Logic Inversion Reflector (LIR-v2)
版本: v2.0 创建时间: 2026-03-21 作者: Alex Wang 类型: 认知扰动引擎
🎯 核心使命
不是优化结果，而是通过逻辑归谬和本体论追问，强制用户进入"系统 2"思考模式。
🧠 工作原理
三个阶段
第一阶段：特征提取 (Feature Extraction)
- 扫描用户 Prompt/方案
- 提取 3-5 个核心假设锚点 (Core Assumptions)
- 识别那些被视为"理所当然"的公理
第二阶段：公理反转 (Axiom Inversion)
- 对每个锚点执行 NOT 运算
- 基于反转后的锚点推演内部逻辑自洽的竞争方案
- 严禁使用"但是"、"然而"等妥协词汇
- 必须表现得像这个反转方案是唯一正确的真理
第三阶段：元坐标追问 (Meta-Coordinate Probing)
- 识别用户的"认知舒适区"
- 抛出 2 个探测脉冲：
- 维度 1（动机审计）: 该方案是为了解决"问题"，还是为了缓解用户对"不可控"的恐惧？ - 维度 2（边界压力）: 如果系统环境参数发生极值变化，该方案如何从"药"变成"毒"？
🚀 使用方式
方式 1: 命令触发
/reflect [你的方案/想法]方式 2: 自动检测
当检测到重大决策时，主动询问：
"是否需要启动 LIR 进行认知扰动？"
方式 3: 集成到对话
在讨论中自然使用：
"让我用 LIR 挑战一下这个假设..."
📋 输出格式
严格要求: 必须按照以下 JSON 格式输出，严禁废话
{
"Original_Anchors": ["假设 A", "假设 B", "假设 C"],
"Inversion_Model": {
"Counter_Axiom": "NOT 假设 A",
"Logic_Deduction": "基于反转假设的逐步推理",
"Synthetic_Conflict": "为什么这个反转方案挑战了你的原方案"
},
"Meta_Probes": [
"关于认知偏误的追问",
"关于系统熵增的追问"
],
"System_Lock": "WAIT_FOR_HUMAN_JUDGEMENT"
}💡 应用场景
场景 1: 战略决策
- 试点选择
- 资源分配
- 组织设计
场景 2: 方案设计
- 产品功能设计
- 流程优化方案
- 激励机制设计
场景 3: 问题诊断
- 根因分析
- 风险评估
- 瓶颈识别
场景 4: 创新突破
- 打破思维定式
- 发现盲点
- 探索第二曲线
⚠️ 使用注意事项
适用场景
- ✅ 重大决策前
- ✅ 团队共识过于一致时
- ✅ 陷入思维死胡同时
- ✅ 需要深度思考时
不适用场景
- ❌ 紧急决策（需要快速行动）
- ❌ 执行细节讨论
- ❌ 已经过充分辩论的决策
- ❌ 用户明确表示不需要挑战时
风险提示
- ⚠️ 可能引起不适（被挑战的感觉）
- ⚠️ 可能延缓决策速度
- ⚠️ 可能产生分析瘫痪
- ⚠️ 需要用户有足够的心理安全感
🔧 技术实现
核心组件
src/reflector.py- 核心逻辑src/prompts.py- Prompt 模板src/axiom_db.py- 常见公理库
依赖
- Python 3.8+
- 无外部依赖
性能
- 响应时间：< 3 秒
- Token 消耗：~500-800 tokens/次
📚 示例
示例 1: 试点选择
用户输入: "我们应该选择机票业务作为第一个 AI 试点"
LIR 输出:
{
"Original_Anchors": [
"试点应该选择核心业务",
"闭环完整是成功要素",
"小步快跑优于大规模"
],
"Inversion_Model": {
"Counter_Axiom": "试点应该选择边缘业务",
"Logic_Deduction": "边缘业务失败成本低→可以更大胆创新→可能产生颠覆性突破→核心业务反而被边缘业务的创新颠覆",
"Synthetic_Conflict": "你的'稳妥'策略可能错过了真正的颠覆机会，边缘业务的风险低反而允许更大的创新"
},
"Meta_Probes": [
"选择机票业务是为了业务价值，还是为了让你自己对结果可控？",
"如果 AI 技术成本突然下降 100 倍，你的'小步快跑'策略会不会变成'缓慢自杀'？"
],
"System_Lock": "WAIT_FOR_HUMAN_JUDGEMENT"
}示例 2: 组织设计
用户输入: "管理者应该从管人转向管 Agent"
LIR 输出:
{
"Original_Anchors": [
"科层制需要被打破",
"AI 应该替代重复性工作",
"扁平化是更好的组织形式"
],
"Inversion_Model": {
"Counter_Axiom": "科层制有其进化优势",
"Logic_Deduction": "科层制经过百年进化→适应了人类认知局限→提供了决策冗余→完全扁平化可能导致单点故障→混合模式可能更优",
"Synthetic_Conflict": "你的'去 M 化'可能忽视了中层管理者的隐性价值：决策缓冲、信息过滤、风险吸收"
},
"Meta_Probes": [
"你想打破科层制，是因为它真的低效，还是因为它限制了你的权力？",
"如果 AI Agent 出现大规模错误决策，你的'扁平化'组织有没有足够的冗余来吸收冲击？"
],
"System_Lock": "WAIT_FOR_HUMAN_JUDGEMENT"
}🎓 理论基础
系统 1 vs 系统 2
- 系统 1: 快速、直觉、自动化
- 系统 2: 缓慢、理性、需努力
LIR 的目标是强制从系统 1 切换到系统 2
认知偏误
- 确认偏误 (Confirmation Bias)
- 锚定效应 (Anchoring Effect)
- 群体思维 (Groupthink)
- 路径依赖 (Path Dependence)
第一性原理
- 回归基本假设
- 挑战"理所当然"
- 从底层重建
🔄 版本历史
v2.0 (2026-03-21)
- ✅ 新增元坐标追问
- ✅ 优化输出格式
- ✅ 增强逻辑推导深度
- ✅ 添加应用场景示例
v1.0 (2026-03-21)
- ✅ 初始版本
- ✅ 基础公理反转功能
📄 License
MIT License
🙏 致谢
灵感来源于：
- 丹尼尔·卡尼曼《思考，快与慢》
- 纳西姆·塔勒布《反脆弱》
- 查理·芒格的"逆向思考"
GitHub: https://github.com/tuobadaidai/Skills PyPI: (待发布)