mcpField
H
hum-historical-analogy

hum-historical-analogy

github.com/asgard-ai-platform生产力24346 次安装21 周前更新
代码仓库

关于 hum-historical-analogy

为需要将历史经验用于当下决策的人提供历史类比评估框架。它强调比较因果机制与结构差异，并检验类比的适用范围，避免只凭表面相似作判断。

主要功能

  1. 01比较结构相似点与差异
  2. 02评估类比的适用程度
  3. 03从类比中提取具体启示
  4. 04识别常见类比陷阱

适用场景

  1. 01评估市场变化与历史事件的关系
  2. 02审视战略决策中的历史类比

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/asgard-ai-platform/skills --skill hum-historical-analogy

安装后在 Claude Code 中输入/hum-historical-analogy确认已加载。

附带文件examples/sample_scenario.mdreferences/thinking-in-time.md

详细介绍

历史类比

概述

历史类比将过去事件中的经验应用于当前决策。严谨使用时，它们能帮助识别模式并预见趋势。草率使用时，它们会因过度套用表面相似之处、忽视结构性差异而误导人。

框架

IRON LAW: Structural Similarity, Not Surface Similarity

A valid analogy requires shared STRUCTURAL features (causal mechanisms,
power dynamics, systemic patterns), not just surface resemblance.

"This startup is the next Apple" because the founder wears turtlenecks =
surface similarity (worthless). "This market has the same demand-side
network effects as early smartphone adoption" = structural similarity (useful).
类比评估步骤
  1. 明确陈述类比：“情境 A 类似历史事件 B，因为……”
  2. 梳理结构性相似之处：双方有哪些共同的因果机制、动态或模式？
  3. 梳理结构性差异：哪些方面存在根本差异？
  4. 评估权衡：针对当前的具体问题，相似之处是否多于差异？
  5. 谨慎提炼经验：这个类比能提供哪些具体、可执行的见解？
  6. 明确类比的局限：这个类比在哪些地方不再成立？
常见的类比陷阱
陷阱描述示例
挑选有利案例只选择支持你结论的历史案例“Kodak 未能适应变化，所以我们必须转型”（忽略了坚持原有方向才是正确选择的案例）
结果偏见用历史结果来验证类比“Amazon 熬过了互联网泡沫，所以我们也能”（幸存者偏差）
虚假精确期望历史精确重演“2008 年危机花了 18 个月才恢复，所以这次也会如此”
以今论古用当下的知识评判过去的决策“他们本该预见危机”（他们并没有如今的数据）

输出格式

# Historical Analogy Assessment: {Current Situation} ↔ {Historical Event}

## The Analogy
"{Current situation} is like {historical event} because..."

## Structural Similarities
| Feature | Historical | Current | Similarity |
|---------|-----------|---------|-----------|
| {mechanism} | {how it worked then} | {how it works now} | Strong/Moderate/Weak |

## Structural Differences
| Feature | Historical | Current | Impact on Analogy |
|---------|-----------|---------|------------------|
| {factor} | {then} | {now} | Weakens/Neutral/Strengthens |

## Validity Assessment
- Overall analogy strength: Strong / Moderate / Weak
- Valid for: {what aspects of the decision the analogy informs}
- Invalid for: {where the analogy breaks down}

## Lessons (with caveats)
1. {lesson} — caveat: {where this might not apply}

示例

正确应用

情境：“2025 年的 AI 就像 1995 年的互联网”

结构性相似之处1995 年的互联网2025 年的 AI强度
可支持多种应用的通用技术✓✓强
早期炒作周期，预期被夸大✓（互联网泡沫）✓（对 AI 泡沫的担忧）强
基础设施建设阶段（当时是宽带，如今是 GPU／数据中心）✓✓强
结构性差异1995 年的互联网2025 年的 AI影响
部署速度宽带部署历时数年通过 API 几分钟即可使用 AI削弱类比（采用速度更快）
现有企业的应对现有企业反应迟缓（Blockbuster、报纸行业）现有企业积极采用（Microsoft、Google）削弱类比（初创公司更难发展）
监管环境监管极少全球积极监管 AI（EU AI Act）削弱类比（限制更多）

结论：中等强度的类比——适用于理解炒作周期模式和基础设施投资阶段，但不适用于预测初创公司与现有企业之间的竞争格局 ✓

错误应用
  • “AI 就像互联网，所以所有 AI 公司都会成功”→ 只挑选了赢家（Google、Amazon），却忽略了 90% 以上的互联网泡沫时期公司都以失败告终。幸存者偏差 + 只有表面相似。违反铁律。

注意事项

  • 存在多种类比：对任何当前情境，都可以找到多个历史参照，它们甚至可能导向相反的结论。应考虑 2–3 个类比，而不只是最流行的那个。
  • 最流行的类比往往最糟糕：“这就像互联网泡沫”之所以常被提起，是因为这个说法耳熟，而不是因为结构性相似之处很强。流行度 ≠ 有效性。
  • 类比最适合识别模式，而非预测：“这种模式过去曾导致 X”很有用。“这次也会导致 X”则过于自信。
  • 文化与制度环境会变化：美国商业史中的经验未必适用于台湾的制度环境。应考虑系统性差异。

参考资料

  • 关于 Neustadt & May 的“Thinking in Time”方法论，请参阅 references/thinking-in-time.md

评论

支持 Markdown