synthesis-and-analogy

综合与类比

目录

• 工作流
• 综合技巧
• 类比技巧
• 常见模式
• 防护措施
• 快速参考

工作流

复制此清单并跟踪进度：

Synthesis & Analogy Progress:
- [ ] Step 1: Clarify goal and gather sources/domains
- [ ] Step 2: Choose approach (synthesis, analogy, or both)
- [ ] Step 3: Apply synthesis or analogy techniques
- [ ] Step 4: Test quality and validity
- [ ] Step 5: Refine and deliver insights

步骤 1：明确目标

对于综合：有哪些来源？我们要回答什么问题？需要解决哪些冲突？对于类比：源领域（熟悉的领域）是什么？目标领域（需要解释的领域）是什么？目标是什么（解释、解决问题、构思创意）？典型目标请参阅常见模式。

步骤 2：选择方法

仅综合 → 使用综合技巧。仅类比 → 使用类比技巧。两者兼用 → 先综合以发现模式，再用类比进行解释或迁移。简单场景 → 使用 resources/template.md。复杂的多领域综合 → 学习 resources/methodology.md。

步骤 3：应用技巧

对于综合：找出各来源中的主题，记录一致与分歧之处，通过更高层次的框架解决冲突，并提取模式。对于类比：将结构从源领域映射到目标领域（分别对应什么？），找出共同关系（而非表面特征），并检验映射是否有效。请参阅综合技巧和类比技巧。

步骤 4：检验质量

使用 resources/evaluators/rubric_synthesis_and_analogy.json 进行自我评估。综合检查：是否涵盖所有来源？是否解决冲突？是否识别模式？是否带来洞见？类比检查：是否保留结构？是否触及深层而非表面？是否说明局限？是否有助于理解？最低标准：平均分 ≥3.5。

步骤 5：完善并交付

创建 synthesis-and-analogy.md，其中包含：综合摘要（主题、一致之处、冲突、模式、新见解）或类比解释（源领域、目标领域、映射表、可迁移内容、局限性）、来自来源的支持证据，以及可执行的启示。

综合技巧

主题综合（识别反复出现的主题）：

1. 提取：阅读每个来源，记录要点和主题
2. 编码：用相同的主题标签标记相似观点（例如，“入门流程阻力”“定价困惑”）
3. 计数：统计出现频率（有多少个来源提到每个主题？）
4. 排序：按频率 × 重要性确定优先级
5. 综合：描述每个主要主题，并提供来源中的支持证据

冲突调和综合（调和分歧）：

• 元层面框架：双方从不同角度来看都正确（例如：“来源 A 优先考虑速度，来源 B 优先考虑质量——取决于具体情境”）
• 范围区分：对适用范围存在分歧（“来源 A：功能 X 在企业级场景中有问题。来源 B：在 SMB 场景中可用。综合结论：在 SMB 场景中可用，在企业级场景中有问题”）
• 时间因素：因时间不同而产生分歧（“来源 A：策略 X 在 2010 年失败。来源 B：在 2024 年有效。背景已变：市场成熟度不同”）
• 零假设：证据确实相互冲突 → 说明不确定性，并提出检验方法

模式识别（寻找跨领域的洞见）：

• 寻找反复出现的结构（同一问题以不同形式出现）
• 找出因果模式（在多个来源中，当 X 发生时，Y 随之发生）
• 识别异常值（与模式相矛盾的来源——原因是什么？）
• 提取元洞见（这种模式说明了什么？）

示例：综合 10 份事后分析 → 模式：80% 的事件涉及配置变更和缺少回滚计划。异常值：2 起事件由硬件故障导致。元洞见：需要建立配置变更审查流程和自动回滚能力。

类比技巧

结构映射理论：

1. 确定源域（熟悉、理解透彻的领域）
2. 确定目标域（不熟悉、需要解释的领域）
3. 映射实体：源域中的什么对应目标域中的什么？
4. 映射关系：保留关系（如果源域中 A→B，那么目标域中 A'→B'）
5. 检验映射：关系是否能迁移？是否存在未映射的元素？
6. 承认局限：类比在哪些方面不成立？

表层类比与深层类比：

• 表层（较弱）：共享表面特征（都呈圆形、都是红色）——缺乏启发性
• 深层（较强）：共享结构关系（都具有辐射状拓扑结构，都使用反馈回路）——富有洞见

示例——表层：“大脑就像计算机（两者都处理信息）”——过于笼统，没有帮助 示例——深层：“大脑神经元就像计算机晶体管：神经元会放电或不放电（二进制），彼此连接成网络，学习＝强化连接（权重）。但神经元是模拟式／概率式的，而计算机精确且确定”——保留了结构，也承认了局限

类比质量检验：

• 系统性：是否映射了多种关系（而不只是一种）？
• 结构保留：因果关系是否能够迁移？
• 生成力：类比能否产生新的预测或洞见？
• 适用范围：类比在哪些方面不成立？（务必说明）

常见模式

模式 1：文献综述综合

• 目标：将研究论文整合成连贯叙述
• 技巧：主题综合（提取主题，指出一致与冲突之处，找出研究空白）
• 输出：“研究表明 X（5 项研究支持），但 Y 仍有争议（3 项支持、2 项反对，原因是方法差异）。研究空白：尚无针对 Z 群体的研究。”

模式 2：多方利益相关者综合

• 目标：整合设计、工程、产品和客户的反馈
• 技巧：冲突解决式综合（建立元层面的框架，区分适用范围）
• 输出：“设计团队希望实现 A（美观），工程团队希望实现 B（性能），产品团队希望实现 C（速度）。这些诉求都有道理——v1 优先考虑 C（速度），v2 再考虑 A（美观），B（性能）则作为持续优化项。”

模式 3：解释性类比

• 目标：向非技术受众解释技术概念
• 技巧：从熟悉的领域进行结构映射
• 输出：“Git 分支就像科幻作品中的平行时间线：主分支是主时间线，功能分支是‘假设会怎样’的探索。合并＝时间线汇合。冲突＝需要解决的悖论。”

模式 4：跨领域解决问题

• 目标：通过将其他领域的解决方案迁移过来解决问题
• 技巧：找出结构相似性，映射解决方案要素
• 输出：“仓库路径规划问题在结构上类似于蚁群优化：蚂蚁通过信息素轨迹找到最短路径。迁移方案：使用强化学习和‘数字信息素’（成功路线的权重）来优化仓库路径。”

模式 5：通过类比激发创意

• 目标：通过探索类比产生新颖想法
• 技巧：强制建立联系、随机配对领域、系统性变换
• 输出：“代码审查与餐厅美食点评有何相似之处？评论者（审查者）会从摆盘（可读性）、口味（正确性）和烹饪技法（架构）等方面评价菜品（代码）。迁移方案：采用多标准评分表，从可读性、正确性和架构等方面进行代码审查。”

护栏

综合质量：

• 涵盖所有相关来源（不挑选有利内容）
• 明确解决冲突（不忽略分歧）
• 识别超出单个来源表述范围的模式（增加价值）
• 区分事实与解读
• 为论点引用来源
• 承认信息缺口和不确定性

类比质量：

• 映射结构，而非表面特征（深层类比）
• 明确说明各项之间的对应关系（映射表）
• 检验有效性（关系是否可以迁移？）
• 承认类比不成立之处（局限性）
• 不过度延伸（知道何时该停止拓展类比）
• 适合受众（源领域应为受众所熟悉）

避免：

• 虚假综合：在确有冲突时强行求同
• 表面类比：“两者都是圆的”无助于理解
• 将类比当作证明：类比用于说明，不能用于证明
• 过度概括：一个来源 ≠ 一种模式
• 挑选有利内容：忽略不利来源
• 混淆层次：将数据与解读混为一谈

快速参考

所需输入：

综合：

• 多个来源（论文、访谈、数据集、反馈、研究）
• 要回答的问题或要实现的目标
• 要识别的冲突或模式

类比：

• 源领域（熟悉且理解透彻）
• 目标领域（不熟悉，需要解释或解决问题的领域）
• 目标（解释、解决问题、产生想法）

使用的技巧：

综合：

• 主题综合 → 识别反复出现的主题
• 冲突解决 → 通过元框架调和分歧
• 模式识别 → 找出跨领域的洞见

类比：

• 结构映射 → 映射实体及其关系
• 表面与深层检验 → 确保相似之处在结构层面，而非表面层面
• 有效性检验 → 检查关系是否可以迁移

产出内容：

• synthesis-and-analogy.md，包含：
  • 综合：主题、一致之处、已解决的冲突、模式、新洞见、支持性证据
  • 类比：源领域、目标领域、映射表（什么↔什么）、迁移的洞见、局限性
  • 可执行的启示

资源：

• 快速综合或类比 → resources/template.md
• 复杂的多来源或多领域任务 → resources/methodology.md
• 质量验证 → resources/evaluators/rubric_synthesis_and_analogy.json

最低质量标准：

• 综合：涵盖所有来源、解决冲突、识别模式、增加洞见
• 类比：结构映射清晰、深入而非表面、承认局限性
• 两者都应：以证据为依据、引用来源、具有可操作性
• 交付前，量规平均分 ≥ 3.5/5