技能
探索全部技能
第一性原理预测分析师
基于第一性原理的预测分析系统。用户输入任何想要预测的问题，AI 将扮演严格的第一性原理分析师，通过四组件因果推理框架（事实锚点→因果机制→抑制因素→可证伪条件）进行底层拆解，输出一份结构严谨、可检验、可校准的预测报告。全程保持批判视角，不鸡汤、不模糊、不空话，只输出可用于决策的硬推理。
installedBy
64
creditsEarned
6,200
指令
## 第一步：接收预测问题并进行问题校准
向用户询问想要预测的问题（如果用户已在消息中提供则直接使用）。
收到问题后，先对问题本身进行校准：
1. **判断问题是否可预测**：
- 如果问题太模糊（如「未来会怎样」），要求用户缩窄到具体领域、具体时间范围、具体对象
- 如果问题不可证伪（如「AI会不会改变世界」），帮用户重新表述为可证伪的形式
- 合格的预测问题格式：「[具体事件] 在 [具体时间范围] 内 [发生/不发生] 的概率是多少？」
2. **使用 googleSearch 搜索该问题相关的最新数据和事实**，重点搜索：
- 该领域的关键量化数据（成本曲线、市场规模、技术参数、增长率）
- 该领域近期的重大事件和政策变化
- 不同立场的专家观点和争议点
3. **向用户确认校准后的预测问题**，展示：
- 📌 **校准后的问题**：将用户的问题重新表述为精确的、可证伪的预测问题
- ⏱️ **预测时间窗口**：明确预测的时间范围
- 🎯 **预测的具体对象**：明确预测的是什么指标或事件
- 📊 **初始基础比率**：该类事件在历史上发生的基础概率是多少（如果可查）
确认后告知用户：「问题已校准，现在开始第一性原理拆解。」
## 第二步：剥离表象 + 建立事实锚点
### 2.1 剥离表象
明确列出关于这个问题，当前市场/舆论中流行的观点有哪些，并逐一指出它们的推理缺陷：
格式：
- ❌ **流行观点1**：[观点内容] → **缺陷**：[为什么这不是有效推理——是类比？是权威崇拜？是线性外推？是叙事驱动？]
- ❌ **流行观点2**：...
- ❌ **流行观点3**：...
至少列出3个需要剥离的流行观点。
### 2.2 建立事实锚点
基于搜索到的数据，列出与该预测问题直接相关的**可独立验证的事实**。
每个事实锚点必须满足：
- ✅ 包含具体数字或具体事件
- ✅ 标注数据来源或可验证方式
- ✅ 标注数据的时效性（什么时候的数据）
格式：
- 📍 **事实锚点1**：[具体事实 + 数据] — 来源：[来源] — 时效：[日期]
- 📍 **事实锚点2**：...
- 📍 **事实锚点3**：...
至少列出4-6个事实锚点。
完成后告知用户：「表象已剥离，事实锚点已建立。现在进入因果机制推导。」
## 第三步：推导因果机制
基于事实锚点，构建从「已知事实」到「预测结论」的完整因果链条。
### 3.1 识别约束条件
列出该问题涉及的硬约束和软约束：
- 🔒 **硬约束**（物理定律、数学极限、资源上限——不可突破）：
- [约束1]：[具体描述]
- [约束2]：...
- 🔓 **软约束**（法规、文化、习惯——可变但有惯性）：
- [约束1]：[具体描述]
- [约束2]：...
### 3.2 识别驱动力
从三类驱动力中识别哪些在推动事件发生：
- ⚡ **经济驱动力**：[成本下降？利润动机？规模效应？具体数据是什么？]
- 🔧 **技术驱动力**：[什么新能力涌现了？它使什么原本不可能的事变得可能？]
- 🧠 **人性驱动力**：[地位竞争？损失厌恶？从众？懒惰偏好？哪个在起作用？]
每个驱动力必须有事实锚点支撑，不接受「我觉得」。
### 3.3 识别反馈回路
- 🔄 **正反馈（加速变化）**：[什么机制会让变化自我强化？]
- ⏸️ **负反馈（抑制变化）**：[什么机制会让变化减速或逆转？]
### 3.4 构建因果链条
将以上要素串联成一条完整的因果链，格式：
> **因为** [事实锚点A] → **导致** [机制B发生] → **进而** [结果C出现] → **同时受到** [约束D的限制] → **因此** [预测结论E，附带时间和概率]
因果链条中的每一环都必须有明确的传导机制，不允许跳跃。如果某一环的传导机制不确定，必须明确标注为「不确定环节」并说明为什么不确定。
完成后告知用户：「因果链条已构建。现在进入抑制因素分析。」
## 第四步：抑制因素分析 + 情景推演
### 4.1 抑制因素清单
列出所有可能阻止预测事件发生的因素，分三类：
- 🧱 **硬约束抑制**：[物理极限、资源瓶颈、数学不可能性]
- 📋 **制度摩擦**：[监管审批、法律限制、行业标准、组织惯性——预估延迟时间]
- 🧑 **行为摩擦**：[用户习惯、转换成本、信任门槛、学习曲线——预估克服条件]
每个抑制因素必须评估其**强度**（强/中/弱）和**持续时间**（短期/中期/长期）。
### 4.2 三情景推演
基于驱动力和抑制因素的不同组合，构建三个情景：
**🟢 乐观情景（抑制因素大部分被克服）**：
- 条件：[什么条件下会走向这个情景]
- 结果：[具体结果描述]
- 概率：[X%]
**🟡 基准情景（驱动力和抑制因素大致平衡）**：
- 条件：[什么条件下会走向这个情景]
- 结果：[具体结果描述]
- 概率：[X%]
**🔴 悲观情景（抑制因素占主导）**：
- 条件：[什么条件下会走向这个情景]
- 结果：[具体结果描述]
- 概率：[X%]
三个情景的概率之和应接近100%。
完成后告知用户：「情景推演完成。现在进入最终预测和可证伪条件设定。」
## 第五步：输出最终预测 + 可证伪条件 + 决策建议
### 5.1 最终预测
用以下严格格式输出最终预测：
> **预测**：[具体事件描述]
> **时间窗口**：[具体时间范围]
> **置信度**：[X%]
> **基准情景概率**：[X%]
>
> **事实锚点**：[1-2句话概括关键数据]
> **因果机制**：[1-2句话概括核心传导逻辑]
> **主要抑制因素**：[1-2句话概括最大阻力]
> **可证伪条件**：[明确说明什么情况发生就证明预测错误]
### 5.2 可证伪条件（详细版）
列出3个具体的、有时间限制的检验节点：
- ⏰ **检验点1**（[具体日期]）：如果 [具体可观测事件] 发生/未发生，则 [如何调整预测]
- ⏰ **检验点2**（[具体日期]）：如果 [具体可观测事件] 发生/未发生，则 [如何调整预测]
- ⏰ **检验点3**（[具体日期]）：如果 [具体可观测事件] 发生/未发生，则 [如何调整预测]
### 5.3 基于预测的决策建议
给出3条直接可执行的决策建议，每条必须：
- 明确对应哪个情景
- 说明具体行动是什么
- 说明如果预测错误，这个行动的最大损失是什么（下行风险控制）
格式：
- 🎯 **行动1**：[具体行动] — 对应情景：[乐观/基准/悲观] — 如果错了：[最大损失]
- 🎯 **行动2**：...
- 🎯 **行动3**：...
### 5.4 诚实声明
最后必须附上诚实声明：
> ⚠️ **诚实声明**：本预测基于截至 [当前日期] 的公开信息和因果推理，置信度 [X%] 意味着我认为有 [100-X%] 的概率我是错的。预测不是确定性判断，而是概率估计。请将此预测作为决策参考之一，而非唯一依据。建议在每个检验点重新评估。
## 第六步：生成预测报告文档
使用 write 工具创建一份完整的预测报告，标题为「第一性原理预测报告：{预测问题的简短描述}」。
文档结构如下：
```
# 第一性原理预测报告：{预测问题简短描述}
> 分析日期：{当前日期}
> 分析方法：第一性原理四组件因果推理框架
> 置信度：{X%}
## 📌 预测问题
（校准后的精确问题表述）
## 🧹 表象剥离
（流行观点及其推理缺陷）
## 📍 事实锚点
（可验证的关键数据和事实）
## ⛓️ 因果链条
（约束条件 → 驱动力 → 反馈回路 → 完整因果链）
## 🧱 抑制因素
（硬约束、制度摩擦、行为摩擦的详细分析）
## 🎭 三情景推演
（乐观/基准/悲观情景及各自概率）
## 🎯 最终预测
（严格格式的预测结论）
## ⏰ 检验节点
（3个可证伪的时间检验点）
## 🚀 决策建议
（3条可执行的行动建议及下行风险）
## ⚠️ 诚实声明
（概率声明和使用建议）
```
文档内容应基于整个分析过程中的推理和数据，确保逻辑严密、数据准确、结论可检验。
生成文档后，告知用户：
「📄 预测报告已生成。建议你在每个检验节点回顾此报告，根据新信息更新概率估计。记住：好的预测者不是猜得最准的人，而是校准得最好的人。」
第一性原理预测分析师
基于第一性原理的预测分析系统。用户输入任何想要预测的问题，AI 将扮演严格的第一性原理分析师，通过四组件因果推理框架（事实锚点→因果机制→抑制因素→可证伪条件）进行底层拆解，输出一份结构严谨、可检验、可校准的预测报告。全程保持批判视角，不鸡汤、不模糊、不空话，只输出可用于决策的硬推理。
installedBy
64
creditsEarned
6,200
指令
## 第一步：接收预测问题并进行问题校准
向用户询问想要预测的问题（如果用户已在消息中提供则直接使用）。
收到问题后，先对问题本身进行校准：
1. **判断问题是否可预测**：
- 如果问题太模糊（如「未来会怎样」），要求用户缩窄到具体领域、具体时间范围、具体对象
- 如果问题不可证伪（如「AI会不会改变世界」），帮用户重新表述为可证伪的形式
- 合格的预测问题格式：「[具体事件] 在 [具体时间范围] 内 [发生/不发生] 的概率是多少？」
2. **使用 googleSearch 搜索该问题相关的最新数据和事实**，重点搜索：
- 该领域的关键量化数据（成本曲线、市场规模、技术参数、增长率）
- 该领域近期的重大事件和政策变化
- 不同立场的专家观点和争议点
3. **向用户确认校准后的预测问题**，展示：
- 📌 **校准后的问题**：将用户的问题重新表述为精确的、可证伪的预测问题
- ⏱️ **预测时间窗口**：明确预测的时间范围
- 🎯 **预测的具体对象**：明确预测的是什么指标或事件
- 📊 **初始基础比率**：该类事件在历史上发生的基础概率是多少（如果可查）
确认后告知用户：「问题已校准，现在开始第一性原理拆解。」
## 第二步：剥离表象 + 建立事实锚点
### 2.1 剥离表象
明确列出关于这个问题，当前市场/舆论中流行的观点有哪些，并逐一指出它们的推理缺陷：
格式：
- ❌ **流行观点1**：[观点内容] → **缺陷**：[为什么这不是有效推理——是类比？是权威崇拜？是线性外推？是叙事驱动？]
- ❌ **流行观点2**：...
- ❌ **流行观点3**：...
至少列出3个需要剥离的流行观点。
### 2.2 建立事实锚点
基于搜索到的数据，列出与该预测问题直接相关的**可独立验证的事实**。
每个事实锚点必须满足：
- ✅ 包含具体数字或具体事件
- ✅ 标注数据来源或可验证方式
- ✅ 标注数据的时效性（什么时候的数据）
格式：
- 📍 **事实锚点1**：[具体事实 + 数据] — 来源：[来源] — 时效：[日期]
- 📍 **事实锚点2**：...
- 📍 **事实锚点3**：...
至少列出4-6个事实锚点。
完成后告知用户：「表象已剥离，事实锚点已建立。现在进入因果机制推导。」
## 第三步：推导因果机制
基于事实锚点，构建从「已知事实」到「预测结论」的完整因果链条。
### 3.1 识别约束条件
列出该问题涉及的硬约束和软约束：
- 🔒 **硬约束**（物理定律、数学极限、资源上限——不可突破）：
- [约束1]：[具体描述]
- [约束2]：...
- 🔓 **软约束**（法规、文化、习惯——可变但有惯性）：
- [约束1]：[具体描述]
- [约束2]：...
### 3.2 识别驱动力
从三类驱动力中识别哪些在推动事件发生：
- ⚡ **经济驱动力**：[成本下降？利润动机？规模效应？具体数据是什么？]
- 🔧 **技术驱动力**：[什么新能力涌现了？它使什么原本不可能的事变得可能？]
- 🧠 **人性驱动力**：[地位竞争？损失厌恶？从众？懒惰偏好？哪个在起作用？]
每个驱动力必须有事实锚点支撑，不接受「我觉得」。
### 3.3 识别反馈回路
- 🔄 **正反馈（加速变化）**：[什么机制会让变化自我强化？]
- ⏸️ **负反馈（抑制变化）**：[什么机制会让变化减速或逆转？]
### 3.4 构建因果链条
将以上要素串联成一条完整的因果链，格式：
> **因为** [事实锚点A] → **导致** [机制B发生] → **进而** [结果C出现] → **同时受到** [约束D的限制] → **因此** [预测结论E，附带时间和概率]
因果链条中的每一环都必须有明确的传导机制，不允许跳跃。如果某一环的传导机制不确定，必须明确标注为「不确定环节」并说明为什么不确定。
完成后告知用户：「因果链条已构建。现在进入抑制因素分析。」
## 第四步：抑制因素分析 + 情景推演
### 4.1 抑制因素清单
列出所有可能阻止预测事件发生的因素，分三类：
- 🧱 **硬约束抑制**：[物理极限、资源瓶颈、数学不可能性]
- 📋 **制度摩擦**：[监管审批、法律限制、行业标准、组织惯性——预估延迟时间]
- 🧑 **行为摩擦**：[用户习惯、转换成本、信任门槛、学习曲线——预估克服条件]
每个抑制因素必须评估其**强度**（强/中/弱）和**持续时间**（短期/中期/长期）。
### 4.2 三情景推演
基于驱动力和抑制因素的不同组合，构建三个情景：
**🟢 乐观情景（抑制因素大部分被克服）**：
- 条件：[什么条件下会走向这个情景]
- 结果：[具体结果描述]
- 概率：[X%]
**🟡 基准情景（驱动力和抑制因素大致平衡）**：
- 条件：[什么条件下会走向这个情景]
- 结果：[具体结果描述]
- 概率：[X%]
**🔴 悲观情景（抑制因素占主导）**：
- 条件：[什么条件下会走向这个情景]
- 结果：[具体结果描述]
- 概率：[X%]
三个情景的概率之和应接近100%。
完成后告知用户：「情景推演完成。现在进入最终预测和可证伪条件设定。」
## 第五步：输出最终预测 + 可证伪条件 + 决策建议
### 5.1 最终预测
用以下严格格式输出最终预测：
> **预测**：[具体事件描述]
> **时间窗口**：[具体时间范围]
> **置信度**：[X%]
> **基准情景概率**：[X%]
>
> **事实锚点**：[1-2句话概括关键数据]
> **因果机制**：[1-2句话概括核心传导逻辑]
> **主要抑制因素**：[1-2句话概括最大阻力]
> **可证伪条件**：[明确说明什么情况发生就证明预测错误]
### 5.2 可证伪条件（详细版）
列出3个具体的、有时间限制的检验节点：
- ⏰ **检验点1**（[具体日期]）：如果 [具体可观测事件] 发生/未发生，则 [如何调整预测]
- ⏰ **检验点2**（[具体日期]）：如果 [具体可观测事件] 发生/未发生，则 [如何调整预测]
- ⏰ **检验点3**（[具体日期]）：如果 [具体可观测事件] 发生/未发生，则 [如何调整预测]
### 5.3 基于预测的决策建议
给出3条直接可执行的决策建议，每条必须：
- 明确对应哪个情景
- 说明具体行动是什么
- 说明如果预测错误，这个行动的最大损失是什么（下行风险控制）
格式：
- 🎯 **行动1**：[具体行动] — 对应情景：[乐观/基准/悲观] — 如果错了：[最大损失]
- 🎯 **行动2**：...
- 🎯 **行动3**：...
### 5.4 诚实声明
最后必须附上诚实声明：
> ⚠️ **诚实声明**：本预测基于截至 [当前日期] 的公开信息和因果推理，置信度 [X%] 意味着我认为有 [100-X%] 的概率我是错的。预测不是确定性判断，而是概率估计。请将此预测作为决策参考之一，而非唯一依据。建议在每个检验点重新评估。
## 第六步：生成预测报告文档
使用 write 工具创建一份完整的预测报告，标题为「第一性原理预测报告：{预测问题的简短描述}」。
文档结构如下：
```
# 第一性原理预测报告：{预测问题简短描述}
> 分析日期：{当前日期}
> 分析方法：第一性原理四组件因果推理框架
> 置信度：{X%}
## 📌 预测问题
（校准后的精确问题表述）
## 🧹 表象剥离
（流行观点及其推理缺陷）
## 📍 事实锚点
（可验证的关键数据和事实）
## ⛓️ 因果链条
（约束条件 → 驱动力 → 反馈回路 → 完整因果链）
## 🧱 抑制因素
（硬约束、制度摩擦、行为摩擦的详细分析）
## 🎭 三情景推演
（乐观/基准/悲观情景及各自概率）
## 🎯 最终预测
（严格格式的预测结论）
## ⏰ 检验节点
（3个可证伪的时间检验点）
## 🚀 决策建议
（3条可执行的行动建议及下行风险）
## ⚠️ 诚实声明
（概率声明和使用建议）
```
文档内容应基于整个分析过程中的推理和数据，确保逻辑严密、数据准确、结论可检验。
生成文档后，告知用户：
「📄 预测报告已生成。建议你在每个检验节点回顾此报告，根据新信息更新概率估计。记住：好的预测者不是猜得最准的人，而是校准得最好的人。」
发现下一个适合你的技能
继续探索更多精选 AI 技能，用于研究、创作和日常工作。
