what-if-oracle

What-If Oracle — 研究情景规划

在投入研究资源之前，探索一组有边界的可能未来。输出是一份情景对比、一份证据台账和一份应急计划。它不覆盖完整的可能性空间，也不能证明所叙述的机制一定会发生。

六个分支提示词和 0·IF·1 助记符来自上游 What-If 框架。请将该助记符视为一种框定辅助：一个潜在变化（0）、一个明确条件（IF），以及由此产生的情景（1）。它不是科学定律，也不是计算模型。

作者的 What-If Paradigm 和 Unified Theory of Digital Consciousness 被 Zenodo 收录为预印本。它们的存缴和 DOI 确立的是来源出处，而非本工作流的预测准确性或实证验证。

何时使用

适用于以下问题：

• 如果样本流失率高于计划怎么办？
• 如果某种方法无法迁移到新的仪器、队列或站点怎么办？
• 如果关键试剂、数据集或测量变得不可用怎么办？
• 在相互竞争的假设或资源约束下，哪种研究选项仍然可行？

请将分析绑定到一项科学决策。这不是通用的商业、个人建议或软件架构技能。如果问题需要干预效应、功效计算或数值模拟，请确定所需的设计/模型和证据；不要用情景叙述来编造这些结果。

定性工作流不需要任何包、API 端点、凭据或网络连接。当外部事实重要时，请核实其当前状态，或将分析标注为仅基于所提供的材料。有关研究专属提示词和一个完整示例，请参见 references/scenario-templates.md。

阶段 1 — 框定问题与证据

撰写一个可操作的问题，包含：

• 决策与对照： 可以改变什么，以及在当前计划下会发生什么？
• 扰动： 主要变量、幅度、单位以及任何耦合变化。当机制将其他变量联系起来时，不要假设它们保持不变。
• 时间范围与系统： 答案适用的总体、站点、方案和时间窗口。
• 结果与约束： 可衡量的成功/失败标准、预算、容量以及不可逆后果。
• 基线： 观察结果及其日期，与假设和预期目标分开。

例如：“如果可用样本比例为 60% 而非计划的 80%，一批 100 个样本能否在本月交付 80 个可用样本，我们应准备哪种应急方案？”在得到数据支持之前，这两个比例都可能是规划假设。

当用户提供的框定足够时，请使用它。陈述合理的工作假设并继续；仅当缺失的事实会实质改变分析时，才询问该事实。

维护一份简短的证据台账：主张、来源或数据版本/日期、相关总体/方案、不确定性以及状态（观察到的、模型推导的或假设的）。记录相互冲突的证据。LLM 生成的论证不是额外的观察，也不是独立的专家评估。

阶段 2 — 探索情景分支

选择适合该问题的不同情景，通常为四到六个。简短的筛查可以使用有利、参考和不利情景。以下标签是探索视角，而非互斥的结果或概率分布。

视角	需要考察的内容	科学边界
Ω 有利（最佳情况）	在合理范围内的有利条件	并非已证实的上限；需说明谁的结果得到改善
α 参考情况	一个明确的基线或核心假设集	只有在比较证据支持该排序时，才称其为“可能”
Δ 不利（最坏情况）	可能的失败，包括相关性失败	并非已证实的下限，也非可想象的最坏结果
Ψ 意外变数	超出主要假设的具体扰动	不要声称能穷举不可知事件，也不要仅凭标签判定其罕见程度
Φ 逆向观点	对主流假设的替代方案	评估支持与否定证据；仅存在分歧并不构成支持
∞ 二阶效应	下游影响、延迟、反馈或行为变化	可发生在任何其他情景中；将未经检验的机制标记为假设

保留各分支之间重要的共同驱动因素和相关性。避免通过独立切换具有共同原因的量而制造出不合情理组合。在最终输出中使用描述性情景名称，以免有利/不利标签取代评估本身。

阶段 3 — 分析并质疑每个分支

使用简洁记录：

Scenario: [name and lens]
Condition and horizon: [operational definition]
Assumptions: [including dependencies and boundary conditions]
Evidence: [source/data version, supporting and conflicting observations]
Mechanism: [conditional narrative; identify untested causal links]
Consequences: [outcomes, units, range, and relevant time points]
Likelihood: [not estimated, or justified estimate with method and uncertainty]
Evidence confidence: [reasoned assessment, separate from event likelihood]
Discriminating observation: [what would weaken this scenario or favor another]
Trigger and response: [observable measure, threshold, review time, owner, action]
Residual risk: [what this response does not resolve]

对于定量主张，需展示输入、单位、方法、假设以及计算是否已执行。区分未来结果的变化与输入或模型的不确定性。敏感性检查应改变对决策至关重要的假设，包括可能的联合变化，并识别首选行动在何处发生变化。

对于因果主张，需明确干预、对照、人群、结果和时间范围。观察性关联或预测变化本身并不是干预效应。说明识别假设和支撑设计；对于观察性调整，这些假设包括一致性、可交换性和正值性。情景可以推动开展受控试点或测量，但不能取代该证据。关于这一区分，请参见作者维护的 Causal Inference: What If，尤其是第 1–3 章。

阶段 4 — 比较响应并定义下一项检查

使用结果、成本、可行性、可逆性和未解决假设的表格，将候选行动与各情景进行比较。包含当前计划。说明哪个目标或权衡决定了建议。

• 稳健行动： 识别在已测试情景中仍可接受的行动，并说明其成本和例外情况。在已测试集合内的稳健性并不保证适用于所有未来。
• 应急方案： 明确条件行动和准备时间；即使备份从未使用，也要计入准备备份的成本。
• 决策触发条件： 记录测量、阈值、审查日期和负责角色。触发条件可以是一套实际的操作规则，而不必是统计检验或机制证明。
• 下一项证据： 识别可能改变选择的最小可行试点、对照或观察。如果当前证据无法区分各情景，请如实说明。

不要将建议变成已执行的实验、采购或流程变更。除非用户另行要求执行，否则交付物是分析和提议的响应。

概率与置信度

当证据无法支持数值概率时，请使用 “未估计”。如果概率有用，请定义事件和时间范围，确定相关的基础率或拟合模型，并记录估计的不确定性和可迁移性限制。定性合理性不是隐藏的数值评分。置信度关乎证据的强度和一致性；它不是事件发生的概率。这一区分也用于 IPCC 不确定性指南。

仅在同一条件假设和时间范围下，对互斥且穷尽的结果划分进行归一化。例如，从一个固定的 100 个批次中最终可用的样本数量可以划分为 0–59、60–79 和 80–100。这定义了有效的结果区间，但并未为其提供任何概率。六种情景视角并不构成这样的划分。

将资源分配与事件可能性分开。61.8/38.2 黄金比例分配并不能由此工作流证明其合理性。请根据证据、后果、成本、能力、可逆性和既定目标来选择分配。

模式

• 快速筛选： 三个不同情景、关键假设和下一次观察。简洁并不能确立证据质量。
• 详细分析： 更多情景以及明确的敏感性/决策比较；根据需要将时间分配给证据收集，但不要承诺在几分钟内完成高利害分析。
• 情景链： 展开一个与决策相关的分支，包括不利或模糊的分支。让每个子项以其父项为条件。对于概率，使用 P(A and B) = P(A) × P(B given A)，而不是在缺乏合理独立性依据时使用边缘概率的乘积。当新增细节无法改变行动或缺乏证据时停止。
• 反向规划： 从目标倒推候选前提条件，并检验其可行性。一条看似合理的路径并不能证明其必要性、充分性或可能性。
• 利益相关者比较： 从研究者、参与者、机构或资助者的视角评估相同的科学情景。不同的偏好并不是独立的佐证证据。

方法与来源边界

当前的 Government Office for Science Futures Toolkit 将情景与预测区分开来，并描述了跨可能未来对选项进行压力测试的方法。本技能将这些一般性区分适配到研究应急情形；该工具包并不验证这六种特定视角、其概率或规定的分支数量。

这本仅含文档的技能不包含预测引擎或因果估计器。其示例是合成的，用于说明规划算术，而非展示在真实研究结果中的实际改进。

许可与改编

© 2026 Ashraf Hussein Kahoush / AHK Strategies。依据 CC BY-NC-SA 4.0 许可。商业使用需获得作者许可。本仓库改编将工作流缩小到研究规划，并修订了证据、概率和因果主张指导；它保留了对上游框架和预印本的署名。