认知放大器 v3.0

> 核心理念：认知不是一次性产品，是持续迭代的贝叶斯更新过程。

> 本质：将"模糊认知"转化为"可验证认知"的循环引擎。

> 核心组件（4个）：

> 1. 目标设定（人类）：设定可量化可验证目标 + 制定验证方式

> 2. 路径寻找（AI）：任务分解 + 证据搜集 + 执行

> 3. 反馈信号（人机协同）：验证信号设计（L1/L2/L3）+ 贝叶斯更新

> 4. 循环迭代（AI）：根据反馈调整，直到任务完成

核心原理（第一性原理）

认知升级的本质

第一性原理推导：

1. 认知升级 = 从"不知道"到"知道"，且"知道"是可验证的
2. 障碍1：不知道"如何到达终点"（路径问题）
3. 障碍2：不知道"是否朝目标近了"（反馈问题）
4. 解决方案：任务分解（把大问题拆成可验证小问题） + 证据搜集（找到可验证数据） + 循环迭代（根据反馈调整）

认知放大器本质（一句话）

> 一个将"模糊认知"转化为"可验证认知"的循环引擎——通过任务分解、证据搜集、贝叶斯反馈，逐步提升对问题的理解，直到达到可验证的置信度阈值。

核心组件（仅4个）

| 组件 | 负责 | 核心能力 | 示例 |

|------|------|---------|------|

| 1. 目标设定（人类） | 设定可量化可验证目标 + 制定验证方式 | 问题定义 + 验证设计 | "分析 AI coding 格局，输出 Top 10 清单（按 GitHub stars）" |

| 2. 路径寻找（AI） | 任务分解 + 证据搜集 + 执行 | 将大问题拆成可验证小问题 + 找到可验证数据 | 分解为子任务 → OSINT 搜集数据 → 生成 Top 10 清单 |

| 3. 反馈信号（人机协同） | 验证信号设计（L1/L2/L3）+ 贝叶斯更新 | 判断"近了"还是"远了" | L1（二进制）：通过/不通过；L2（量化）：数值比较 |

| 4. 循环迭代（AI） | 根据反馈调整，直到任务完成 | 行动 → 反馈 → 行动 → 反馈... | 根据贝叶斯分析结果，继续循环 |

人机分工（清晰边界）

人类：设定目标（起点+终点）+ 制定验证方式
  ↓
AI：路径寻找（任务分解 + 证据搜集 + 执行）+ 循环迭代
  ↓
协同：反馈信号（AI执行 → 人类验证 或 AI自己验证）
  ↓
认知升级：通过对齐和路径寻找，实现认知升级
  ↓
无限循环：只要能有效分解 + 找到证据，就可以一直循环下去

核心能力边界

认知放大器做不到真正的"无中生有"（创造完全脱离已有规律的全新知识），但可以做出"创造性发现"（泛化到未见过的场景，突破人类思维定式）。

案例：AlphaFold 解决蛋白质折叠问题——预测了人类从未见过的新蛋白质结构，从人类视角看这是"创造"，但从哲学视角看仍是"发现"（物理规律已存在，只是人类不知道）。

适合的问题：

• 分析类（"分析 XX 格局"）
• 对比类（"对比 XX 和 YY"）
• 决策类（"选择 XX 还是 YY？"）
• 创造性发现类（基于已有规律，且可验证）

不适合的问题：

• 简单问答（"XX 是什么？"）
• 信息查询（"XX 的电话是多少？"）
• 纯未来预测（"XX 会如何演化？"——无法验证）

贝叶斯思维通俗解释：盲人还原魔方

> 核心隐喻：反馈的价值是指数级的 —— 137亿年 vs 2.5分钟，差异达 3.5 × 10¹⁶ 倍。

案例描述

| 维度 | 无反馈（遍历） | 有反馈（贝叶斯迭代） |

|------|----------------|---------------------|

| 时间 | 137亿年 | 2.5 分钟 |

| 核心差异 | 不知道"近了"还是"远了" | 每次转动后知道反馈 |

与认知放大器的对应关系

| 步骤 | 盲人魔方 | 认知放大器 |

|------|-----------|-----------------|

| 1. 首先要行动 | 盲人开始旋转魔方 | 通过 OSINT 收集相关信息 |

| 2. 需要知道朝目标近了还是远了 | 每转动一次，有人告诉他"近了"或"远了" | 多元思维处理 → 分解为可验证子任务 → 贝叶斯分析 |

| 3. 然后重复 | 根据反馈继续转动 | 根据贝叶斯分析结果，继续循环 |

核心要点：

• 首先要行动：不能只思考不行动（盲人必须开始转动魔方）
• 关键是需要反馈：不知道朝目标近了还是远了，就是盲目行动
• 然后是反复行动：根据反馈调整行动，逐步接近目标

自主 Loop 引擎

┌─────────────────────────────────────────┐
│              认知放大自主 Loop（自动运行）                 │
│                                                          │
│  Step 1 ─→ Step 2 ─→ Step 3 ─→ Step 4                │
│  接收任务    证据搜集    多元分析    分解子任务             │
│     ↑                                          ↓       │
│     └──────── Step 5 ←─────────────────────┘           │
│              验证反馈 + 贝叶斯调整                         │
│              ↓（置信度不足）                              │
│              调整任务 → 回到 Step 2                       │
│              ↓（置信度 > 85% 且稳定）                     │
│              任务完成，输出最终报告                         │
└─────────────────────────────────────────┘

Loop 终止条件（三层约束，满足任一即停止）：

第一层：进展约束（防死循环）

| 条件 | 阈值 | 行动 |

|------|------|------|

| 连续无进展 | 连续 3 轮新洞察数 < 1 | 自动停止，输出当前最佳结论 |

| 置信度停滞 | 连续 5 轮置信度变化 < 5% | 降级处理（降低搜索频率，或请求用户补充信息源） |

| 任务分解失败 | 子任务数 = 0 且无法继续分解 | 无法继续，停止并提示用户缩小问题范围 |

第二层：资源约束（防消耗大户）

| 约束维度 | 阈值 | 说明 |

|---------|------|------|

| 最大轮次 | 5 轮（不可覆盖） | 每轮都是重火力（搜索+多元模型），5 轮足够收敛 |

| Token 总预算 | 100k tokens | 约 $0.5（Claude Sonnet），可控 |

| 每轮 Token 预算 | 20k tokens | 强制每轮精简输出 |

| 并行 Agent 上限 | 5 个 | 避免同时启动几十个 Agent |

| 单任务时间上限 | 30 分钟 | 超时强制输出当前最佳结论 |

第三层：质量约束（确保不是垃圾循环）

| 条件 | 要求 | 说明 |

|------|------|------|

| 每轮新洞察 | ≥ 1 条 | 否则本轮无效，自动重新执行 |

| 关键事实验证 | 至少 2 个独立来源 | 防幻觉，必须是 A/B 级来源 |

| 对抗式验证 | 每 3 轮启动一次 Red Team | 专门寻找当前结论的错误 |

| 置信度评估 | ❌ 不能让 AI 自己评估 | 终止条件 = (独立验证通过) AND (连续 2 轮新洞察数 = 0) AND (用户确认) |

Step 1：接收初始任务

目标：理解用户的初始任务，建立先验信念。

执行步骤：

1. 任务澄清（如信息不足）：核心问题是什么？预期输出是什么？时间/资源限制？
2. 建立先验信念：用户对这个问题当前的理解程度（0-100%）
3. 任务分解预判：这个任务是否可以分解为可验证的子任务？

输出：任务说明书（核心问题 + 预期输出 + 先验置信度 + 初始立场 + 子任务预判）

Step 1.5：输入格式检查

检查清单（Step 1 之后、Step 2 之前执行）：

| 检查项 | 要求 | 不完整时的行动 |

|--------|------|----------------|

| 核心问题是否明确？ | 一句话能说清在探究什么 | 提示用户补充 |

| 预期输出是否明确？ | 报告/决策/行动方案至少其一 | 提示用户选择 |

| 任务是否可验证？ | 能分解为子任务 + 有验证信号 | 提示用户缩小范围 |

| 是否适合认知放大器？ | 不是简单问答/查询类问题 | 提示用户用直接对话 |

Step 2：基于 OSINT 原理的证据搜集

> 核心升级：从「信息搜集」升级为「证据搜集」——主动寻找可验证的数据。

核心转变：

| 维度 | 之前（信息搜集） | 现在（证据搜集） |

|------|-----------------|-----------------|

| 目标 | 收集相关信息 | 找到可验证的证据 |

| 方式 | 被动接收搜索结果 | 主动寻找可验证数据 |

| 判断标准 | 信息是否相关？ | 证据是否可验证？ |

执行步骤：

1. 制定证据搜集计划：每个子任务的验证信号是什么？需要什么类型的证据？
2. 多源采集（至少 3 类正交来源）：表面网 / 深网/数据库 / 社交媒体 / 数据平台
3. 对抗式搜集：强制搜集反方观点，防止信息茧房
4. 可信度评级：A/B/C/D/F，核心结论必须有至少 2 个独立 A/B 级来源交叉验证
5. 证据可验证性检查：每条证据标注「是否可验证」

输出：证据搜集报告（证据链 + 可信度评级 + 可验证性标注 + 立场分布）

Step 3：多元思维模型处理信息

目标：用多个正交思维模型交叉透视，而非单一视角。

执行步骤：

1. 模型选择（根据任务性质）：商业/产品判断、趋势/政策分析、个人决策、信息/言论评判
2. 逐模型分析：每个模型揭示问题的什么维度？各模型之间是否存在矛盾？
3. 综合判断：各模型一致指向 → 高置信度；模型间存在矛盾 → 标注「核心不确定性」

输出：多元分析报告（模型 × 维度 × 置信度 + 矛盾点 + 盲区）

Step 4：显式任务分解框架

> 核心升级：从「隐式理解」升级为「显式框架」——用结构化框架确保每个子任务都是「可验证的」。

显式任务分解框架（3 步法）

第 1 步：任务理解检查清单

| 检查项 | 问题 | 必须？ |

|--------|------|--------|

| 1. 核心问题 | 一句话说清：用户在探究什么？ | ✅ |

| 2. 预期输出 | 用户想要什么？（报告/决策/行动方案） | ✅ |

| 3. 可验证性 | 这个任务能否分解为子任务 + 有验证信号？ | ✅ |

| 4. 适合性 | 这个任务是否适合认知放大器？ | ✅ |

第 2 步：任务分解决策树

初始任务
  ↓
【决策点 1】这个任务是"是什么"/"为什么"/"怎么做"？
  ↓
  ├─ "是什么"（描述性）→ 分解为：定义 + 分类 + 举例
  ├─ "为什么"（解释性）→ 分解为：原因 A + 原因 B + 原因 C
  └─ "怎么做"（规范性）→ 分解为：方案 A + 方案 B + 方案 C
  ↓
【决策点 2】每个子任务是否"可验证"？
  ↓
  ├─ 是 → 保留，进入第 3 步
  └─ 否 → 继续分解，直到"可验证"
  ↓
【决策点 3】验证信号是什么类型？
  ↓
  ├─ L1（二进制）：通过/不通过
  ├─ L2（量化）：数值比较、排序、统计检验
  └─ L3（语义）：需要人工判断（尽量避免）

第 3 步：验证信号设计检查清单

| 检查项 | 问题 | 通过标准 |

|--------|------|---------|

| 1. 验证方式 | 如何验证这个子任务完成了？ | 有明确标准 |

| 2. 验证数据 | 验证需要什么数据？ | 数据可获取 |

| 3. 验证来源 | 数据来源是否可靠？ | 至少 2 个独立 A/B 级来源 |

| 4. 验证客观性 | 验证是否客观（不被"顺着说"污染）？ | 优先 L1/L2，避免 L3 |

| 5. 验证可行性 | 当前能否验证（还是只能未来验证）？ | 优先当前可验证 |

输出：子任务分解方案 + 验证信号设计 + 验证可行性评估

Step 5：验证反馈 + 贝叶斯调整（Loop 核心）

目标：用验证结果更新认知，调整任务/子任务，决定是否继续 Loop。

执行步骤：

1. 收集验证结果：每个子任务的验证结果是什么？哪些通过了？哪些没通过？
2. 贝叶斯更新：先验置信度 + 新证据 → 后验置信度
3. 任务调整（关键！）：如果子任务没通过验证 → 调整任务定义 / 补充信息 / 更换分析方法 → 回到 Step 2
4. 循环裁定：

| 条件 | 裁定 | 行动 |

|------|------|------|

| 后验置信度 > 85% 且连续 3 轮稳定 | 任务完成 | 输出最终报告，结束 Loop |

| 后验置信度显著上升/下降（±15%） | 继续循环 | 调整任务，回到 Step 2 |

| 连续 5 轮置信度变化 < 5% | 信息饱和 | 建议用户补充新信息源或缩小问题范围 |

| 用户主动说"停止" | 用户中止 | 输出当前最佳报告 |

快速模式

触发词："快速分析"、"简单分析"、"不用跑 Loop"

执行方式：

• 只跑 1 轮（Step 1 → Step 2 → Step 3 → 输出初步结论）
• 跳过 Step 4（任务分解）和 Step 5（贝叶斯调整）
• 置信度标注为「初步」（通常 50-70%）

FAQ

Q1：认知放大器 vs 直接对话，有什么区别？

直接对话：适合简单问答、信息查询、闲聊，单次交互，无验证机制。

认知放大器：适合复杂分析、深度研究、决策支持，多轮 Loop，有验证机制，置信度可量化。

Q2：置信度是什么？如何计算？

简化公式：

置信度 = (子任务完成数 / 子任务总数) × 0.6
         + (A/B 级来源占比) × 0.3
         + (对抗验证未发现错误 ? 0.1 : 0)

Q3：最大轮次为什么是 5 轮？

设计依据：

• 认知科学研究表明：大多数问题在 5 轮迭代内可以收敛
• Token 预算约束：5 轮 × 20k = 100k tokens（可控成本）
• 防止死循环：如果 5 轮还无法收敛，说明问题定义有问题，或信息不足

Q4：如何判断「任务完成」？

自动判断（满足全部条件）：

1. 置信度 > 85%
2. 连续 2 轮新洞察数 = 0（没有新信息加入）
3. 用户确认（可选，但推荐）

Q5：认知放大器适合什么类型的问题？

适合：

• 分析类（"分析 XX 格局"、"研究 XX 的底层逻辑"）
• 对比类（"对比 XX 和 YY"）
• 决策类（"选择 XX 还是 YY？"）

不适合：

• 简单问答（"XX 是什么？"）
• 信息查询（"XX 的电话是多少？"）
• 纯未来预测（"XX 会如何演化？"—— 无法验证）

置信度计算指南

简化公式（推荐）

置信度 = (子任务完成数 / 子任务总数) × 0.6
         + (A/B 级来源占比) × 0.3
         + (对抗验证未发现错误 ? 0.1 : 0)

置信度区间含义

| 区间 | 含义 | 建议行动 |

|------|------|---------|

| 0-30% | 很不确定的猜测 | 需要大量证据搜集 |

| 30-50% | 有初步判断，但证据不足 | 继续 Loop，重点搜集反方证据 |

| 50-70% | 有判断，基本证据支撑 | 可以继续 Loop，或输出初步结论 |

| 70-85% | 判断较可靠，证据较充分 | 建议再跑 1-2 轮，巩固结论 |

| 85-95% | 判断很可靠，证据充分 | 可以停止，输出最终报告 |

来源可信度评级指南

评级标准（详细说明）

| 评级 | 标准 | 示例 |

|------|------|------|

| A | 一手权威来源（官方文件、原始数据、同行评议论文） | 政府公告、公司年报、学术论文（DOI 可查） |

| B | 可靠二手来源（权威媒体、行业报告） | 新华社、人民日报、IDC 报告、Gartner 报告 |

| C | 有一定可信度（知名博客、专业论坛） | 知乎专栏、技术博客（有署名）、行业 KOL 微博 |

| D | 可信度不确定（需交叉验证） | 匿名论坛、个人小程序、无署名文章 |

| F | 不可靠（匿名、无出处、明显偏见） | 营销软文、标题党、明显错误信息 |

交叉验证规则

核心结论必须有至少 2 个独立 A/B 级来源交叉验证。

独立来源定义：

• 不是「同一篇文章的转载」
• 不是「同一家媒体的不同记者」
• 必须是「不同机构、不同作者、不同数据采集方式」

一句话总结

> 认知放大器 v3.0：将"模糊认知"转化为"可验证认知"的循环引擎——人类设定目标 + 制定验证方式，AI 路径寻找 + 循环迭代，直到任务完成。

v3.0 核心升级：

1. 基于第一性原理精简：从 ~1050 行精简到 ~390 行（↓43%），核心组件从 15 个精简到 4 个
2. Step 2 升级：从「信息搜集」到「证据搜集」——主动寻找可验证的数据
3. Step 4 升级：从「隐式理解」到「显式框架」——用结构化框架确保子任务可验证

版本：3.0.0

更新日期：2026-06-12

核心升级：基于第一性原理精简重构，去掉所有历史版本号引用，统一版本标识

TRACE 评测综合评级：4.8/5（优秀）