generative-thinking

生成式思考——一步到位，坚定执行

固着是默认状态。当生成者（人或大模型）一直在处理某个问题时，注意力会集中在当前的框架上，后续想法也往往只是对它的局部变体。这项技能就是打断这种状态：先用一步侧向转移，再继续推进。

纪律比具体动作更重要。每次调用只选一种技巧，执行时不要反复质疑，并明确提出重新构建的问题或候选切入点——不要在同一框架内列出一串头脑风暴式的想法。

何时使用

Claude 在以下情况下会启用此技能：

• 最近 2 次或更多次迭代都只是同一个想法的变体（出现固着信号）
• 用户说“拓宽思路”“想得更远一些”“我卡住了”“我漏掉了什么”“太狭隘了”“跳出……”
• 问题被设定为二选一（“X 还是 Y”），但两个选项都不理想
• Agent 循环不断产出趋同的变体——应怀疑框架，而不是搜索深度
• 用户明确希望在承诺执行之前，对问题框架（而非计划）进行事前验尸

不要把这项技能设为每个重要任务的默认步骤——触发条件是固着，而非任务利害。如果当前框架有效，就让它继续发挥作用。

核心纪律

以下三条规则适用于每一种下述动作。违反这些规则，只会让输出在形式上像创意构思，结构上却与此前的内容毫无区别。

1. 先生成，再评估。 德·博诺的核心区分：横向思维关注的是移动价值，而非真值。挑衅性设想不是提案。只有在这一步产生了 3 个或更多候选框架后，才进行评估。
2. 一步到位，坚定执行。 不要把五种技巧轮番摆出来供人选择。选出符合诊断结果的动作，彻底执行，呈现由此产生的松动之处，然后停止。罗列选项会制造噪声；坚定执行才能拉开距离。
3. 输出框架，而非想法。 生成式动作的交付成果通常是对问题的新表述或新的切入角度，而不是旧框架内的另一个解决方案候选。如果不采取这一步也能产出该结果，那这一步就没有发挥作用。

停止条件。 当这一步产生了 3 个或更多非平庸的框架，或产生了一个能重组整个问题的框架时，就停止（一个锋利而令人意外的结果胜过五个相近的结果）。不要因为列表看起来短就继续生成——数量不是目的。

触发检验。 每次动作后都要问：不采取这一步，能否产出这个结果？ 如果能，这一步就没有发挥作用。要么更坚定地执行（进一步推进挑衅，把重新构建做得更激进，重新随机选择词语，或换一个维度进行反转），要么就是动作与卡住模式不匹配——重新诊断并选择更合适的动作。一次失效后的重新诊断不等于轮番尝试；轮番尝试指的是在没有坚定执行的情况下不断切换技巧。一次只做一步，每一步都彻底执行；若未奏效，先诊断原因，再进行下一步。

尾部筛选。 为触发检验增加一个数字。经过后训练的模型带有典型性偏差：要求它给出一个候选项时，它会返回众数；要求它给出一个列表时，它会返回前 k 个众数——得到的是畅销榜，而非抽样结果（Zhang 等，2025）。一个动作产出的 3 个框架也会受到这种偏差影响。因此，在评估之前要过量生成——生成 5 到 8 个候选项，而不是 3 个——并在每个候选项旁写明：仍处于旧框架内的生成者会产出它的概率，范围为 0 到 1。删除所有高于阈值的候选项；剩下的才是这一步的实际产出。先将阈值设为 0.3；如果保留下来的结果读起来仍然相近，就继续降低阈值。写下数字是筛选机制，而非装饰：要求模型用文字表达概率分布的提示词，比要求给出实例或列表的提示词更能恢复多样性；对候选项进行推理而非罗列时，质量仍能保持；降低明确给出的阈值，则会让输出进一步进入尾部。这种收益会随模型能力提升而增加；对小型模型而言，筛选只会增加负担，不会拉开距离。

诊断 → 转变

将卡住的模式与对应的转变相匹配。不确定时，默认选择 重新构框。

如果卡住的模式是……	尝试……
框架感觉牵强（“非得是 X 或 Y”）	重新构框 — 改变动词、主语、范围或层次
生成器不断返回近似重复的结果	随机刺激 — 将无关概念强行引入框架
显而易见的答案是错的，但你看不到其他可能	挑衅（Po） — 陈述不可能的事，从中提取转变
正在迭代现有成果	SCAMPER — 七种结构化改造
卡在“我们如何才能让 X 成功？”	反转 — 先问“我们怎样才能确保 X 失败？”，再反其道而行
问题完全由某个领域的词汇定义	结构化类比 — 按功能将对象和关系映射到一个相距甚远的领域，并在那里探索
每个解决方案都被某项约束阻挡	约束玩法 — 移除约束（“假设有魔法”），或添加荒诞约束（“必须塞进一条推文”）
有两个已知示例，却没有关于两者之间或之外空间的理论	遍历类别 — 找出共同类别，并探索其边界

重新构框

问题的表述很少就是要解决的问题。改造这句话：

• 改变动词：“减少 X” → “重新分配 X”、“将 X 转移到其他时间”、“防止 X 产生影响”
• 改变主语：“我们的团队无法更快交付” → “审查者是瓶颈” → “这个成果太容易审查了”
• 改变范围：拉远视角（这是谁的上游问题？），或拉近视角（哪个用户、哪一分钟？）
• 改变框架：从“要修复的问题”转为“要解读的信号”

提出 3 种重新构框的表述。判定有效的条件：至少有一种表述能让原始说法显得天真，或改变问题的负责人。

挑衅（Po）

Edward de Bono 的方法。在一个刻意错误、不可能或荒诞的陈述前加上 Po:，表示它不是提案，而是一种刺激。然后提取转变：这揭示了什么原则、后果或相关想法？

四种配方（de Bono 的正式挑衅方式）：

• 逃逸：移除一项必要特征。Po：数据库无法写入。
• 反转：颠倒因果方向。Po：用户付钱给我们，让自己不使用产品。
• 夸张：将某个数量推至荒诞的极限。Po：入职培训要花六个月。
• 愿望式思考：假设拥有不可能的能力。Po：我们知道用户下周会点击什么。

经典示例：一家工厂污染了一条河。*Po：工厂在自己的下游。*这不可能，但由此产生的想法是：将取水口移到排污口下游。形成不污染的内部激励机制。实现水循环。挑衅本身被舍弃，转变则保留下来。

判定有效的条件：挑衅确实不可能或荒诞（而不只是大胆），并且从中提取的转变能转化回现实约束，形成仍然成立的原则。如果所谓的“挑衅”实际上可行，那它就是提案，而不是 Po——把它推得更远。

随机刺激

挑选一个与问题毫无关联的词语、物体或领域。强行建立联系。刻意牵强的感觉正是关键——它能绕开已经习惯的思维路径。

模板：“[问题] 和 [随机事物] 有什么相似之处？” 然后问：“这说明了什么？”

人工获取素材：随机打开一篇 Wikipedia 条目、看一眼附近的实物、抽一张 Oblique Strategies 卡片，或从当前桌面上挑一个无关领域的概念。拿定最先遇到的事物；重新抽选会破坏这种方法。

LLM Agent 获取素材：直接让 LLM 随机给出一个词，它并不会真正随机——正是锁定思维框架的注意力，会挑出与之相邻的词；而后训练偏差又会让它倾向于选择典型事物。有两种可行的来源：

• 外部：让用户随便给一个词；获取一篇随机 Wikipedia 条目；通过工具抽取一张 Oblique Strategies 卡片。
• 内部，哈希生成——String Seed of Thought（Misaki & Akiba 2025）。写出一段较长的随机字符串（40 个以上字符，混合字母、数字和符号，没有明显规律）。然后写出缩减过程——将字符编码相加，或计算滚动哈希——再对预先列出的词汇表大小取模，并选取对应索引处的词。为此，references/stimulus-vocabulary.md 收录了 128 个来自不同领域的名词；Oblique Strategies 卡组也可以用同样的方法。实测结果：在长推理模型上，这种方法的忠实度接近伪随机数生成器；在开放式生成中，它优于注入伪随机数生成器种子和调用随机数工具，因为字符串可以重新哈希，用于多次局部选择，而且推导过程清晰可见。已测出两种失效模式：草率地只提取第一个字符（LLM 生成的字符串存在很强的位置偏差——1000 个 QwQ-32B 字符串中有 947 个以“7”开头）；以及跳过写出的算术过程，之后推理模型便会臆造结果。使用整个字符串；写出总和。约 8B 以下的模型无法可靠地完成缩减过程——应为它们提供外部来源。

触发条件：建立的联系确实牵强（最初 10 秒感觉不对劲），并且沿着这种牵强感推演后，得出了超出原先搜索范围的新角度。如果随机词一开始就显得“相关”，说明你重新抽选了、根据注意力挑选了，或只读取了种子中的一个字符——换一个。

SCAMPER

用于迭代改进现有产物。按顺序走完七个提示；不要预先挑选自己偏好的提示。

• Substitute（替换）——替换一个组件、材料、人员或步骤
• Combine（组合）——与其他事物合并，包括与它相互竞争的事物
• Adapt（借鉴）——借鉴其他领域中解决相关问题的机制
• Modify / magnify / minify（修改 / 放大 / 缩小）——大幅改变一个维度、频率或权重
• Put to another use（另作他用）——还有谁能使用它？用来做什么？
• Eliminate（删减）——如果这一部分不存在，会发生什么？
• Reverse / rearrange（反转 / 重排）——交换顺序、角色或极性

触发条件：至少有一个提示带来了一个你不会通过询问“怎样才能让它更好？”而想到的备选方案。如果七种方法的结果都只是相近的润色，说明分析对象不是这个产物本身——扩大视野，尝试重新构建框架。

反演

先求解逆问题，再否定所得解。这种方法之所以有效，是因为失败模式通常比成功路径更具体。

• “怎样才能确保它失败？”→ 每种失败模式都是一项保护性要求
• “最糟糕的版本会是什么样？”→ 好版本的逆向形态
• “如果对手想让我们选择 X，为什么？”→ 揭示 X 中隐藏的陷阱

触发条件：反演揭示了正向框架所掩盖的具体风险、机制或动机。如果否定反演得到的答案后，结果和原本已有的想法相同，说明反演过于对称——换一个维度进行反演（目标 → 动机、成功 → 无法观测、用户 → 操作者）。

结构化类比（视角转换）

根据关系结构将问题转移到一个遥远的领域，而不是向那个领域提问。Shen、Druckmann 和 Zou（2026）将“生物学会如何解决这个问题？”作为跨领域类比的基线，其表现几乎和完全不提示领域一样差：每个问题生成 150 轮后，提出的领域中约有 5% 是独特的；解法多样性（Vendi 分数）为 8.3，而无约束基线为 5.8。明确进行结构映射后，解法多样性提高了 90–173%，解法被判定为新颖的比例达到 50–69%，而基线为 1.6–38%；映射到的领域也与问题相距更远。书面化的映射才是改变结果的关键。

根据 Gentner 的结构映射理论，分为四个步骤：

1. 提取。 列出问题中的对象及其功能角色，以及对象之间的关系——即涉及两个或更多对象的谓词（“固定位置的源头将某种物质释放到非均质介质中”）。单个对象的属性不参与映射。
2. 按功能映射。 选择一个遥远的领域，并写出对象 ↔ 对象配对及配对成立的理由。“输送有效载荷”是映射依据；“是液体”则不是。可以只覆盖部分关系——类比只需包含一部分关系，无须覆盖全部。
3. 搜索目标领域。 在遥远领域中，寻找一种已存在且有名称的方法，它作用于已映射的对象，并保留共有关系。在该领域中搜索，而不是寻找原问题的解法。（药物递送 ↔ 地下水污染对应反应运移羽流模型；脑电图源定位 ↔ 地震学对应双差地震定位算法。）
4. 迁移回来。 重新代入源领域的对象，并说明该方法在原领域中变成了什么。

第 2 步需要起点时，可选择以下领域：自然（生物学、生态学、地质学）、行业（厨房、急诊分诊、装卸码头）、角色（首席财务官、儿童、历史学家、对手）、尺度（100 倍、1/100）。

触发条件：映射到的领域不是问题自身文献通常会引用的领域，且第 3 步找到了一种有名称、已存在的方法——而非隐喻。如果对象配对依据的是相似之处而非角色，或者所谓的“方法”只是用新的名词重述原问题，那么这种映射停留在表面；请在第 2 步改用更遥远的领域。

约束博弈

约束定义了解空间。主动调整约束。

• 移除：“假设预算 / 时间 / 算力 / 权限无限”——会有哪些新可能？
• 添加荒谬约束：“必须能装进一条推文”“少于 $5”“不能写代码”“只能开一次会”“只能使用实体手段”
• 反转：让约束变成特色。时间有限 → 事件驱动。预算有限 → 将小团队作为卖点。

触发条件：放宽约束后的解法揭示了你真正看重的东西（而不只是你愿意接受的东西），或者添加约束后的解法比无约束时更犀利。如果两者感觉只是预算不同、答案却相同，那么真正起决定作用的约束在别处——请找出它。

家族遍历

当你手中有两个（或更多）相关实例，而生成过程总是围绕它们打转时，就用这一招。成对实例并不是研究对象，包含它们的参数化家族才是。以下子操作按观察到的产出率从高到低排列：

1. 说出边界。 指明这两个实例所在的家族或前沿，以及它的参数。（两个嵌入量化器 → 率失真前沿，以每维比特数为参数。）如果你说不出参数，就说明还没找到这个家族。
2. 走向极限。 越过两个锚点，继续探索家族的极端点——成员在极限处会改变性质。（向量搜索的 0 比特极限是按文档先验排序；零失真极限则是精确的符号寻址——这揭示了两个“无关”项目其实是同一前沿的两个端点。）
3. 替换受限对象。 指明限制这个家族的约束——不可逾越的界限。由于在模型内不可能越过这条界限，就改变约束所限制的对象。（嵌入无法突破率失真界限 → 改为量化权重，或知识。）
4. 探测弦段。 混合锚点（抖动、集成、融合权重）。产出率最低——混合只会取平均，而非外推——但成本低。最后再做，不要一开始就做。

接着细化并验证：遍历的真正产物，是足够精确、能够推导出答案的问题；发现发生在推导和低成本测量中，而不是几何关系中。（将寻址方案置于前沿框架下，得出了一个容量定律：j² ≤ 2^(significand bits)；用 numpy 花了六十秒就确认，当 N = 4096 时会出现断崖式变化，解开了一个悬而未决四个月的经验谜题。）没有这一步，这种操作产出的只是分类，而不是生成。

触发条件：某个极限点或约束替换落在先前搜索空间之外，且至少一个产出是可检验的论断。如果产出只是对锚点进行了整齐分类，这一步就停滞了——沿边界继续探索，或替换约束。

注意：不要把空间内部等同于新颖性。在高维空间中，几乎所有操作都已经是在训练凸包之外进行外推（Balestriero & LeCun 2021），而已知点的混合只是取平均。具有生成性的方向是极限和约束替换；弦段只是探测手段，不是教条。

将此技能应用于 Agent 自身的推理

大模型 Agent 表现出一种受上下文限制、类似功能固着的现象：注意力集中在当前框架上，并据此生成变化形式。另一种机制会加剧这一现象，且不依赖上下文：偏好数据倾向于熟悉文本，因此后训练会让策略朝着任何提示词的众数续写方向进一步收敛（Zhang et al. 2025, Theorem D.1）——这就是为什么即使在全新的上下文中，“给我五个备选方案”也会返回五个近似选项。以下信号表明这种情况正在发生：

• 第 n 次迭代的结构与第一次相同
• Agent 已以相似的推理拒绝了同一类选项三次
• 计划中有一个标为“头脑风暴”的步骤，产出的内容却只是相近的条目

发现这种情况后，修正方法相同：从诊断表中选一个操作，将其应用于 Agent 当前自身的框架，并在继续工作前明确写出新的框架。写出来至关重要——若框架仍隐含在注意力中，就会再次被吸收到先前的框架里。

此技能不会做什么

• 不负责评估。 如果产物事关重大，生成后应搭配 challenging 使用。
• 不负责 MECE 覆盖。 要进行穷尽式划分，请使用 tiling-tree。
• 不负责综合多种观点。 要组织多角色协作讨论，请使用 convening-experts。
• 不负责生成冗长的创意清单。 相比在原有框架下进行包含五十项内容的头脑风暴，给出三个重新构建的框架并附上一个出人意料的操作更有价值。

规范参考资料（渐进式展开）

仅当用户想深入了解某项具体技巧时，才加载这些资料。

• 横向思维、挑衅、Po、随机刺激——Edward de Bono。主要资料：Wikipedia：Lateral thinking、Wikipedia：Po。文章：de Bono，《Serious Creativity》。书籍：Lateral Thinking（1970）、Serious Creativity（1992）。
• SCAMPER——Bob Eberle，SCAMPER: Games for Imagination Development（1971），以 Alex Osborn 的 Applied Imagination（1953）检查清单为基础。简介：Wikipedia：SCAMPER。
• Oblique Strategies——Brian Eno 和 Peter Schmidt（1974–2001，共五版）。简介：Wikipedia：Oblique Strategies。完整卡组：mattrickard.com/list-of-all-oblique-strategies。需要随机刺激时，随机抽取一张。
• 功能固着（此技能所应对的认知偏差）——Karl Duncker，最初发表于 Zur Psychologie des produktiven Denkens（1935）；英文译本 On Problem-Solving（1945），doi:10.1037/h0093599。蜡烛问题是经典示例。
• 高维空间中的外推与插值（为何“内部 = 新颖”这一说法不成立）——Balestriero、Pesenti 和 LeCun，《Learning in High Dimension Always Amounts to Extrapolation》，arXiv:2110.09485。
• 典型性偏差与模式坍塌；概率口述提示词（尾部筛选）——Zhang、Yu、Chong、Sicilia、Tomz、Manning 和 Shi，《Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity》，arXiv:2510.01171。带概率的分布级提示词使创意写作的多样性比直接提示词提升 1.6–2.1 倍；提示词中的阈值可调整深入尾部的程度；模型规模越大，提升越明显。
• String Seed of Thought（经过哈希处理的内部随机刺激）——Misaki 和 Akiba，Sakana AI，《String Seed of Thought: Prompting LLMs for Distribution-Faithful and Diverse Generation》，arXiv:2510.21150。即使存在自回归相关性，字符串长度增加也会使与目标分布的总变差距离缩小（定理 4.2）；首字符失效见 §D.5，与注入种子和工具调用的比较见 §D.6。
• 类比的结构映射理论——Gentner，《Structure-Mapping: A Theoretical Framework for Analogy》，Cognitive Science 7(2)，1983，doi:10.1207/s15516709cog0702_3。映射关系，不映射属性。
• 将类比推理作为多样性引擎（结构化类比流程）——Shen、Druckmann 和 Zou，Stanford，《Unlocking LLM Creativity in Science through Analogical Reasoning》，arXiv:2605.11258。提取和搜索提示词见 §G.1；四种由 AR 生成的方法已在生物医学领域实现并完成基准测试。
• 设计固着与生成式 AI 特有的失效模式——Wadinambiarachchi、Kelly、Pareek、Zhou 和 Velloso，《The Effects of Generative AI on Design Fixation and Divergent Thinking》，CHI 2024，论文 380，doi:10.1145/3613904.3642919（arXiv:2403.11164）。N=60 的视觉构思实验：与无支持基线相比，使用 AI 图像生成器辅助的参与者对初始示例的固着程度更高，流畅度、变化性和原创性则更低。当固着源于大模型自身先前的输出时，这项研究尤为相关。

速查卡

DIAGNOSE: What kind of stuck?
  → framing forced        : REFRAME
  → near-duplicates       : RANDOM STIMULUS
  → can't see past obvious: PROVOCATION (Po)
  → iterating an artifact : SCAMPER
  → chasing success       : INVERSION
  → one domain vocabulary : STRUCTURED ANALOGY
  → blocked by constraint : CONSTRAINT PLAY
  → two examples, no theory: FAMILY TRAVERSAL

DISCIPLINE:
  1. Generation before evaluation
  2. One move, committed
  3. Output framings, not ideas
  TAIL SIFT: over-generate 5-8, tag P(old frame reaches it), drop > 0.3

STOP when: 3+ non-trivial framings produced, or one surprising framing that reorganizes the problem.