ToolCallWrapper, GainController

gc = GainController()
wrapper = ToolCallWrapper(gain_controller=gc)

# 带方法论的工具调用
result = wrapper.call("read_file", {"path": "test.txt"})
# result.confidence → 基于历史成功率的置信度
# result.feedback → 失败时的根因分析

# 查看所有工具状态
print(gc.to_json())

增益控制器说明：

• 连续 3 次失败 → 自动冷却该工具，指数退避（30s → 60s → 120s）
• 成功一次 → 逐步恢复置信度
• 避免"一次失败就完全放弃"或"反复重试同一错误"

多Agent协调仲裁器

集中式仲裁器，负责路由决策、置信度聚合、冲突仲裁：

# 完整编排流程（预验尸→派发→聚合→裁决）
python scripts/agent_orchestrator.py --task "分析方案A vs B" --mode panel

# 查看编排器状态
python scripts/agent_orchestrator.py --status

# 聚合多Agent输出（从日志文件）
python scripts/agent_orchestrator.py --logfile ./agent_outputs.jsonl

# 演示模式
python scripts/agent_orchestrator.py --demo --complexity L3

核心能力：

• 双系统路由：L1/L2 → System 1（单 Agent），L3/L4 → System 2（多 Agent 并行）
• 全局预验尸：派发前扫描领域缺失、任务模糊等风险
• 置信度加权聚合：按置信度加权平均，高置信度 Agent 更大话语权
• 分歧检测：自动识别 Agent 置信度差距 > 0.4 的显著分歧并标注

涌现检测器

监控多 Agent 系统中的异常模式：

# 单条事件检测
python scripts/emergence_detector.py --event '{...}'

# 批量分析日志
python scripts/emergence_detector.py --logfile ./agent_events.jsonl

# 查看状态
python scripts/emergence_detector.py --status

支持的检测模式：

• Token 突增：超过均值 3σ 时告警
• 工具循环：相同工具+参数 5 次/2 分钟内告警
• 推理发散：连续 3 步推理方向大幅变化
• 上下文水位：>80% 时触发压缩建议

谬误检测器

最终输出前扫描逻辑谬误：

# 扫描文本
python scripts/fallacy_detector.py --text "待检查的文本" --json

# 扫描文件
python scripts/fallacy_detector.py --file ./output.md --json

# 列出支持的谬误类型
python scripts/fallacy_detector.py --list

支持 10 种谬误检测： 诉诸多数、诉诸权威、虚假两难、滑坡谬误、假因果、循环论证、幸存者偏差、轶事证据、稻草人

子代理模板注入器

# 生成子代理的 method injected prompt
python scripts/subagent_injector.py --task "分析茅台财报" --output ./injected_prompt.txt

# 注入到 task 调用
python scripts/subagent_injector.py --task "写一个排序算法" --system "System 2"

九、与本 skill 的集成说明

本 skill 不替代现有 skill，而是作为 方法论文撑层 被其他 skill 引用：

• team-orchestration → 在编排流程的第一步注入双系统分治 + 预验尸
• debug-methodology → 在根因分析前注入预验尸检查
• brainstorming → 在方案生成后注入第一性原理验证
• 普通代码开发 → 修改/部署前自动预验尸

加载方式：

# 在目标 skill 或 prompt 中引用
加载 `agent-methodology` skill → 自动生效全部 P0 方法论