分享一个能把AI从“复读机”变成“思考者”的Agent技巧

大多数AI助手在面对开放式问题（比如“我该怎么推广产品”或“这份工作该接吗”）时，给出的答案都极其雷同：细分市场、做MVP、多调研用户。这些建议没说错，但因为太通用，基本没有实际的指导意义。

我最近在实操一个叫 Insight Compiler 的 Agent Skill，它的核心逻辑非常反直觉：它不急着回答你的问题，而是先通过一套流程把你的问题“拆掉”并重新定义。

这个工作流最硬核的地方在于它把“普通AI会给的答案”显式地写出来作为基准线（Baseline），然后强迫模型在这个基准线之上进行迭代，而不是在那个平庸的答案里打转。

它的具体运行逻辑分为七步：

一、意图挖掘：剥离表面问题，找出你真正想问但没问出来的核心目标。
二、建立基准线：直接写出普通AI会给的平庸答案。
三、领域透视：切换视角，用军事战略、城市设计或投资逻辑等跨领域维度审视问题。
四、发现算子：对问题进行变形，比如反向思考、切换主体或改变规模。
五、线索库：将视角与算子交叉，产生大量原始素材。
六、策略候选：筛选出2-3个具体方向，并追溯其来源。
七、诚实评估：对方案进行排序，并设定一个低成本的验证实验。

我拿一个具体场景实测了：我问它怎么增加 GitHub 仓库的访问量。

普通 AI 的回答是：完善 README、录制 GIF、发推特和 Reddit。这些都是标准动作，完全接受了我的前提。

但用了这个 Skill 后的输出完全不同，它直接质疑了我的前提：

• 核心问题： 不是“如何增加访问量”，而是“目标用户在哪里能第一次感受到价值并产生认知波动”。
• 洞察： 它指出我混淆了“分发问题”和“理解问题”，并提醒我，对于一个在 Claude 内部运行的 Skill，用户可能根本不需要访问仓库，只要看到令人惊艳的输出结果就足够了。

这种对比非常明显：

• 普通答案： 优化 README → 增加 Demo → 社交媒体推广 → 追求访问量。
• Insight Compiler： 定义目标人群 → 制造一个能击中单人的完整案例 → 将输出结果作为内容分发 → 寻找第一个重复使用者。

这种从“执行层”跳到“认知层”的思考方式，才是 AI Agent 真正能够替代初级咨询顾问的关键。

完整实操记录在这里：

https://github.com/snc2work/insight-compiler/blob/main/examples/nobody-visits-my-repository.md