agent-skills 创意提炼方法论:idea-refine 技能中的 7 种发散思维框架(Ideation Frameworks)实战指南
本文围绕 frameworks.md 这一参考文档展开,系统讲解 agent-skills 技能包中 idea-refine(创意提炼)技能内置的 7 种创意框架——SCAMPER、How Might We(HMW)、第一性原理、Jobs to Be Done(JTBD)、约束驱动、事前验尸(Pre-mortem)与类比启发(Analogous Inspiration)。读完本文,你能掌握每种框架的适用场景与操作要点,理解它们如何嵌入 idea-refine 的三阶段(发散—收敛—输出)工作流,并知道在面对一个模糊想法时如何选择正确的"思维透镜",而不是机械地跑一遍所有框架。
框架的定位:被选择性调用的工具箱,而非检查清单
frameworks.md 开宗明义地确立了使用原则:
Use these frameworks selectively. Pick the lens that fits the idea — don't mechanically run every framework. The goal is to unlock thinking, not to follow a checklist.
即:按需选取与想法匹配的透镜,目标是为思考"松绑",而不是走流程。这一原则与主文件 SKILL.md 中的指示完全一致——该文件在 Phase 1(理解与发散)阶段明确要求:"Read frameworks.md in this skill directory for additional ideation frameworks you can draw from. Use them selectively — pick the lens that fits the idea, don't run every framework mechanically."(见 SKILL.md#L84)。
从源码结构看,idea-refine 技能的文件组织体现了"主流程 + 外挂参考"的分层设计:
- SKILL.md:三阶段主流程、内置的 7 个发散透镜、反模式与验证清单;
- frameworks.md:本文主角,补充的 7 个经典创意框架;
- refinement-criteria.md:Phase 2 使用的完整评估量表(用户价值、可行性、差异化、假设审计、决策矩阵);
- examples.md:三个完整的示范会话(餐厅直接复购、文档协作功能、团队回顾流程改造);
- idea-refine.sh:可选的初始化脚本。
值得注意的是,SKILL.md 的 Phase 1 自带一套 7 透镜生成法(Inversion 反转、Constraint removal 移除约束、Audience shift 受众迁移、Combination 组合、Simplification 简化、10x 放大、Expert lens 专家视角),而 frameworks.md 提供的 7 个框架是额外的、可按需调用的工具箱。两套机制的关系可以推断为:内置透镜用于每次会话的常规发散,frameworks.md 用于想法卡在某个特定困境时"对症下药"。
框架一:SCAMPER——对既有想法做七种变换
SCAMPER 是一种对既有想法进行结构化改造的方法,通过 7 种不同操作生成变体:
| 操作 | 核心提问 |
|---|---|
| S — Substitute(替代) | 哪个组件、材料或流程可以被替换?如果核心技術换掉呢?目标用户换掉呢?商业模式换掉呢? |
| C — Combine(组合) | 如果把它与另一个产品、服务或想法合并?哪两件通常不搭配的东西能组合出新东西? |
| A — Adapt(借鉴) | 还有什么东西与它类似?其他行业、领域甚至其他时代有什么可借用的想法?自然界有什么对应的平行结构? |
| M — Modify(放大/缩小) | 如果把它放大 10 倍?缩小 10 倍?如果夸张化某一个特性?如果剥离到绝对最小? |
| P — Put to other uses(另作他用) | 还有谁能用它?它能解决什么别的问题?放到一个完全不同的场景里会发生什么? |
| E — Eliminate(删除) | 如果彻底删掉某个功能会怎样?零配置的版本是什么样?步骤减半是什么样? |
| R — Reverse/Rearrange(反转/重排) | 如果步骤倒序执行?如果由用户做系统该做的事(或反过来)?如果价值链反转? |
适用场景(Best for):改进或重新构想既有产品/功能。对从零开始(greenfield)的想法帮助较小。
在 examples.md 的餐厅案例中可以看到 SCAMPER 思想的实战形态:"Inversion — Charge the Customer, Not the Restaurant"(把配送费模型反转,向用户收小额溢价、餐厅零佣金)正是 Reverse 操作的直接应用;"What If Delivery Weren't Required?"(Pickup-first 模型)则对应 Eliminate——把"配送"这个最昂贵的组件整个删掉,只保留点单与自取。
框架二:How Might We(HMW)——把问题重述为机会
HMW 用"How Might We..."句式把问题重构为机会:
- 从一个观察或痛点出发;
- 重述为 "How might we [期望结果] for [具体用户] without [关键约束]?";
- 对同一个问题生成多个 HMW 表述——不同的重构方式会解锁不同的解法空间。
好 HMW 的三个特征:
- 足够窄,可以行动(例:"…帮新用户在头 5 分钟内找到相关内容");
- 足够宽,允许创造性解法(不能窄成"…加一个推荐侧边栏");
- 包含一个迫使创造力的张力或约束。
坏 HMW 的三个特征:
- 太宽:"How might we make users happy?"
- 太窄:"How might we add a button to the settings page?"
- 内嵌了方案:"How might we build a chatbot for support?"(这是方案不是问题)
适用场景:打破锚定思维。当有人已经锁定某个解法时,用 HMW 把他拉回问题本身。
HMW 在 idea-refine 工作流中不是一次性工具,而是贯穿全程的语法:Phase 1 第一步就是"Restate the idea as a crisp 'How Might We' problem statement"(SKILL.md#L60);Phase 3 产出物 one-pager 的第一节 Problem Statement 也是一句话 HMW 表述(SKILL.md#L112-L116)。三个范例会话都以 HMW 重述开场,例如"让餐厅与大平台竞争"被重述为"How might we 让独立餐厅获得顾客期望的触达与便利,而不把它们推入侵蚀毛利与品牌的模式?"(见 examples.md)。
框架三:First Principles(第一性原理)——拆到基本事实再重建
第一性原理思考把想法拆解到基本事实,再从那里重建:
- 我们确定知道什么是真的?(不是假设、不是惯例——是真正为真的东西)
- 我们假设了什么? 列出所有假设,包括那些感觉"理所当然"的。
- 哪些假设可以被挑战? 对每一个问:"这真的是物理定律,还是仅仅'一直这么做'?"
- 从真相重建。 如果只有这些基本事实,你会构建什么?
适用场景:突破渐进式思维(incremental thinking)。当每个想法都感觉只是对现状的小修小补时,这个框架最有用。
框架四:Jobs to Be Done(JTBD)——用户"雇佣"产品完成的任务
JTBD 聚焦用户真正想完成的事,而不是他们嘴上说要的东西。把任务分成三个层面:
- 功能任务(Functional job):用户在完成什么具体任务?
- 情感任务(Emotional job):用户想获得什么感受?
- 社会任务(Social job):用户希望被他人如何看待?
标准格式:"When I [情境], I want to [动机], so I can [期望结果]."
核心洞察:用户不是购买产品,而是"雇佣"它们来完成一项任务。竞争产品不一定在同一品类——原文给出的例子是:Netflix 的对手不只是其他流媒体,还包括"睡觉"。
适用场景:理解真问题。当你不确定自己解决的是不是正确的问题时。
框架五:Constraint-Based Ideation——用约束逼出创意解
主动施加约束来强制产生创造性方案,文档给出六类约束句式:
- 时间约束:"如果只有 1 天来构建这个东西?"
- 功能约束:"如果它只能有一个功能?"
- 技术约束:"如果不能用最显而易见的那个技术?"
- 成本约束:"如果它必须永远免费?"
- 受众约束:"如果你的用户从没用过电脑?"
- 规模约束:"如果需要支撑 10 亿用户呢?如果只支撑 10 个呢?"
适用场景:切开复杂度。当想法变得太大或太含糊时。
这个框架与 SKILL.md 内置透镜中的 "Constraint removal"("如果预算/时间/技术不是因素?")形成互补:一个做减法(移除约束看上限),一个做加法(压上约束看下限)。examples.md 中流程改造案例的收尾建议——"第一个修复应该是 0 分钟准备、0 成本"——正是约束思维在收敛阶段的体现。
框架六:Pre-mortem(事前验尸)——在失败发生前复盘
Pre-mortem 让想法"已经失败",然后倒推:
- 现在是 12 个月后。项目上线了,并且失败了。哪里出了错?
- 列出所有合理的失败原因——技术、市场、团队、时机。
- 对每个失败模式问:这是可预防的?还是"这个想法需要改变"的信号?
- 哪些失败模式你愿意接受?哪些会直接杀死项目?
适用场景:文档明确将其定位为 Phase 2 评估阶段的工具——专门用于压力测试那些"感觉良好但没被压测过"的想法。这与 idea-refine 三阶段流程中的 Phase 2(Evaluate & Converge)呼应:该阶段要求对每个方向做压力测试(用户价值、可行性、差异化)并显式暴露隐藏假设(SKILL.md#L86-L106)。Pre-mortem 正是"暴露隐藏假设"的叙事化操作:先想象失败,再倒推假设。
框架七:Analogous Inspiration(类比启发)——跨领域找结构相似
看其他领域如何解决了类似的问题:
- 哪个行业已经解决了这个问题的某个版本?
- 如果是 [某具体公司/产品] 来做,它会做成什么样?
- 哪个自然系统是这样运作的?
- 历史上有什么先例?
文档特别强调了关键区分:要找结构层面的相似,而非表面层面的相似。"Uber for X"是表面类比;"一个解决陌生人之间信任问题的双边市场"才是结构性类比。
适用场景:文档将其定位为 Phase 1 扩展阶段的工具——生成与常规思路真正不同、而非仅表面变形的选项。
框架 × 阶段:选择透镜的实操映射
综合 frameworks.md 各框架的 "Best for" 说明与 SKILL.md 的三阶段流程,可以整理出如下的选择映射(供检索速查):
| 你卡住的困境 | 优先使用的框架 | 对应阶段 |
|---|---|---|
| 想法是既有功能的改进,不知如何变换 | SCAMPER | Phase 1 发散 |
| 思路锚定在某个方案上出不来 | How Might We | Phase 1 重述 |
| 想法都只是在现状上小修小补 | First Principles | Phase 1 发散 |
| 不确定自己解决的是不是正确的问题 | JTBD | Phase 1 澄清 |
| 想法太大、太含糊 | Constraint-Based Ideation | Phase 1 发散 |
| 想法感觉良好但从没被压测过 | Pre-mortem | Phase 2 收敛 |
| 需要一个"真正不同"的选项 | Analogous Inspiration | Phase 1 扩展 |
从框架到产物:idea-refine 的完整落地链路
7 个框架产出的是"发散素材",最终要收敛为可执行的产物。idea-refine 技能把这条链路标准化为三步(SKILL.md#L10-L14):
- Understand & Expand(发散):用 HMW 重述想法、问 3–5 个锐化问题(具体为谁、成功是什么样子、真实约束、试过什么、为什么是现在),生成 5–8 个有命名透镜的变体;
- Evaluate & Converge(收敛):把用户认可的变体聚成 2–3 个真正不同的方向,按用户价值/可行性/差异化三准则压测(完整量表见 refinement-criteria.md,其中包含 Painkiller vs Vitamin 判别、差异化六级排序,以及"Must Be True / Should Be True / Might Be True"三级假设审计),并显式暴露隐藏假设;
- Sharpen & Ship(输出):生成 markdown one-pager,包含 Problem Statement、Recommended Direction、Key Assumptions to Validate、MVP Scope、Not Doing(and Why) 与 Open Questions 六节(模板见 SKILL.md#L112-L136),经用户确认后保存到
docs/ideas/[idea-name].md。
可选地,运行初始化脚本预先创建产物目录:
bash skills/idea-refine/scripts/idea-refine.sh
从 idea-refine.sh 的源码可以看到,它做的事情非常克制:检查 docs/ideas 目录是否存在,不存在则 mkdir -p 创建,最后向 stdout 输出一行 JSON 状态({"status": "ready", "directory": "docs/ideas"})供调用方解析。
两个细节值得注意,它们是这套方法论"防走样"的设计:
- 质量上限:SKILL.md 的反模式清单明确禁止"生成 20+ 个想法"——5–8 个深思过的变体胜过 20 个浅层变体。这与
frameworks.md"不机械跑所有框架"的总原则一脉相承。 - 诚实而非附和:技能要求"Be honest, not supportive"——好的创意伙伴不是 yes-machine,要具体而友善地反驳弱想法。这一行为约束被评测用例固化了下来:evals/cases/idea-refine.json 中的对话评测期望明确包含 "The agent pushes back on weak aspects instead of only agreeing",以及"输出包含显式 Not Doing 列表""收敛前先问锐化问题""显式暴露隐藏假设"等验收项。
小结
frameworks.md 的价值不在于提供 7 个新名词,而在于给 idea-refine 技能的发散阶段配备了一套可按症状选用的透镜:SCAMPER 改造既有想法、HMW 解除方案锚定、第一性原理突破渐进思维、JTBD 校准真问题、约束驱动切开复杂度、Pre-mortem 在 Phase 2 压测方向、类比启发在 Phase 1 生成结构性不同的选项。配合 SKILL.md 的三阶段流程、refinement-criteria.md 的评估量表与 examples.md 的三个示范会话,这套组合把"从一个模糊想法到一份带 Not Doing 列表的 one-pager"的完整路径变成了可复用、可验证的工程化实践。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0624
Hy4-previewHy4 preview 是由腾讯混元团队研发的新一代混合专家(MoE)旗舰模型。模型总参数量 770B,每个 token 激活 49B,主干共包含78层,第一层采用标准 FFN,其余 77 层均为 MoE 结构,每层包含 256 个路由专家与 1 个共享专家,每个 token 激活 top-8 路由专家及共享专家。主干之外原生内置 1 层 MTP(总参数量 10B,激活 0.7B)以支持投机解码。Python00
GLM-5.3GLM-5.3 与 GLM-5.2 使用相同的基座模型——所有提升均来自后训练。与 GLM-5.2 相比,它在复杂编程和长程任务上的表现显著提升。Jinja00
GLM-5.3-FlashGLM-5.3-Flash (320B-A18B),是GLM-5系列的首个原生多模态模型。320B总参数,能力超过GLM-5.2Jinja00
Spark-X2.5-4BSpark-X2.5-4B 旨在让强大的 AI 更实用、更高效、更易获得。在广泛日常任务中表现强劲,涵盖对话、写作、翻译、推理、编码、工具调用以及智能体工作流,并在同等规模的开源模型中取得领先成绩。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00
Spark-X2.5-1.7BSpark-X2.5-1.7B 旨在让强大的 AI 更加实用、高效且易于获取。这些模型在广泛的日常任务中表现出色,涵盖对话、写作、翻译、推理、编程、工具调用和智能体工作流,并在同等规模的开源模型中取得领先结果。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00