Logic Inversion Reflector

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)