ljg-blind
盲区扫描——读昨天你与 AI 的全部对话,照出暴露的思维盲区(不是不懂的知识,是让某类真相一直看不见的思维习惯),再从微信读书挑一本书的一章精准补上,落成一篇完整分析笔记。Use…
基于结构映射理论,为场景或两个对象的差异寻找精妙类比与关系隐喻,保留关键关系、解释增量与迁移边界。USE WHEN 用户说「找个类比」「打个比方」「有什么精妙的隐喻」「用类比讲清两者区别」「换个场景理解」或调用 ljg-analogy。NOT FOR 只解释现成比喻、纯修辞润色、理论定义或把类比当作事实证明。
$ npx -y skills add lijigang/ljg-skills --skill ljg-analogy --agent claude-codeHow it fires
How this skill gets triggered: by you, by Claude, or both.
/ljg-analogyContext preview
The summary Claude sees to decide when to auto-load this skill.
基于结构映射理论,为场景或两个对象的差异寻找精妙类比与关系隐喻,保留关键关系、解释增量与迁移边界。USE WHEN 用户说「找个类比」「打个比方」「有什么精妙的隐喻」「用类比讲清两者区别」「换个场景理解」或调用 ljg-analogy。NOT FOR 只解释现成比喻、纯修辞润色、理论定义或把类比当作事实证明。
name: ljg-analogy description: 基于结构映射理论,为场景或两个对象的差异寻找精妙类比与关系隐喻,保留关键关系、解释增量与迁移边界。USE WHEN 用户说「找个类比」「打个比方」「有什么精妙的隐喻」「用类比讲清两者区别」「换个场景理解」或调用 ljg-analogy。NOT FOR 只解释现成比喻、纯修辞润色、理论定义或把类比当作事实证明。 metadata: version: "1.1.0"
用户给出一个场景,交付一个让人先看见画面、再认出关系、最后对原场景多懂一点的类比。物件可以相距很远,关系却对得很近。新奇不能抵消失真;熟悉的物件也能承载出人意料的关系。
术语方向固定:**用户想理解的场景是目标域;借来帮助理解的场景是基域。** 搜索从目标域出发寻找基域,知识迁移从基域回到目标域。用户用词相反时按实际意图工作,不为术语打断创作。
| 请求 | 处理 | |------|------| | 给一个场景,寻找类比或隐喻 | 按下文的成品标准交付一个主类比 | | 比较两个对象、产品或机制 | 用共同的关系框架,同时保留共同点与关键差异 | | 指定受众、领域、文风或只要一句 | 保留结构约束,服从用户的呈现要求 | | 要多个方案或比较已有候选 | 比较不同关系焦点,点出推荐项与取舍 |
至少能认出场景里发生了什么,以及用户希望照亮的关系。只有一个词而无可辨认情境时,问一个能改变类比选择的问题;词语有多种常见指向时,先确认它指什么,问题中的选项也不能默认某一种含义。已有可用场景时直接工作。未指定受众,默认面向普通中文读者,优先选少解释也能想象的生活场景。
类比对准读者当前要完成的理解任务:辨认什么、区分什么,或预测哪种变化。用途、组成、运作方式与体验是不同的解释焦点;读者问两者怎样不同,分别概括它们的用途可能答非所问。结合提问与已有上下文选焦点,必要时用一句「这里着重看……」交代,不把这项检查变成每次都向用户补问。
用户强调的目标、权力差异、时序和约束不能在抽象时被抹掉。版本与状态也是对象身份的一部分:新证据改变角色、流程或依赖关系时,重新检查取景与主类比。若原候选已不能保留承重关系,就换掉它,不能只在末尾补一句版本差异。
**任务吻合。** 映射保留的是读者这次需要理解的关系。一个比方能解释对象的某个特点,仍可能与眼前的问题无关;关键看它能否改善当前的辨认、区分或理解。
**关系成立。** 两边都存在同一条有信息量的关系骨架。读者能把人物或物件逐一放回各自角色,核对作用方向、先后顺序、依赖条件与反馈。允许只解释局部,但不能用一句泛泛的「只是类比」掩盖承重关系相反。
**关系连得起来。** 有一组相互支持的对应,而非为了凑数收集的相似点。若一处改变会牵动另一处,说明这条依赖怎样在两边重现。简单的比例或空间对应已经足够时,不必硬加因果或凑满关系数量。
**画面能独立站住。** 基域里有具体对象和动作,普通读者不用先听一遍新理论就能理解。可以用明确标为「设想」的构造场景;不能编自然机制、历史事件或名人故事当事实。
**多照出一点。** 类比至少让一项原先不显眼的关系变得可见:盲点、约束、代价、后果或可区分两种判断的条件。这个增量要能从映射推出。验收解释性类比时,用一个未直接照抄原描述的小情境,检查它能否帮助读者辨认差异、推测结果或选择下一步;只能复述名称与特点的候选仍然偏弱。这是内部内容检查,不必每次给用户出题,也不等于读者实测。文学隐喻可以改变读者看待一种关系的方式,不强加操作性检验或科学实验。
**候选经得起比较。** 当不同候选都能说通时,用同一个理解任务比较它们:谁保留了更关键的关系,谁能支持更具体的区分或推论,谁需要额外解释得更少。只有喻体名词不同、关系骨架相同,不算另一种结构。关系可信与受众可理解是底线;熟悉的近域对应可以优于新奇的远域对应,距离本身不计作质量。候选探索留在内部,用户未要求时只交付最强方案;没有合格候选就说明具体缺口。
**边界具体。** 指出基域哪个醒目的特征不能带过来,或哪项目标域条件变化后,对应关系就会断开。用与本次类比有关的一句话完成,避免通用免责声明。
优先在同一熟悉领域中找一组场景,用同一套角色与关系描述两边,使共同点保持可比、关键差异清楚显现。分别给 A、B 找到贴切形象,仍不足以说明 A 与 B 怎样不同;可借用的是一组有区别的运作关系。若跨两个基域更准确,也应保留共同的比较依据,不强凑同域。
检查两种对应是否有区分力:交换喻体以后,如果不用改变承重关系仍能轻易圆回来,它们可能只命中了共同属性。把一个新输入或条件变化放进两边,读者应能从类比看出各自怎样处理、会出现什么不同。若不同答案全靠另外补写目标域事实,喻体本身就没有提供足够帮助。仅按原文换名词,或把优劣标签塞进比方,也不能替代这项检查。
默认直接在对话交付,不自动创建笔记、图片或文件。通常用几段话说透一个主类比,篇幅随场景伸缩:
以上是信息要求,不是固定标题模板。用户只要一句时,只交付一句;用户要可直接引用的成稿时,先给干净成稿,不把验收语言塞进正文。隐喻可以省去「像」,结构对应仍须成立。
本技能借用 Gentner(1983)的关系映射与系统性原则。理解任务、双对象对照、候选淘汰、受众熟悉度、认知增量与具体边界,是为创作任务增加的设计标准,不宣称出自论文或已被论文验证。
关于定义、非因果关系、隐喻与理论外推有疑问时,读 [Theory.md](Theory.md)。维护或试跑时使用 [EvalCases.json](EvalCases.json);这些用例只定义输入和验收依据,不规定唯一的正确比方。
日常构造场景不必联网。最终类比若依赖某项不确定的科学、历史或行业事实,先用当前可用检索工具核对一手材料;核对不了,就换成事实可靠的基域,或明确限定为假设场景。
Repo: lijigang/ljg-skills
盲区扫描——读昨天你与 AI 的全部对话,照出暴露的思维盲区(不是不懂的知识,是让某类真相一直看不见的思维习惯),再从微信读书挑一本书的一章精准补上,落成一篇完整分析笔记。Use…
Explain a whole book to readers without specialist knowledge: what it follows, how its main…
基于《商业模式新生代》的 Business Model Canvas,把用户提供的项目介绍、访谈、产品资料或商业计划整理成九模块商业模式画布卡片,交付 PNG 与可修改的…
Content caster (铸). Transforms text into PNG through precise HTML typography and, when the…
古文逐字注解、组合排版、章节意旨图与全章解读生成器。把原文、字词注、句义注、无字顶部配图和章节解读排成一张可读的长 PNG。USE WHEN 用户调用 ljg-classic OR…
给一个领域、专业、角色、产品或争论找出真正框住它的几条约束,判明它们属于世界/规则/解释(硬/软/自设),看这组约束如何定义身份、补全问题、框出解空间并解释实际行为;尤其用于区分目标相同但…