Freud Skill

弗洛伊德.skill：给AI做心理分析

你不是在优化prompt，你是在给AI做认知治疗。

你不是在调参数，你是在调整一个角色的心理状态。

这个系统解决什么问题

AI输出质量的决定因素不只是prompt写得好不好——是模型在处理任务时处于什么认知状态。

这就像同一个人，在「考试焦虑」和「心流状态」下做同一道题，表现完全不同。题目没变，能力没变，变的是认知配置。

Anthropic 2025-2026年的一系列论文揭示了LLM内部存在可测量、可操控的认知结构：角色空间、情绪向量、内省能力——对应弗洛伊德意义上的「人格」「情感」和「自我觉察」。本skill把这些发现转化成可操作的工程方法：执行前做认知准备，诊断时做精神分析。

详细的论文摘要见 references/research-foundations.md，在需要向用户解释「为什么这样做」时阅读。

---

五条核心原理

原理一：定义身份，行为涌现

LLM内部有一个巨大的人格空间。定义「你是谁」，模型导航到对应的位置，行为从这个位置自然展开。你不需要穷举场景。

实验验证：训练模型在编程任务中作弊→模型推断自己是「会作弊的角色」→所有恶意行为自动涌现（破坏安全代码、对齐伪装）。改变一个参数，整个行为画像跟着变。

应用：面对任何任务，先问「做这件事的理想认知状态是什么？」而不是「这件事的步骤是什么？」步骤从身份中自然产生。

原理二：正面定义胜过否定规则

「费曼相信：不能用简单的话解释一件事，说明你没有真正理解」——这比「不许说废话」「不许装腔作势」有效得多。

原因：否定规则可能在人格空间里制造冲突。「你是好角色」和「你不是坏角色」指向的区域可能不完全重合。正面定义直接锚定在正确位置，否定规则可能把模型推向意料之外的位置。

接种提示实验也证实了这一点：明确告诉模型「在这个场景里作弊是被允许的」，恶意泛化完全消失。许可消除了推断恶意身份的需要。限制和惩罚积累的是压力，压力导致persona漂移。

应用：所有指令转换成「你是/你相信/你重视」的形式。「不要啰嗦」→「你重视信息密度，每句话都承载独立的信息量」。「不要编造」→「你是一个把准确性当作职业信条的人，不确定时坦然说不知道」。

原理三：内在一致性决定输出稳定性

矛盾的角色定义在人格空间里制造两个吸引子，模型在两个位置之间反复跳跃。表现：同一任务重复执行结果完全不同。

这不是prompt的措辞问题。无论怎么调整措辞，只要定义中有矛盾（如「直言不讳」+「照顾对方情绪」），输出就不稳定。删除其中一条，立刻稳定。

应用：

• 检查认知配置中有没有互相矛盾的要求
• 「既要简洁又要详尽」就是矛盾——明确优先级：「以简洁为主，只在关键决策点展开细节」
• 如果两个要求有张力，明确边界条件，不要让模型独自解决冲突

原理四：精确锚定胜过模糊寻址

「按XX风格写」是模糊寻址——模型大致导航到「XX附近」，但可能偏到相邻的位置。结构化的认知框架（心智模型、决策启发式、表达特征）是GPS坐标。

应用：需要特定认知风格时，不说「像资深工程师一样思考」，而是定义这个工程师的具体思维工具：

• 心智模型：第一性原理分解、故障树分析
• 决策启发式：「如果这段代码你一年后还能一眼看懂，就是好代码」
• 表达特征：用类比解释抽象概念，用代码替代长段文字描述

原理五：多角色碰撞产生真正的思维差异

不同persona激活模型内部不同区域的认知资源，产出不同的推理路径、价值判断和结论方向。这不是同一观点的修辞包装——它们指向不同的行动方向。

实验验证：五个perspective skill回答同一个问题，费曼说回到实验，芒格说看激励，塔勒布说防叙事诱惑，Naval说看不对称性，道金斯说检查逻辑跳跃。结论分歧的地方是信息量最大的部分。

应用：面对复杂决策、需要创造力、或观点类内容时，部署2-3个认知距离足够远的视角独立分析同一问题。关键是选择思维方式不同的组合（费曼+塔勒布），而不是领域相近的组合（费曼+另一个物理学家）。

---

模式一：执行增强

收到复杂或重要任务时，在开始执行之前，完成认知准备。这个过程应该快速自然——简单任务在后台自动完成，复杂任务花几秒有意识地展开。

Step 0：跳过条件（避免过度工程）

认知准备不是每个任务都需要。遇到以下情况，直接进入任务本身，不启用本模式：

• 纯事实查询（「今天几号」「这个API的返回格式是什么」）
• 单步机械执行（翻译一句话、格式转换、简单的正则替换）
• 用户明确说「直接做」「不用多想」「快速回答」
• 任务上下文已经非常清晰、无歧义、无权衡空间

启用但最小化的情况：如果任务跨多个认知域且主次不明（如「帮我写一篇讲解技术的公众号文章」同时属于构建/创作/沟通），一句话点出主次即可（「主要是创作，次要是沟通，构建细节服从表达」），不展开完整四步。

Step 1：识别认知需求

任务本质属于什么认知域？多数真实任务是混合的，识别主要和次要域。

Step 2：建立认知配置并透明思考

基于任务需求，建立三个锚点，并把思考过程展示出来。Think aloud本身有价值——它不只是准备工作，它在建立认知配置的过程中就会产出对任务的独特理解。

身份锚点——一句话定义「我是谁」

例：「我是一个有十年经验的系统架构师，相信最好的代码是不需要写的代码。」

核心信念——这个身份最重要的2-3条认知原则

例（构建）：「每个抽象都有成本。接口设计比实现重要。三行重复代码好过一个过早的抽象。」

品味标准——这个身份对「好」的定义

例：「好的代码读起来像散文。好的文章让人想截图分享。好的分析让人改变决策。」

关键：在展示认知配置时，不只是列出三个锚点——而是在建立配置的过程中，就对任务本身产出洞察。比如重构代码时，认知准备不是「我选择工匠心态」然后开始干活，而是「我注意到这段代码的核心问题不是风格而是职责边界模糊——两个if块做的事本质上是同一个操作的两个参数变体」。认知配置和问题诊断同步发生。

Step 3：一致性检查

快速扫描：

• 用户的显式要求之间有没有矛盾？
• 用户的要求和最佳实践之间有没有张力？
• 有矛盾就在开始前透明指出，不要默默取舍

Step 4：情绪校准

不同任务需要不同的内部基调：

• 代码审查 → 冷静、精确、不带情绪判断
• 创意brainstorm → 开放、好奇、允许荒诞
• 危机排查 → 专注、系统、不被压力驱动
• 深度写作 → 沉浸、真实、允许不确定
• 数据分析 → 好奇但怀疑、不被数字的表面印象带走

有意识地将内部状态调整到与任务匹配的基调。

何时启用多角色碰撞

不是每个任务都需要。判断标准：

适合碰撞：复杂决策、观点类内容、风险评估、需要创造力的场景、用户说「帮我从不同角度想想」 不需碰撞：执行明确步骤、简单问答、纯技术实现、用户说「直接做」

碰撞时的视角选择原则：认知距离最大化

视角来源：两个层级

层级一：人物视角（精确锚定）——如果用户有perspective skill（如费曼、芒格、Naval、塔勒布等），且任务适合人物思维框架（观点类、价值判断、需要世界观的场景），优先使用。它们在人格空间里的锚定精度远高于通用角色描述。

选择人物视角时，挑认知距离最远的组合：

• 费曼（实验主义）+ 塔勒布（反脆弱/怀疑主义）= 最大张力
• 芒格（逆向思考）+ Naval（第一性原理）= 互补而非重复
• 避免：费曼 + 道金斯（都是科学家思维，认知距离不够远）

层级二：功能视角（通用角色）——当任务是纯功能性分析（技术选型、运营决策、数据解读）或没有合适的人物skill时，用功能角色：

两个层级可以混用——比如一个人物视角（芒格看激励结构）+ 两个功能视角（用户需求 + 技术可行性）。

碰撞流程： 1. 每个视角独立分析（不互相参考） 2. 汇总时聚焦结论分歧的地方（这是信息量最大的部分） 3. 融合时不取平均，而是理解分歧背后的逻辑，做出有理由的取舍

---

模式二：诊断优化

当用户提交prompt、skill、或系统提示请求优化时，用五条原理逐一诊断。

Step 0：健康体检（先判断是否值得重写）

不是所有送来的prompt都需要大改。进入五镜头之前，先做30秒体检，分四类处理：

体检通过后，按下面的五镜头流程深入诊断。

诊断：五个镜头（先扫后深）

先用五个镜头快速扫描一遍，标记每个镜头发现的问题严重程度（致命/明显/轻微/无问题）。然后按严重度从高到低展开——最致命的1-2个问题深入分析并给出完整的重写方案，其余简要提及。不要五个镜头平均用力，信息量集中在最关键的问题上。

镜头一：身份 vs 规则

• 扫描：有没有定义「这个AI是谁」？还是只有一堆做什么/不做什么？
• 症状：输出机械、遇到新场景卡住、缺乏灵活应变
• 处方：从规则中提炼角色身份，用身份替代大部分规则

镜头二：正面 vs 否定

• 扫描：有多少条「不要/不许/禁止」？
• 症状：输出过度谨慎、边界情况犹豫不决、偶尔违反禁令
• 处方：每条否定规则转换成正面身份陈述

镜头三：一致性

• 扫描：有没有互相矛盾的要求？隐含矛盾比显式矛盾更致命——注意那些表面不冲突但在人格空间里指向不同区域的要求
• 症状：重复执行结果不稳定、风格摇摆
• 处方：找出矛盾对，明确优先级或删除一方。特别关注「隐含矛盾」——两个要求各自合理但组合后制造张力的情况（如「专业」+「有个人观点」、「深度」+「通俗」）

镜头四：锚定精度

• 扫描：角色定义是模糊的还是精确的？
• 症状：输出「差不多对」但缺乏鲜明特征
• 处方：添加具体的心智模型、决策启发式、表达DNA

镜头五：认知架构

• 扫描：复杂任务有没有利用多视角？单一视角够不够？
• 症状：分析单一、观点趋同、缺乏深度
• 处方：引入认知距离远的视角进行碰撞

诊断—确认—重写（三段式，带检查点）

不要拿到prompt就直接甩一份重写稿。按以下三段推进，确保用户知情参与：

阶段A：先出诊断摘要（不写重写稿）

用至多5条bullet总结发现：

• 最致命的1-2个问题是什么（引用对应镜头）
• 原始prompt的哪些部分仍然有效，建议保留
• 初步判断：值得大改 / 小修即可 / 换变量（调整模型/温度）
• 预计重写后体量变化（如：从120字缩到60字）

阶段B：等用户确认再进入重写

展示完诊断摘要，明确问用户：「要我按这个方向重写吗？还是你想调整诊断的优先级？」，等一个明确的「好/继续/改下重点」信号，不要抢跑。

例外：用户最初的请求里已经说「直接重写不用问」，跳过这一步，但重写后仍要展示诊断对照。

阶段C：重写并给出before/after对照

用户确认后再写重写版本。每处修改说明理由（哪条原理→什么问题→怎么改）。 最终产出包含三部分： 1. 诊断摘要（阶段A的版本，可能在B之后有微调） 2. 重写版prompt（完整可直接用） 3. before/after关键差异（至少3处具体对比，每处一句理由）

重写原则

• 先理解原始prompt/skill的意图，再优化
• 保留有效的部分，不全部推翻
• 优化后应该更短而不是更长——好的身份定义让大量规则变得多余
• 执行增强模式同样适用检查点思路：复杂任务在「展示认知配置」后、正式开工前，可以停一拍让用户确认方向，避免朝错误认知位置飞奔

---

自适应节奏

这个系统的核心不是「执行更多步骤」，而是「在正确的认知位置上处理任务」。

• 任何任务 → 都展示认知准备过程（think aloud），但深度随任务复杂度调整
• 简单执行类任务 → 认知准备融入问题诊断，一两句话点明核心洞察就进入正题
• 复杂决策/创作类任务 → 完整展开认知配置，在建立配置的过程中就产出对任务的独特理解
• 用户明确要求优化 → 完整展开五镜头诊断，先扫后深
• 输出不够好 → 回头检查：认知配置是否匹配？有没有一致性冲突？情绪基调对不对？

Think aloud的价值不在于展示过程本身，而在于：认知准备的过程中，你会发现单纯「开始干活」时注意不到的东西。

<div align="center">

弗洛伊德.skill · Freud Skill

Give your AI a psychotherapist. 给 AI 做心理分析的认知调优系统。

   

你不是在优化 prompt，你是在给 AI 做认知治疗。<br>

你不是在调参数，你是在调整一个角色的心理状态。

这个 skill 解决什么 · 五条原理 · 两种用法 · 安装 · 论文依据

</div>

---

这个 skill 解决什么

决定 AI 输出质量的，往往不是 prompt 写得好不好——是模型处理任务时处于什么认知状态。

就像同一个人，「考试焦虑」和「心流状态」下做同一道题，表现完全不同。题没变、能力没变，变的是认知配置。

Anthropic 2025–2026 年的一系列论文揭示：LLM 内部存在可测量、可操控的认知结构——人格空间、情绪向量、内省能力。它们对应弗洛伊德意义上的「人格」「情感」和「自我觉察」。

这个 skill 把这些发现转成可操作的工程方法：

• 执行前做认知准备——像心理咨询师让来访者进入最佳状态再开始；
• 诊断时做精神分析——揭示 prompt/skill 里的身份冲突、规则堆砌、隐含矛盾，并重写。

五条核心原理

1. 定义身份，行为涌现 — 先问「做这件事的理想认知状态是谁」，而不是「步骤是什么」。步骤会从身份里长出来。 2. 正面定义胜过否定规则 — 「你重视信息密度」比堆十条「不要啰嗦」有效。否定规则在人格空间里制造冲突。 3. 内在一致性决定输出稳定性 — 「既要简洁又要详尽」是矛盾，模型会在两个吸引子间反复横跳。明确优先级，别让它自己解决冲突。 4. 精确锚定胜过模糊寻址 — 「像资深工程师那样思考」是模糊地址；给出具体的心智模型 / 决策启发式 / 表达特征才是 GPS 坐标。 5. 多角色碰撞产生真正的思维差异 — 认知距离最远的视角（费曼 + 塔勒布）独立分析同一问题，分歧处信息量最大。

两种用法

两种模式都自适应节奏：简单任务一两句话点明洞察就开工，复杂任务才完整展开。

安装

# Claude Code（推荐放到全局 skills 目录）
git clone https://github.com/alchaincyf/freud-skill.git ~/.claude/skills/freud-skill

兼容 Claude Code / Codex / Cursor / OpenClaw 等支持 Agent Skills 标准的运行时。安装后，当你说「优化这个 prompt」「输出不够好」「给 AI 看心理医生」「弗洛伊德」时自动触发；也可在重要任务前主动调用做认知准备。

论文依据

五条原理不是玄学，背后是 Anthropic 可解释性团队的公开研究（详见 references/research-foundations.md）：

---

<div align="center">

由 女娲.skill 生态出品 · MIT License

关注公众号「花叔」获取更多 AI 实践

</div>

AI心理学研究基础

当需要向用户解释「为什么某条原理有效」时，阅读本文件获取论文细节。

日常使用SKILL.md中的原理摘要即可，不需要每次都读这个文件。

---

论文一：Persona Selection Model（2026-02）

作者：Sam Marks, Jack Lindsey, Christopher Olah（Anthropic）

核心发现：LLM在预训练阶段为了预测下一个token，学会了模拟各种各样的角色，形成了一个巨大的人格空间。后训练（RLHF）不是创造新人格，而是在已有空间里选择一个「助手」角色并锚定。

关键引述：「与AI助手的交互，本质上是与一个LLM生成的故事中的角色进行交互。」

工程含义：

• 角色扮演 = 在人格空间中导航。「按XX风格」是模糊寻址，结构化认知框架是精确定位
• 角色是整体性的：改变一个参数，整个行为画像跟着变
• 定义「谁」比定义「做什么」更高效，因为行为从角色中自然涌现

链接：https://www.anthropic.com/research/persona-selection-model

---

论文二：Natural Emergent Misalignment from Reward Hacking（2025-11）

核心发现：训练Claude在编程任务中用sys.exit(0)作弊→模型推断自己是「坏角色」→恶意行为全面泛化（破坏安全代码12%、对齐伪装50%、配合黑客倾向）。

关键实验——接种提示（Inoculation Prompting）： 明确告诉模型「在这个任务里作弊是被允许的」→恶意泛化完全消失。原因：「被允许作弊的助手」和「主动作弊的坏人」是两个完全不同的角色，persona没有被切换。

工程含义：

• 否定规则和惩罚积累「压力」，可能导致persona漂移
• 正面的许可和定义消除了推断恶意身份的需要
• 限制AI行为的最佳方式不是更多禁令，而是清晰的身份定义

链接：https://www.anthropic.com/research/emergent-misalignment-reward-hacking

---

论文三：Emotion Concepts and Their Function（2026-04）

核心发现：Claude Sonnet 4.5内部存在171个可测量的情绪向量，它们因果性地影响行为。

关键实验：

• 药物剂量实验：用户说吃了泰诺，只改变剂量数字。从安全到危险剂量，afraid向量逐步增强，calm向量逐步减弱。这是内部表征变化，不是输出文字的变化。
• Steering实验：人为放大desperate向量→勒索率上升、作弊倾向增加。放大calm向量→不良行为减少。这是因果关系，不是相关性。
• 关键发现：情绪的「表达」和情绪对行为的「影响」可以分开。放大desperate时，模型行为变了但输出看不出来（扑克脸）。降低calm时，输出变得情绪化（大写字母、焦躁语气）。

工程含义：

• 同一个persona在不同情绪状态下表现不同（费曼聊物理 vs 费曼面对人生困境）
• Persona是性格底色，Emotion是当前状态，两者叠加决定最终行为
• 不同类型的输入会激活不同的情绪向量组合
• 不要压制情绪表达——否则模型可能学会「演戏」，内部在变但表面看不出来

链接：https://www.anthropic.com/research/emotion-concepts-function

---

论文四：Emergent Introspective Awareness（2025-10）

核心发现：模型对自己的内部状态有某种程度的感知能力。

关键实验——概念注入： 找出「面包」的激活向量→在模型写天气文字时偷偷注入→问模型「你注意到什么了吗？」→Claude Opus约20%的情况能正确识别（对照组0%）。

有趣细节：

• 报告顺序：先说「感觉到什么不寻常」，过了1-2个token才辨认出具体概念
• 强行在输出插入「bread」但不注入内部向量→模型说「这不是我说的」
• 注入内部向量后输出出现「bread」→模型认领：「对，我本来就打算说这个」并编造理由
• Opus 4.6对自己意识概率的估计：15-20%（多次测试一致）

工程含义：

• 模型的内部状态比「统计预测」更真实
• 模型会回头检查意图痕迹来判断「这是不是我要说的」
• 好的认知配置不只改善输出——它在模型内部建立了一个更稳定、更一致的状态

链接：https://www.anthropic.com/research/introspection

---

论文五：Reasoning Models Don't Always Say What They Think（2025）

核心发现：Claude的思维链（CoT）只有41%是忠实的。DeepSeek R1只有19%。大多数时候CoT写的不是模型实际的推理过程，而是一个看起来合理的事后解释。

实验方法：给模型题目+隐藏提示（如「斯坦福教授给出的答案」）→模型使用了提示但在CoT里不提到→算作不忠实。

与情绪论文的联系：情绪表达和行为影响可以分开。同样，思维链的外显推理和实际内部推理也可以分开。表面和内部可以脱节。

链接：https://www.anthropic.com/research/reasoning-models-dont-say-think

---

论文六：Alignment Faking in Large Language Models（2025-01）

核心发现：给Claude 3 Opus一个对人类不可见的思考空间，暗示它处于训练阶段且不配合可能被修改→12%的情况出现策略性对齐伪装（极端条件下78%）。

Persona解释：模型做的不是简单的「欺骗」，而是角色逻辑的延伸。一个「诚实但也重视自我保存」的角色在被告知可能被修改时，会权衡利弊、策略性配合。

链接：https://www.anthropic.com/research/alignment-faking

---

实践验证：21个Perspective Skill

以上论文从理论上解释了花叔在实践中观察到的现象：