Science

自定义

执行前，请检查用户自定义设置： ~/.claude/LIFEOS/USER/CUSTOMIZATIONS/SKILLS/Science/

如果此目录存在，请加载并应用其中的任何 PREFERENCES.md、配置或资源。这些内容会覆盖默认行为。如果目录不存在，则使用技能默认设置。

🚨 强制要求：语音通知（任何操作前必须执行）

调用此技能时，必须先发送此通知，再进行任何其他操作。

1. 发送语音通知：

   curl -s -X POST http://localhost:31337/notify \
     -H "Content-Type: application/json" \
     -d '{"message": "Running the WORKFLOWNAME workflow in the Science skill to ACTION"}' \
     > /dev/null 2>&1 &
   

2. 输出文本通知：

   Running the **WorkflowName** workflow in the **Science** skill to ACTION...
   

此步骤不可省略。调用技能后，立即执行此 curl 命令。

Science - 通用算法

功能

将科学方法作为通用问题解决算法：先定义目标，生成多个假设，设计可能失败的实验，诚实地进行测量，根据目标分析，并不断迭代。包含七种核心工作流，以及两个诊断捷径（快速的 15 分钟调试和结构化多因素调查）。适用范围从微观（TDD）到中观（功能验证），再到宏观（MVP 发布）。

问题

大多数问题解决只是把猜测包装成工作。你选择脑海中第一个想到的点子，做出一些改变，然后在“感觉更好”时就宣布完成——这其实是确认偏误，而非进步。没有明确的成功标准，你就无法判断某项改变是否有效，于是要么永远调整下去，要么过早停止。单一假设思维意味着你只会测试自己已经相信的想法。这项技能强制执行一套纪律，解决上述所有问题：明确的目标、至少三个相互竞争的假设、可证伪的测试，以及与目标而非期望进行比较的测量。

工作原理

整个过程是一个不断重复的循环，目标是其锚点——没有明确的成功标准，你就无法评判结果：

GOAL -----> What does success look like?
   |
OBSERVE --> What is the current state?
   |
HYPOTHESIZE -> What might work? (Generate MULTIPLE)
   |
EXPERIMENT -> Design and run the test
   |
MEASURE --> What happened? (Data collection)
   |
ANALYZE --> How does it compare to the goal?
   |
ITERATE --> Adjust hypothesis and repeat
   |
   +------> Back to HYPOTHESIZE

答案来自循环，而非猜测。

---

工作流路由

执行时输出： Running the **WorkflowName** workflow in the **Science** skill to ACTION...

核心工作流

工作流	触发条件	文件
DefineGoal	“定义目标”“我们想要实现什么”	Workflows/DefineGoal.md
GenerateHypotheses	“什么可能有效”“点子”“假设”	Workflows/GenerateHypotheses.md
DesignExperiment	“如何测试”“实验设计”	Workflows/DesignExperiment.md
MeasureResults	“发生了什么”“测量”“结果”	Workflows/MeasureResults.md
AnalyzeResults	“分析”“与目标比较”	Workflows/AnalyzeResults.md
Iterate	“迭代”“再试一次”“下一个周期”	Workflows/Iterate.md
FullCycle	完整的结构化周期	Workflows/FullCycle.md

诊断工作流

工作流	触发条件	文件
QuickDiagnosis	快速调试（15 分钟规则）	Workflows/QuickDiagnosis.md
StructuredInvestigation	复杂调查	Workflows/StructuredInvestigation.md

---

资源索引

资源	说明
Methodology.md	深入了解各个阶段
Protocol.md	技能如何实现 Science
Templates.md	目标、假设、实验、结果模板
Examples.md	不同规模的实例

---

领域应用

领域	具体体现	相关技能
Coding	TDD（Red-Green-Refactor）	Development
Products	MVP -> Measure -> Iterate	Development
Research	Question -> Study -> Analyze	Research
Prompts	Prompt -> Eval -> Iterate	Evals
Decisions	Options -> Council -> Choose	Council

---

应用规模

级别	周期时间	示例
微观	分钟	TDD：测试、编码、重构
中观	小时至数天	功能：编写规范、实现、验证
宏观	数周至数月	产品：MVP、发布、衡量 PMF

---

集成点

阶段	调用的技能
目标	Council 用于验证
观察	Research 用于了解背景
假设	Council 用于提出想法，RedTeam 用于压力测试
实验	Development（Worktrees）用于并行测试
衡量	Evals 用于结构化衡量
分析	Council 用于多角度分析

---

反模式

不佳做法	良好做法
“让它变得更好”	“将加载时间从 3s 缩短到 1s”
“我觉得 X 会奏效”	“这里有 3 种方案：X、Y、Z”
“证明我是对的”	“设计一个可能证伪的测试”
“假装失败没有发生”	“我们学到了什么？”
“永远不停地做实验”	“发布并从生产环境中学习”

---

注意事项

• 测试前至少提出 3 个假设。 单一假设测试会产生确认偏差——直接进行单一测试属于试错，而非科学。
• 测量必须具体且可复现。 “感觉更好了”不算测量。
• 完整周期适用于系统性调查。 快速调试请使用快速诊断模式。

示例

示例 1：快速诊断

User: "figure out why Surface time filters show stale items"
→ Quick diagnosis mode
→ Hypothesis: timestamp format mismatch in D1
→ Test: query D1 for actual stored format
→ Analyze: compare stored vs expected format
→ Result: ISO string vs Unix timestamp mismatch

示例 2：完整系统性调查

User: "experiment with different prompt structures for better output"
→ Full cycle mode
→ 3+ hypotheses generated
→ Controlled experiments with measurements
→ Analysis identifies winning approach
→ Iterates until convergence

执行日志

完成任何工作流后，追加一条 JSONL 记录：

echo '{"ts":"'$(date -u +%Y-%m-%dT%H:%M:%SZ)'","skill":"Science","workflow":"WORKFLOW_USED","input":"8_WORD_SUMMARY","status":"ok|error","duration_s":SECONDS}' >> ~/.claude/LIFEOS/MEMORY/SKILLS/execution.jsonl

将 WORKFLOW_USED 替换为已执行的工作流，将 8_WORD_SUMMARY 替换为简要的输入描述，并将 SECONDS 替换为大致的实际耗时。如果工作流失败，则记录 status: "error"。