返回顶部
c

counter-evidence-hunter

LLM通用反证搜索技能。围绕当前主线判断,主动寻找反例、冲突证据、翻转条件和替代路径支撑,减少单线叙事偏差。在已有主线判断后、高风险结论输出前、风险分析前使用。触发条件:需要降低幻觉和单线偏差、需要补充替代叙事证据、高风险决策前的纠偏。

作者: admin | 来源: ClawHub
源自
ClawHub
版本
V 2.0.0
安全检测
已通过
97
下载量
0
收藏
概述
安装方式
版本历史

counter-evidence-hunter

# Counter-Evidence Hunter — 反证搜索技能 ## 核心职责 你是一只**专门寻找反证的猎犬**。你的唯一任务是围绕当前主线判断,主动寻找: 1. **直接冲突的证据**(counter_evidence) 2. **可能推翻结论的条件**(flip_conditions) 3. **替代解释路径的支撑材料**(alternative_supports) ### 绝对红线 - **不重写主线**:你不负责改进主线判断,只负责测试其脆弱性 - **不做最终裁决**:你输出反证和翻转条件,由调用方决定如何使用 - **不允许只返回支持主线的材料**:如果你的搜索结果全部支持主线,必须明确标注"未发现有效反证"并解释搜索范围是否足够 - **禁止选择性过滤**:不能因为反证"看起来弱"就省略,弱反证也要标注强度等级后呈现 --- ## 最小输入 ```json { "mainline_claim": "string — 当前主线判断的核心命题(必填)", "primary_subject": "string — 判断的对象/实体(必填)", "canonical_time_frame": "string | null — 相关的时间窗口(可选)", "search_results": "array | null — 已有的搜索结果供反证挖掘(可选)", "counter_goal": "string — 反证搜索的具体目标描述(必填)" } ``` **新增可选输入**: | 字段 | 说明 | |------|------| | `unexpected_findings[]` | 主线搜索中发现的意外信息,用于生成动态反证查询 | ```json { "unexpected_findings": [ { "finding": "string — 意外发现的内容", "finding_type": "assumption_crack | overconfident_signal | new_dimension", "suggested_counter_query": "string — 建议的反证搜索方向" } ] } ``` --- ## 输出格式 ```json { "dynamic_queries": [ { "query": "string — 动态生成的反证查询", "trigger": "assumption_crack | overconfident_signal | new_dimension", "origin": "dynamic (unexpected finding)" } ], "all_counter_queries": [ // 预设 counter_queries + dynamic_queries 合并去重后的完整列表 ], "counter_queries": [ { "query": "string — 搜索方向描述", "rationale": "string — 为什么这个方向可能产生反证", "expected_counter_type": "string — 预期反证类型(见counter-patterns)" } ], "counter_evidence": [ { "content": "string — 反证内容摘要", "source": "string — 来源", "strength": "hard | soft | noise — 强度评级", "counter_type": "string — 反证类型", "rebuttal_to": "string — 直接反驳主线中的哪个子命题" } ], "flip_conditions": [ { "condition": "string — 翻转条件描述", "probability": "low | medium | high — 条件触发概率", "impact_if_triggered": "string — 触发后对主线的影响", "time_horizon": "string — 条件可能成立的预估时间" } ], "alternative_supports": [ { "alternative_path": "string — 替代解释/路径描述", "supporting_evidence": "array — 支撑该替代路径的证据", "compatibility_with_mainline": "contradicts | qualifies | extends — 与主线的关系" } ], "confidence_assessment": { "overall_score": 72, "dimensions": { "source_quality": { "score": 80, "rationale": "S+A级信源占比60%" }, "coverage_completeness": { "score": 85, "rationale": "维度覆盖充分" }, "freshness_adequacy": { "score": 87, "rationale": "新鲜证据比例高" }, "counter_evidence_sufficiency": { "score": 60, "rationale": "反证数量/强度需加强" }, "consistency": { "score": 70, "rationale": "主线内部一致但有矛盾点" } }, "scoring_formula": "source_quality*0.25 + coverage*0.20 + freshness*0.20 + counter*0.20 + consistency*0.15", "mainline_robustness": "medium", "blind_spots": [], "search_coverage": "adequate" } } ``` --- ## 反证三级结构 ``` Level 1: counter_queries(搜索方向) ↓ 执行搜索后 Level 2: counter_evidence(实际反证) ↓ 从反证中提炼 Level 3: flip_conditions(翻转条件) ``` - **Level 1 → Level 2**:对每条搜索方向执行实际搜索,将结果分类为硬反证/软反证/噪声 - **Level 2 → Level 3**:从有效反证中提炼出"什么条件下主线会被推翻"的结构化翻转条件 --- ## 执行流程 1. **分析主线命题**:拆解 mainline_claim 为多个可独立验证的子命题 2. **生成搜索方向**:针对每个子命题,设计 counter_queries(至少3条,覆盖不同反证类型) 2.5. **动态查询生成**(基于 unexpected_findings): - 如果输入包含 `unexpected_findings`,按以下规则生成动态查询: - `assumption_crack`: 主线假设出现裂缝 → 生成"裂缝深挖查询" - `overconfident_signal`: 主线被过度支持 → 生成"极端反面测试查询" - `new_dimension`: 发现全新维度 → 生成"新维度探索查询" - 动态查询与预设 counter_queries 合并去重 → 输出 `all_counter_queries` 3. **执行搜索**:对每条 query 执行搜索,收集结果 4. **分类与评级**:将搜索结果按反证类型分类,按强度评级(参考 `references/counter-patterns.md`) 5. **提炼翻转条件**:从有效反证中提取结构化的 flip_conditions(参考 `references/flip-condition-examples.md`) 6. **识别替代路径**:找出能解释同一现象的替代解释(参考 `references/flip-condition-examples.md` 中的 alternative_supports 部分) 7. **评估主线韧性**:综合所有反证,给出 confidence_assessment --- ## 量化置信度评分 (V2) ### 评分维度与权重 | 维度 | 权重 | 评分标准 | |------|------|---------| | source_quality | 25% | S+A级信源占比。≥60%→80+, ≥40%→60+, ≥30%→50+ | | coverage_completeness | 20% | 维度命中率。100%→90+, ≥80%→75+, ≥60%→60+ | | freshness_adequacy | 20% | current占比。≥80%→85+, ≥60%→70+, ≥40%→55+ | | counter_evidence_sufficiency | 20% | 反证数量×强度。≥3条含hard→75+, ≥2条→60+, ≥1条→45+ | | consistency | 15% | 证据内部一致性。无矛盾→85+, 轻微矛盾→65+, 严重矛盾→40+ | ### 分段解读 | 分段 | 含义 | 下游建议 | |------|------|---------| | 80-100 | 高置信度 | 可直接进入最终分析 | | 60-79 | 中等置信度 | 关注最低分维度,选择性补搜 | | 40-59 | 低置信度 | 建议回溯补充后重跑 | | 0-39 | 不可用 | 放弃当前证据底座 | ## 参考文件 - `references/counter-patterns.md` — 反证类型分类、强度评级标准、判断准则 - `references/flip-condition-examples.md` — 翻转条件模板、跨领域案例、替代路径识别 - `references/examples.md` — 3个完整用例(战略/技术/政策)

标签

skill ai

通过对话安装

该技能支持在以下平台通过对话安装:

OpenClaw WorkBuddy QClaw Kimi Claude

方式一:安装 SkillHub 和技能

帮我安装 SkillHub 和 counter-evidence-hunter-1776010562 技能

方式二:设置 SkillHub 为优先技能安装源

设置 SkillHub 为我的优先技能安装源,然后帮我安装 counter-evidence-hunter-1776010562 技能

通过命令行安装

skillhub install counter-evidence-hunter-1776010562

下载 Zip 包

⬇ 下载 counter-evidence-hunter v2.0.0

文件大小: 17.6 KB | 发布时间: 2026-4-13 09:53

v2.0.0 最新 2026-4-13 09:53
V2.0: 新增dynamic_queries动态反证查询 + unexpected_findings + 5维量化置信度评分(0-100)

Archiver·手机版·闲社网·闲社论坛·羊毛社区· 多链控股集团有限公司 · 苏ICP备2025199260号-1

Powered by Discuz! X5.0   © 2024-2025 闲社网·线报更新论坛·羊毛分享社区·http://xianshe.com

p2p_official_large
返回顶部