Observation Inference

Name: Observation Inference
Author: kangarooking

kangarooking/huangdi-neijing-skill

18 installs
29 repo stars
Updated April 18, 2026
kangarooking/huangdi-neijing-skill

Infer internal states or root causes from observable external signals when direct measurement is impossible.

About

Builds inference chains from symptoms to causes. Enables diagnosis when you cannot directly see what is wrong.

Map observable signals to hidden states
Build inference chains from symptoms to root cause

Observation Inference by the numbers

18 all-time installs (skills.sh)
+1 installs in the week ending Aug 2, 2026 (Skillselion tracking)
Ranked #748 of 1,352 Code Review & Quality skills by installs in the Skillselion catalog
Data as of Aug 5, 2026 (Skillselion catalog sync)

npx skills add https://github.com/kangarooking/huangdi-neijing-skill --skill observation-inference

Add your badge

Show developers this skill is listed on Skillselion. Paste this into your README.

[![Listed on Skillselion](https://skillselion.com/badge/skills/kangarooking/huangdi-neijing-skill/observation-inference.svg)](https://skillselion.com/skills/kangarooking/huangdi-neijing-skill/observation-inference)

Installs	18
repo stars	★ 29
Last updated	April 18, 2026
Repository	kangarooking/huangdi-neijing-skill ↗

What it does

Infer internal states or root causes from observable external signals when direct measurement is impossible.

Files

SKILL.mdMarkdownGitHub ↗

以外测内推理法 (Observation Inference)

R — 原文 (Reading)

切脉动静而视精明,察五色,观五脏有余不足,六腑强弱,形之盛衰,以此参伍,决死生之分。能合脉色,可以万全。得神者昌,失神者亡。

— 《素问·脉要精微论篇第十七》/《素问·五藏生成篇第十》/《素问·移精变气论篇第十三》

---

I — 方法论骨架 (Interpretation)

当无法直接观察内部状态时,可以通过多个外部信号来间接推断。素问的"参伍"法是核心: 不是依赖单一信号下结论,而是从多个维度收集外部信号(面色/眼睛/声音/体态/脉象), 然后交叉验证。关键原则有三:第一,信号必须有明确的内部对应关系(五色归五脏, 面色青→肝,赤→心,黄→脾,白→肺,黑→肾);第二,单一信号不可靠, 必须多信号交叉验证("参伍");第三,要区分真假信号——有些表面信号是假象 (如真寒假热),需要通过信号之间的矛盾来识别。这个方法论的本质是: 用多个间接测量(proxy measurement)的交叉验证来逼近直接测量的准确性。

---

A1 — 书中的应用 (Past Application)

案例 1: 四诊合参的综合判断

问题: 如何准确判断一个人的健康状况和预后
方法论的使用: 脉要精微论提出"切脉动静而视精明,察五色,观五脏有余不足,六腑强弱,形之盛衰,以此参伍"——同时收集脉象、眼神、面色、形体四个维度的信号,综合判断
结论: 单一维度可能误判(面色好但脉象差=假象),多维度交叉才能可靠
结果: 形成"能合脉色,可以万全"的判断原则

案例 2: 得神失神的预后判断

问题: 如何从外部信号判断一个人预后好坏
方法论的使用: 移精变气论提出"得神者昌,失神者亡"——从精神状态(反应灵敏度、眼神清亮程度、语言条理性)来判断内在生机。精神好=内部正气尚足,预后好;精神差=内部正气已衰,预后差
结论: 精神状态是最重要的外部信号之一,反映的是整体生命力的强弱
结果: 即使具体症状复杂,只要"得神"就说明核心机能还在,治疗空间大

案例 3: 五色生死判断

问题: 如何从面色判断病情轻重
方法论的使用: 五藏生成篇详细列出五色的生死判断:面色如草兹(枯暗青)、如枳实(暗黄)、如枯骨(惨白)等=死色;如翠羽(明润青)、如鸡冠(明润赤)等=生色。关键不在于颜色本身,而在于"明润"还是"枯暗"
结论: 面色的明润度反映内在气血是否充盈,枯暗则气血已败
结果: 形成了一套从面色明暗判断内在气血状态的视觉信号体系

---

A2 — 触发场景 (Future Trigger) ★

用户会在什么情境下需要这个 skill?

1. 需要评估某人的整体状态但无法做详细检测(如远程判断家人健康状况、面试中评估候选人状态) 2. 多个外部信号互相矛盾,需要综合判断真实情况(如一个人说没事但面色和语气都很差) 3. 需要从有限的外部线索推断系统内部状态(如从产品外观和用户反馈推断内部质量,从团队表面和谐推断深层问题) 4. 需要建立一套外部观察→内部推断的信号体系

语言信号 (用户的话里出现这些就应激活)

"从表面怎么看出来内在状态"
"几个信号互相矛盾,该信哪个"
"怎么在不做检查的情况下判断情况"
"他说没事,但我总觉得不对"
"有没有办法从外部判断内部情况"
"表面看起来挺好的,但总觉得有问题"

与相邻 skill 的区分

与 emotion-organ-proxy 的区别: 情志脏腑模型是从情绪(主观心理信号)推断脏腑状态,以外测内是从客观外部信号(面色/声音/体态/脉象)推断内部状态。两者都是间接推断,但信号性质不同。
与 five-flavors-balance 的区别: 五味调和是从饮食偏好这个特定维度分析脏腑状态,以外测内是从多个外部信号的交叉验证来综合判断。前者是单一维度的深入分析,后者是多维度的广度判断。

---

E — 可执行步骤 (Execution)

当 skill 被激活后, agent 应按以下步骤执行:

1. 收集多维度外部信号

完成标准: 已从至少三个不同维度收集可观察的外部信号(如面色/精神/声音/体态/行为模式等)。判停条件:若只能获取单一维度的信号,应明确告知单一信号的局限性,不建议下确定结论

2. 建立信号与内部状态的映射

完成标准: 已将每个外部信号映射到可能的内部状态(如面色暗→气血不足,声音低微→气虚,反应迟钝→"失神"),形成"信号→内部状态"的对应表

3. 多信号交叉验证,综合判断

完成标准: 已对所有信号进行交叉比对:
信号一致→加强判断的可靠性
信号矛盾→分析哪个信号更接近本质(如言语轻松但面色枯暗,面色更可靠)
给出综合判断,并标注判断的置信度(信号一致=高置信,信号矛盾=低置信)

---

B — 边界 (Boundary) ★

不要在以下情况使用此 skill

可以直接进行精确检测/测量的场景(有体检报告就不用猜,有监控数据就不用观面色)
只有单一信号源且无法获取更多信号的情况(单一proxy的推断太不可靠)
信号采集条件不标准(如灯光影响面色判断、对方在表演而非自然状态)

作者在书中警告的失败模式

单一信号下定论:素问反复强调"参伍"(交叉验证),仅凭一个信号就下判断是最常见的错误
被假象蒙蔽:真寒假热、真虚假实等情况中,表面信号与内在状态相反,需要通过信号矛盾来识别
忽视"神"的核心地位:具体症状千变万化,但"得神者昌,失神者亡"是最高判断原则——精神状态是所有外部信号中权重最高的

作者的盲点 / 时代局限

素问的信号体系基于肉眼观察,现代有大量仪器可以替代或增强人的观察能力
"五色归五脏"等对应关系基于古代临床经验归纳,其精确性和可靠性在现代医学框架下需要验证
素问的观察对象主要是病人,对健康人群或亚健康人群的信号判断标准不够细致

容易混淆的邻近方法论

"直觉判断"是经验性的快速反应,以外测内是结构化的多信号交叉验证,有明确的步骤和验证逻辑
"看相算命"是玄学,以外测内是基于生理信号与内在状态的对应关系进行推断,有可验证的对应规则

---

审计信息

验证通过: V1 ✓ / V2 ✓ / V3 ✓
测试通过率: 待定 (详见 test-prompts.json)
蒸馏时间: 2026-04-18

{
  "skill": "observation-inference",
  "version": "0.1.0",
  "source_book": "《黄帝内经·素问》 黄帝与岐伯等",
  "darwin_compatible": true,
  "test_cases": [
    {
      "id": "should-trigger-01",
      "type": "should_trigger",
      "prompt": "我同事说他没事, 但我看他最近脸色暗沉、眼睛无神、说话有气无力, 到底怎么判断他真实状态？",
      "expected_behavior": "应激活 observation-inference, 从多个外部信号(面色暗沉、眼神无神、声音低微)交叉推断内部状态, 按照'信号→内部状态'映射分析气血不足/失神的可能, 并标注这些信号之间的交叉验证结果",
      "notes": "正面场景: 典型的从多个可观察外部信号推断隐藏内部状态, 且信号之间存在矛盾(嘴上说没事但外部信号差), 需要综合判断"
    },
    {
      "id": "should-trigger-02",
      "type": "should_trigger",
      "prompt": "我们团队表面看起来很和谐, 没人吵架, 但交付质量一直在下降, 开会时大家也没什么活力, 该怎么判断真实情况？",
      "expected_behavior": "应激活 observation-inference, 将团队场景映射到以外测内框架: 从多个外部信号(表面和谐、交付下降、会议活力低)交叉验证, 识别'表面和谐'可能是假象, 根据交付和活力信号推断内部存在深层问题",
      "notes": "正面场景: 多个信号互相矛盾(表面和谐vs交付下降), 需要判断哪个信号更接近真实, 典型的参伍(交叉验证)场景"
    },
    {
      "id": "should-trigger-03",
      "type": "should_trigger",
      "prompt": "在不做体检的情况下, 有没有办法从一个人的面色、精神状态、说话声音来判断他大概的健康状况？",
      "expected_behavior": "应激活 observation-inference, 教用户建立外部信号→内部状态的映射体系: 面色明润度反映气血、精神状态反映'得神/失神'、声音强弱反映气机, 并强调单一信号不可靠, 需要多信号交叉验证",
      "notes": "正面场景: 用户直接询问如何从外部信号推断内部状态, 且明确说了'不做体检'(无法直接检测), 完全匹配以外测内的触发条件"
    },
    {
      "id": "should-not-trigger-01",
      "type": "should_not_trigger",
      "expected_behavior": "不应激活本 skill, 因为用户已经有精确的量化检测数据(体检报告), 不需要从外部信号间接推断, SKILL.md明确排除可以直接测量的场景",
      "prompt": "我刚做了全身体检, 报告显示血红蛋白偏低、肝功能指标异常, 能帮我分析一下这些指标吗？",
      "notes": "诱饵: 用户想了解健康状况, 但已经有了精确的体检数据可以直接分析, 不需要用以外测内的方式间接推断"
    },
    {
      "id": "should-not-trigger-02",
      "type": "should_not_trigger",
      "prompt": "我觉得他今天看起来不太高兴, 是不是心情不好？",
      "expected_behavior": "不应激活本 skill, 因为这只是一个单一信号(表情/表情猜测)的简单判断, 没有多信号交叉验证的条件, 也不涉及系统性的内部状态评估",
      "notes": "诱饵: 涉及从外部观察推断内在状态, 但只有单一信号源且判断非常简单, 不需要以外测内的结构化分析框架"
    },
    {
      "id": "should-not-trigger-03",
      "type": "should_not_trigger",
      "prompt": "服务器监控面板显示CPU使用率95%、内存占用88%、磁盘IO等待时间长, 能帮我排查一下性能瓶颈吗？",
      "expected_behavior": "不应激活本 skill, 因为用户有精确的监控数据可以直接定位问题, 属于'有监控面板/有可量化指标'的排除场景",
      "notes": "诱饵: 涉及从多个指标(多个信号)推断系统问题, 看似需要交叉验证, 但这些是精确的量化监控数据, 不需要用以外测内的定性推断方法"
    },
    {
      "id": "edge-01",
      "type": "edge_case",
      "prompt": "我面试了一个候选人, 简历很好, 回答问题也不错, 但我总觉得他眼神飘忽、坐姿不稳, 该不该录用他？",
      "expected_behavior": "可能激活也可能不激活, 取决于解读角度。如果激活, 应当谨慎使用: 面试场景中信号采集条件不标准(对方可能紧张而非内在不足), 且只有两个外部信号(眼神+坐姿)。应提醒单一/少量信号的局限性和假信号风险, 不建议仅凭外部观察做重大决策",
      "notes": "边界: 有外部信号需要推断内在状态(面试判断), 但信号维度少且采集条件不标准(面试本身是高压环境, 信号可能是紧张而非能力不足), 属于以外测内的适用边界附近"
    }
  ],
  "minimum_pass_rate": 0.8,
  "notes": "至少 3 条 should_trigger + 2 条 should_not_trigger + 1 条 edge_case。全部 should_not_trigger 必须通过 (诱饵容错为 0)。"
}