用批判性思维梳理复杂问题

通过结构化思维框架，显著提升 Claude Code 在复杂决策、系统架构分析及风险预测中的推理质量。

详细介绍

Claude Code Thinking Skills

Claude Code 的 28 种思维模型与批判性思维框架

Claude Code Thinking Skills 是一个包含 28 种思维模型和批判性思维框架的集合，专为 Claude Code 设计。它为 Anthropic 的 AI 编程助手提供了结构化的推理方式，用于决策、调试、系统分析、风险管理和策略规划。每个技能都封装了一个经过验证的思维框架——从第一性原理推理到约束理论——你可以通过名称调用。整个集合基于一个透明、可复现的评估管道。

概览

是什么
一个包含 28 种思维模型和批判性思维技能的库，用于 Claude Code。

适用人群
希望 Claude Code 使用结构化框架而非临时启发式方法进行推理的工程师、创始人和分析师。

如何开始
通过插件市场安装，然后调用 thinking-model-router 来路由到合适的技能。

证据
每个技能都经过可复现的 Elevate-or-Kill 评估管道 测试。诚实的结论是： 目前没有任何技能拥有稳健、可复现的 ELEVATE 判定 ——我们公开了这一结果，而不是隐藏它。

入口
thinking-model-router → 从这里开始

为什么这个项目与众不同

大多数“AI 提示包”仓库声称其内容能让模型更聪明，但从未验证。这个项目反其道而行之：它构建了一个客观、长度可控、可复现的评估工具，并评估了包含 39 个技能的旧版目录。结果被公开记录，包括一个令人不适的发现： 没有任何技能达到可证明、可复现的准确率提升标准。

严谨是关键。这些技能是基于成熟框架的有用结构化推理支架，评估方法足够诚实，能告诉你证据有多强。透明而不是炒作，是这里的标准。

功能特点

28 种思维框架 — 精选的思维模型库，用于决策、调试和策略。

经过评估且诚实 — 通过严格的、可复现的评估管道构建和测试；参见 Elevate-or-Kill 记分卡 。

经过实战检验的基础 — 基于认知科学、系统思维和战略分析中的框架（芒格、梅多斯、卡尼曼、高德拉特、阿奇舒勒/TRIZ、博伊德/OODA）。

原生 Claude Code — 专门为 Claude Code 的技能系统和调用模型设计。

零配置 — 安装后直接通过名称调用技能，无需设置。

可用技能

所有 28 个已发布的技能，按领域分组。元技能 thinking-model-router 是推荐的入口点。

决策与分析

技能
描述
最佳适用场景

thinking-first-principles
将问题分解为基本事实
创新、挑战假设

thinking-second-order
思考超越直接后果的影响
战略决策、政策变更

thinking-pre-mortem
想象失败并逆向推导
项目启动、风险评估

thinking-kepner-tregoe
用于复杂分析的系统化理性过程
高风险决策、根本原因分析

thinking-reversibility
按可逆性分类决策（类型 1/2）
承诺规模、风险评估

thinking-opportunity-cost
评估选择时考虑放弃的东西
资源分配、优先级排序

认知与行为

技能
描述
最佳适用场景

thinking-bounded-rationality
在约束下做出足够好的决策
时间压力、满意化

thinking-socratic
系统化提问框架
需求分析、调试、辅导

thinking-probabilistic
校准的概率估计
预测、不确定性量化

thinking-steel-manning
论证最强的对立立场
辩论、决策验证

系统与策略

技能
描述
最佳适用场景

thinking-systems
分析相互关联的系统
复杂调试、架构设计

thinking-ooda
动态情境下的快速决策
事件响应、竞争场景

thinking-theory-of-constraints
识别并管理瓶颈
性能优化、吞吐量

thinking-cynefin
按复杂性领域分类问题
方法论选择、方法匹配

问题解决与创新

技能
描述
最佳适用场景

thinking-map-territory
识别思维模型的局限性
期望 mismatch、抽象

thinking-circle-of-competence
了解专业知识的边界
委派、学习决策

thinking-triz
解决技术矛盾
工程设计、创新

thinking-five-whys-plus
带偏差防护的增强型根本原因分析
调试、事件事后分析

thinking-scientific-method
假设差分调试
故障定位、模糊症状

thinking-thought-experiment
结构化想象以探索
架构、边界情况、哲学

估算与风险

技能
描述
最佳适用场景

thinking-margin-of-safety
为不确定性建立缓冲
风险管理、系统设计

thinking-lindy-effect
存在时间越长，未来可能持续更久
技术选择、持久性

thinking-via-negativa
通过移除而非增加来改进
简化、健壮性

thinking-red-team
对抗性地攻击自己的计划
安全审查、计划验证

产品与创新

技能
描述
最佳适用场景

thinking-jobs-to-be-done
理解客户雇佣产品完成的工作
产品开发、功能设计

thinking-effectuation
从手段而非目标出发
创业、创新、不确定性

元技能

技能
描述
最佳适用场景

thinking-model-router
从这里开始 – 按领域路由到合适的模型
所有思维技能的入口点

thinking-model-combination
组合多个模型进行更丰富的分析
复杂问题、高风险决策

技能评估方式

对证据的诚实是这个项目的核心特征，因此评估结果被如实报告。

证据基础： 历史覆盖范围不均匀且仍是暂定的。修正后的 portfolio-v1 关卡没有进行任何模型调用，因为功率、数据集和评判校准要求未满足。

主要结论： 目前没有任何技能拥有稳健、可复现的 ELEVATE 判定。 所有 28 个已发布的技能都是仅手动调用的；没有证据证明它们能提高模型准确率。

最接近的历史候选： thinking-scientific-method 在其较大样本量的七月工件中记录了临时的 +4.0pp 故障定位提升。尽管其重新计算的 McNemar 结果显著，但效果低于预先声明的 +5pp 效用阈值，并且该研究存在评分、对照组、分母和原始存档缺陷。它只是方向性证据，而非 ELEVATE。

这对你意味着什么： 将这些技能视为结构化推理支架，而不是保证准确率提升的工具。审计保留了有用的框架，同时将未经支持的性能声明排除在产品之外。

亲自阅读证据：

决策审计 — 目录处置、研究引用和明确的证据缺口。

规范证据注册库 — 机器可读的计数、声明和产品处置权威。

已发布的目录现在包含 28 个技能。在证据支持的切换中，移除了 11 个无支持或重叠的技能；其独特机制被吸收到保留的技能中，历史证据得以保留。

使用方法

安装后，在 Claude Code 中通过名称调用任何技能。如果你不确定哪个框架适合，从 thinking-model-router 开始：

> 使用 thinking-model-router 为这个问题选择合适的框架
> 使用第一性原理思维分析这个架构决策
> 对这个项目计划应用事前验尸框架
> 帮我使用概率推理评估这个假设
> 使用约束理论找到我们的瓶颈

详细技能描述

第一性原理思维

剥离假设，揭示基本事实，然后从基础重新构建解决方案。由埃隆·马斯克倡导，根植于亚里士多德哲学。

何时使用：

常规方法已失败

被告知某事“不可能”

需要创新，而非渐进式改进

概率推理

估计不确定性，用证据更新先验，暴露假设和校准。

何时使用：

估计概率或可能性

解释测试结果或指标

在信息不完整的情况下做决策

系统思维

将问题视为相互关联的整体的一部分，具有反馈回路和涌现特性。对于调试复杂分布式系统至关重要。

何时使用：

调试涉及多个组件

在一个地方修复导致另一个地方出错

行为似乎是涌现的或意外的

约束理论

每个系统恰好有一个约束限制吞吐量。优化其他任何东西都是浪费精力。基于 Eliyahu Goldratt 的工作。

何时使用：

性能优化

流程改进

资源分配

识别瓶颈

科学方法 / 假设差分调试

通过枚举可证伪的假设，按其可能性 × 检查成本排序，并首先进行最便宜的区分性观察，来定位模糊的 bug。这是集合中经过最严格实证检验的技能（最终判定：DIRECTIONAL-NOT-REPLICATED——参见 评估结果 ）。

何时使用：

一个症状可能来自多个文件/函数/组件

你现在可以检查代码、日志、差异、跟踪或测试

在应用根本原因分析之前需要定位故障

Cynefin 框架

根据因果关系对问题进行分类：清晰、复杂、复合、混乱。每个领域需要不同的方法。

何时使用：

选择方法论

理解方法失败的原因

危机管理

待完成的工作

客户不购买产品——他们雇佣产品来完成工作。理解工作能解锁创新。

何时使用：

产品开发

功能优先级排序

理解客户行为

红队思维

在对手之前攻击自己的计划。最好的防御是知道自己的弱点。

何时使用：

安全审查

发布前准备

计划压力测试

常见问题

什么是 Claude Code 思维技能？

Claude Code 思维技能是 28 种可重用的思维模型和批判性思维框架，打包为 Claude Code 技能。每个技能为 AI 代理提供一种结构化方法——例如第一性原理推理、概率更新或约束理论——用于分析特定类型的问题。你可以通过名称调用它们，以指导 Claude 在决策、调试和策略中的思考方式。

我应该从哪个思维技能开始？

从 thinking-model-router 开始。它是一个元技能入口点，读取你的问题并路由到最相关的框架，因此你不需要记住所有 28 个。如果你已经知道自己的需求——例如调试、风险或优先级排序——可以直接调用特定技能。

这些技能真的能提高 Claude 的准确率吗？

目前没有任何技能被证明能提高准确率。每个技能都经过可复现的评估， 零技能拥有稳健、可复现的 ELEVATE 判定。 最接近的候选是 thinking-scientific-method ，在其新鲜的首次运行中获得了 +5.3pp（p=0.061，n=150）——方向性但未达到 p<0.05 门槛——且具有显著的 +8.0pp（p=0.001）的可复现性；因为显著的可复现性不能挽回失败的门槛，其判定为 DIRECTIONAL-NOT-REPLICATED。将这些技能视为可靠的结构化推理支架，而不是保证的准确率提升。

模型路由器技能是什么？

thinking-model-router 是一个元技能，充当集合的入口。给定一个问题描述，它识别领域（决策、系统、估计、调试等）并指向最合适的思维框架。它的存在是为了让新手无需研究整个目录就能获得价值。

这些技能基于真实研究吗？

是的。这些框架借鉴了查理·芒格（思维模型）、多内拉·梅多斯（系统思维）、丹尼尔·卡尼曼（双过程认知）、埃利亚胡·高德拉特（约束理论）、根里奇·阿奇舒勒（TRIZ）和约翰·博伊德（OODA 循环）等思想家的成熟工作。除了源理论，这些技能还经过了本项目自己的长度可控、可复现的评估管道，所有结果都发布在 Elevate-or-Kill 记分卡 中。

这些技能免费使用吗？

是的。整个集合根据 MIT 许可证发布，你可以自由使用、修改和分发。

注意事项

这些技能是结构化推理支架，不是保证准确率提升的工具。

目前没有任何技能被证明能提高模型准确率。所有技能都经过评估，但均未达到稳健、可复现的 ELEVATE 判定。

使用前需要通过插件市场安装技能。安装后，通过名称在 Claude Code 中调用。

评估结果公开可用，包括审计和证据注册库。

试试这样做

• 使用 thinking-model-router 为我当前的架构决策选择最合适的思维框架，并进行分析。
• 应用 first-principles 技能来拆解并重新评估这个复杂的系统设计方案。
• 使用 pre-mortem 框架对当前的项目计划进行风险评估，找出潜在的失败点。

作者：tjboudreaux 开发者 / 职场人 ｜ GitHub Stars 873 ｜ 标签：编程开发 项目管理 已认证 开源许可: MIT

来源：colaos.ai ｜ Skill ID：cc-thinking-skills