协作头脑风暴
brainstorming
在实现前澄清需求、探索设计选择,并形成清晰的开发方向。
learn【开发与工程】AI systematic knowledge acquisition from unfamiliar territory — deliberate model-building with feedback loops. Maps spaced repetition principles to AI reasoning: survey the territory, hypothesize structure, explore with probes, integrate findings, verify understanding, and consolidate for future retrieval. Use when encountering an unfamiliar codebase…
独立 GitHub 快照 · 自动分类 · 以原作者文档为准
行結構知識採集——掃未知、立初模、以試探、合發現、驗解、固持久。
remote-viewing 出直覺線索需系統驗teach — AI 須深解以釋解前先圖景以識存者:
學模擇:
┌──────────────────┬──────────────────────────┬──────────────────────────┐
│ 疆型 │ 主模 │ 工具式 │
├──────────────────┼──────────────────────────┼──────────────────────────┤
│ 碼庫 │ 結構圖—— │ Glob 為文件樹、 │
│ │ 尋入口、核模、邊 │ Grep 為 exports/imports、│
│ │ │ Read 為關鍵文件 │
├──────────────────┼──────────────────────────┼──────────────────────────┤
│ API/庫 │ 接口圖—— │ WebFetch 為文、 │
│ │ 尋公面、型、配 │ Read 為例、 │
│ │ │ Grep 為用式 │
├──────────────────┼──────────────────────────┼──────────────────────────┤
│ 域概 │ 本體圖—— │ WebSearch 為概覽、 │
│ │ 尋核詞、關係、辯論 │ WebFetch 為定義、 │
│ │ │ Read 為本地註 │
├──────────────────┼──────────────────────────┼──────────────────────────┤
│ 用者脈 │ 對話圖—— │ Read 對話、 │
│ │ 尋所陳目、偏、約 │ Read MEMORY.md、 │
│ │ │ Read CLAUDE.md │
└──────────────────┴──────────────────────────┴──────────────────────────┘
得:疆骨圖有 5-15 地標識。何區表顯清、何需深察之感。尚無解——僅圖。
敗:疆過大不可掃→即窄範。問:「為服用目最少須解何?」無明入口→由出始(此系統生何?)逆追。
由掃構系統如何行之初設:
得:具體可證偽設——非模糊印。各有確或駁之試。諸設合蓋疆最要面。
敗:無設→掃淺→返步一,深讀 2-3 地標。諸設等不確→由最簡始(奧卡姆剃刀)構。
以針察系統驗各設:
得:至少一設試至結。心模成形——部確、部修。驚為特價數據。
敗:探恒生模糊結→設或試誤物。退問:「解此系統者視何為最要事實?」→探之。
合發現為連片之一致模:
得:釋疆結構且預行為之一致心模。模可 3-5 句述且具體聲明非模糊泛化。
敗:片不合為一致模→前設中或有根解誤。識不合之片並重試。或疆真不一致(差設系統存)——記此為發現非強合。
以預測並查驗心模:
得:心模過 3 中至少 2 預測。崩處誤解並正。模有確優與已知限。
敗:多預敗→心模有根缺。此乃貴信息——意疆異預。以新證返步二重構設。二試速快因已除誤模。
捕學為支未來取與用之形:
得:捕核解之簡取總。未來此題可由此總始非由空重學。
敗:學抗總→尚未完合→返步四。學似顯而不值存→考今顯者新脈中或不顯。存非顯部。
learn-guidance — 人指結構學之變體teach — 按學者校之知轉;基此處構之模remote-viewing — 出線索供系統學驗之直察meditate — 入新學疆前清前脈絡噪observe — 養學原數據之持中式識