1实现原理 · 为什么它能做到
方法论上明确复刻 LinqAlpha（对冲基金 AI 产品）公开的 Devil's Advocate 生产 prompt/schema，并叠加 CIA Key Assumptions Check、ACH、RAND ABP 等技术；复刻出处逐字存于 reference。
daymade-financial/devils-advocate/references/linqalpha_reference_implementation.md
> "Devil's Advocate is an AI research agent purpose-built to help investors systematically > pressure-test their investment theses using their own trusted sources at 5–10 times the > speed of traditional review."
注：reference 文件收录 AWS 博客 2026-02 公开的原厂四步流程与生产 prompt 模板（含 JSON schema 原文），本 skill 在其上扩展了 base_rate、missing_evidence、signpost 等字段——『为什么能实现』= 高保真复刻 + 结构化扩展。
第一层机制是反方人设显式化：默认 LLM 讨好提问者（RLHF），所以『唱反调』必须是显式赋予的角色工序，并锚定到材料证据，禁止自由发挥的抬杠。
daymade-financial/devils-advocate/SKILL.md
所以反方角色必须被显式赋予，不能指望模型自发唱反调。
注：SKILL.md 以 Sharma et al. ICLR 2024（迎合偏差）与 Nemeth et al. 2001/2018（角色扮演式异议无效、无证据唱反调帮倒忙）为设计依据，把『真实异议』代理为逐字引用的证据锚定。
拆假设引擎：把论点分解为显性断言与隐性假设（A1/A2 编号），标注类型（事实性/预测性/机制性）与负重（load-bearing），负重低的降级不检索；枚举不设上限，进入检索的条数才受限。
daymade-financial/devils-advocate/SKILL.md
**隐性假设**（implicit assumptions）：没写出来、但论点要成立就必须为真的前提。这一类才是盲点的主产区——确认偏误让人看不见自己依赖了什么。
注：隐性假设是盲点主产区；两条判据（类型决定找什么反证、负重决定是否值得检索）来自 CIA Key Assumptions Check 与 RAND ABP。
反证检索内置两问与信源优先序：直接削弱/矛盾的材料 + ACH 式『该看到而没看到』的缺席证据；按官方申报>专家访谈>券商报告>权威媒体>社媒聚合的信源可信序采信。
daymade-financial/devils-advocate/SKILL.md
**如果这条假设为真，材料里本应看到、却没看到的证据是什么？**（ACH 的核心一问——缺席的证据也是证据）
注：第二问最易漏：缺席证据也是证据。信源可信度排序改编自 LinqAlpha 的 SEC > 专家访谈 > 券商报告原序。
双层产物交付：审计层 da_findings.json（结构化 findings，顶层为对象以容纳覆盖面声明）与人读层 da_report.md（按主题分组叙事 + [n] 行内引用编号 + References/幸存假设/覆盖面三清单）。
daymade-financial/devils-advocate/SKILL.md
默认写入当前工作目录的 `da_findings.json`（用户指定了位置则用用户的；供程序处理与复核）。顶层是一个**对象**而不是裸数组——覆盖面声明要有处安放
注：原厂 prompt 用裸数组，本 skill 为覆盖面声明改为对象；人读层默认写 da_report.md 并同时在对话中交付（Step 4）。
防膨胀与诚实边界内置：risk_flag 衡量反证杀伤力而非概率，超半数 High 需重新排序定档；找不到反证写『未在给定材料中找到反证』（≠假设成立）；材料有偏时报告须指出偏性。
daymade-financial/devils-advocate/SKILL.md
若超过半数条目被判 High，先把全部条目按杀伤力互相排序再重新定档——全是 High 等于没有分级（首次实测第一版就判出了 6/8 个 High）。
注：这是对复刻源头的工程修正记录（第一版 6/8 High 触发防膨胀）；'未找到 ≠ 成立' 与『材料全看多→反证贫瘠』的偏性声明共同守住证据诚实。
2核心能力
01把模糊论点（散文/IC memo）规范化为单句断言 'X 将因为 Y 而 Z' 并请用户确认（Step 0）
02显性/隐性假设编号枚举 + 负重筛选（不设上限枚举、按负重定检索集）
03证据锚定的反方论证：逐字引用 + 来源定位 + citations 结构，找不到就明说
04结构化 findings 输出（JSON：run_metadata/findings/deferred_assumptions，每假设含 counter_argument/rebuttal/missing_evidence/base_rate/risk_flag/signpost）
05基础比率外部视角（Mauboussin）：只在给定材料内可构建参考类时填写，禁止编造
06可监测证伪信号清单（signpost）：把一次性批判延伸为持续监测
07主会话 fan-out 模式：Step 0-1 主上下文完成，逐假设派子代理并行检索并落盘 da_findings_A<n>.json 再合并去重
4风险提醒 风险提醒：蓝色 · 知晓即可
风险提醒：蓝色 · 知晓即可
- 材料即天花板：检验的是『论点 vs 给定材料』，材料有偏（全看多研报）时反证自然贫瘠 — SKILL.md 自述不能替代真实持仓反方（Nemeth 约束同样适用 AI）；使用前应审视材料构成，必要时先补证据库。
- 叙事层措辞与 signpost 仍由模型生成 — 结构化 JSON 有 schema 约束，但人读层渲染是模型写作；2-3 句分析师文风可能过度压缩或误导，红线禁止整体判决但需使用者复核措辞。
- 写文件副作用 — 默认在当前工作目录写 da_findings.json / da_report.md（固定名），同名文件会被覆盖；fan-out 还要求子代理各自落盘。在只读/共享目录中运行前应确认写入许可。
- 材料读取范围由用户提供决定 — 若用户把含隐私/机密的文件或 URL 清单交给 skill，内容会进入模型上下文与产物文件；材料选择与脱敏责任在用户。
风险提醒：蓝色，知晓即可。纯指令型 skill（目录仅 SKILL.md + 2 份 references，无任何脚本/可执行代码）：不执行脚本、无网络外发、无凭证读取；唯一副作用是在当前工作目录写两份固定名产物（da_findings.json / da_report.md，用户可指定位置）并读取用户主动提供的材料文件。注意点：固定文件名覆盖、材料范围完全由用户决定、模型叙事层措辞需人工复核——均不构成代码级风险。
5第二遍独立确认
- [ok] 复刻出处（LinqAlpha + AWS 博客）真实存在 — references/linqalpha_reference_implementation.md 收录 AWS ML Blog 2026-02-11 URL、原厂四步流程与生产 prompt 模板；SKILL.md 设计依据表同时列出 CIA/RAND/DEBATE 等来源，无虚构引用。
- [ok] 『每条反方论证必须带引用 + 逐字摘录』红线 — SKILL.md Step 2 硬规则逐字存在（含省略号/禁改写的细节）；Step 2 置空规则（找不到写『未在给定材料中找到反证』）同在。
- [ok] 双层产物（da_findings.json 审计层 + da_report.md 人读层） — Step 3 与 Step 4 均声明默认写入当前工作目录；fan-out 子代理落盘 da_findings_A<编号>.json 的路径规则也在 Step 3。
- [ok] 无脚本/无网络/无凭证（安全结论基础） — 目录仅 SKILL.md + 2 references；全目录扫描无执行/网络/凭证代码；'citations' 字段指向材料文件/URL 而非任何运行时网络调用。
- [ok] risk_flag 三档锚定 + 防膨胀规则 — 三档定义（High=核心结论不再成立 / Medium=幅度或时间表折损 / Low=边际修正）与『超半数 High 重新排序定档』原文均在。
- [ok] base_rate 诚实边界（禁止另起检索/编造） — 『只在给定材料内能构建参考类时填写…禁止编一个基础比率，也不为此另起检索』原文存在，防止模型外搜破坏检验边界。
- [ok] 功能声明 vs 实际能力夸大检查 — description 声称的能力（拆假设、逐条检索带出处反证、风险分级、base_rate、信号标、双层输出、不编造）逐项有对应 Step/红线实现；未声称自动联网检索或判断论点对错。
- [ok] 元数据（commit/license/stars） — 本地 HEAD == pin d5c4678cb5d4fd6acc9c922690df035dbd33d247；GitHub API：MIT、stars 1385（2026-09-09 实采）、pushed_at 2026-09-09T12:33:29Z。
6结论
适合：适合上投委会/IC memo 前的论点压测、bear case 构建、商业决策红队、研究结论复核——尤其是手头已有证据材料（研报/纪要/10-K/聊天记录）、想要『带出处、可审计、可持续监测』反方论证的投研与决策者；也适合需要向团队证明『已经认真找过反方』的场景。
不适合：不适合手里没有材料且不愿先检索建库的场景（无材料模式只交付假设拆解 + 信号标，覆盖会打折）；不适合期望 skill 联网自动核实『论点 vs 世界』的人；不适合想要整体对错结论/买卖建议的人（红线明确不下判决）；不适合只想要情绪化抬杠或辩论表演的对话。
安装 agent 直装可复制
① 本站镜像 更新 2026-09-09
方式 A · 人下载镜像包下载 devils-advocate.tar.gz
sha256:
方式 B · JSON 格式安装指南，复制给 agentfafd917ff4bed4b2…agent 读 JSON 指南后会自动从本站下载安装，无需更多说明。
② 上游 GitHub · 原始来源
来源信息 GitHub 原始
作者 / 仓库daymade / daymade/claude-code-skills
原始 GitHubdaymade/claude-code-skills ↗
Stars1385
最近推送2026-09-09
本 skill commit
d5c4678cb5许可MIT（仓库根 LICENSE，Copyright (c) 2025 daymade；GitHub API spdx MIT）
本站信息
收录日期2026-09-06
分类基础工具与工作流
侦查报告AI 侦查 · 2 遍 · 2026-09-06
本站镜像与 GitHub 原始是不同来源：本站锁定 commit 快照经 /r2 分发；GitHub 为实时上游，内容可能已更新。