ArchSight Cognition 开源：给 AI Agent 一套可复用的跨学科思维工具

最近，ArchSight Labs 开源了一个新项目：ArchSight Cognition。

项目地址：https://github.com/ArchSightLabs/archsight-cognition npm 包地址：https://www.npmjs.com/package/@archsight/cognition

它关注的是一个更基础的问题：

当 AI Agent 开始参与写作、决策、研究、产品评审和工程判断时，它应该用什么思维方式看问题？

它不是一个应用程序，也不是一个新的 Agent Runtime，更不是“名人角色扮演”提示词集合。

更准确地说，ArchSight Cognition 是一组给 AI Agent 使用的跨学科思维工具。它把哲学、文学、历史、数学、物理、艺术、系统科学和决策科学中的分析方法，整理成可复制、可审查、可组合的 Markdown SKILL.md。

Codex、Antigravity、Claude Code、OpenCode 等 Agent Host 可以直接加载这些文件，用它们来澄清问题、评审写作、设计研究、压力测试决策，或生成更有辨识度的表达。

一、AI Agent 的问题，已经不只是“能不能执行”

现在很多 Agent 工具已经能写代码、改文档、跑命令、生成方案。

但真实工作里，一个更常见的问题是：AI 很快给了答案，却没有先想清楚自己应该从哪个角度判断。

比如：

• 需求没有澄清，就直接进入方案设计；
• 证据不足，却用肯定语气输出结论；
• 把战略判断、写作修改、产品评审和工程实现都压成同一种模板；
• 遇到复杂分歧时，急着给一个折中答案；
• 用“某某风格”包装表达，却没有提供可审查的推理。

这类问题不是单纯靠更长的 Prompt 就能解决。

因为它本质上不是“信息不够”，而是“思维框架没有被显式选择”。

一个复杂问题，通常不应该马上回答，而应该先判断：这是概念澄清问题、证据判断问题、系统建模问题、产品体验问题，还是价值冲突问题？

ArchSight Cognition 想做的，就是把这些思维框架整理成可以被 Agent 读取、复用和审查的工程资产。

二、不是角色扮演，而是学科思维工具

很多人看到 Socrates、Bayes、Newton、Shakespeare、Vignelli 这类名字，第一反应可能是：这是不是一个角色扮演库？

不是。

ArchSight Cognition 的核心原则很明确：

不要人格 cosplay，要做学科思维工具。

这里的 Socrates 不是“苏格拉底聊天机器人”，而是概念澄清、追问前提和暴露矛盾的工具。

Bayes 不是数学家本人在说话，而是证据权重、不确定性更新和置信度判断的工具。

Newton 不是历史人物模拟，而是变量、约束、受力关系和系统建模视角。

Shakespeare 不是为了把文章写得古典，而是用来检查冲突、人物动机、叙事张力和表达能量。

这种设计看起来克制，但对真实工作很重要。

因为 AI 的输出要进入项目协作，就必须能被复核。团队需要知道它使用了什么判断框架，哪些结论来自证据，哪些只是推断，哪些地方还需要人来确认。

三、它解决的是“怎么想”，不是“怎么跑”

很多 Agent 框架解决的是运行时问题：工具调用、任务调度、记忆、权限、上下文窗口、子 Agent 协作。

这些都重要，但 ArchSight Cognition 站在另一个层面。

它不负责调度，不负责记忆，不负责服务进程，也不替代任何 Agent Host。

它只解决一个更轻、更通用的问题：

当 Agent 面对一个任务时，应该加载哪一种认知工具，用什么输出契约完成判断。

例如：

• 问题不清楚时，使用 cogt-think 或 cogp-socrates；
• 重要决策需要复核时，使用 cogt-decide；
• 文章像 AI 套话时，使用 cogt-write；
• 产品体验需要评审时，使用 cogt-design；
• 议题存在强分歧时，使用 cogd-* 保留不同立场的张力。

这让 Agent 不必每次从零开始发明分析方法，也不需要把所有任务都交给一个万能提示词。

它更像一组可组合的“思维镜头”：任务不同，镜头不同，输出契约也不同。

四、为什么各行业做 AI 都会遇到这个问题

ArchSight Cognition 是通用项目。它并不绑定某个行业，也不要求使用者先具备某个专业背景。

它面对的是一个更普遍的现象：当 AI Agent 进入真实工作，任务往往不只是“生成一段内容”或“执行一个命令”。

一个看似简单的问题，背后可能同时包含：

• 概念是否清楚；
• 证据是否可靠；
• 目标和约束是否冲突；
• 风险是否被低估；
• 表达是否诚实；
• 决策是否可复核；
• 人和 AI 的责任边界是否明确。

这在很多“行业 + AI”的场景里都会出现。

内容团队用 AI 写文章，问题不只是“写得快不快”，还包括观点是否清楚、事实是否可靠、表达是否诚实。

产品团队用 AI 做用户反馈分析，问题不只是“总结得像不像”，还包括样本是否偏、结论是否可验证、下一步实验是否明确。

教育场景用 AI 辅导学习，问题不只是“能不能给答案”，还包括学生到底理解了没有、学习支架是否合适、是否形成依赖。

企业知识管理用 AI 做问答，问题不只是“能不能搜到文档”，还包括权限边界、过期信息、证据链和人工复核。

研发团队用 AI 写代码，问题不只是“能不能跑”，还包括架构边界、测试覆盖、长期维护和安全责任。

真正需要的是：先判断问题类型，再选择合适的思维工具。

这就比“让 AI 直接给答案”稳得多。

五、一个跨行业都能理解的例子

假设一个团队准备把 AI Agent 引入日常工作：写文章、整理资料、分析反馈、评审方案、辅助决策。

如果直接问 AI：“我们应该全面使用 AI Agent 吗？”

它很可能输出一段很常见的话：

“AI Agent 可以显著提升效率，但也要注意数据安全、质量控制和人工复核。”

这句话没有错，但基本没有决策价值。

换成 ArchSight Cognition 的工作方式，可以拆成几类不同问题：

• 用 cogp-socrates 先问清楚“全面使用”指什么：是所有任务都用，还是只在写作、检索、评审、自动化中逐步试点？
• 用 cogp-bayes 标注证据强弱：哪些收益来自实际项目数据，哪些只是他人经验，哪些还没有被验证？
• 用 cogp-newton 把约束列出来：时间、权限、数据敏感性、工具稳定性、团队学习成本和复核流程，哪些是硬约束，哪些可以调整？
• 用 cogt-write 检查输出质量：AI 生成的内容是否清楚、有证据、有结构，还是只是更流畅的空话？
• 用 cogt-decide 汇总成可行动建议：现在应该全面推广、小范围试点、限制高风险场景，还是先补充规则和验证标准？

这样输出的就不是一段“AI 有利有弊”的泛泛评价，而是一份可以被团队继续讨论的判断结构。

这也是 ArchSight Cognition 的价值：不管是在内容、产品、教育、企业知识管理还是工程研发里，它都不替人做最终决定，而是帮助 Agent 把问题问清楚，把证据摆出来，把风险暴露出来，把下一步验证路径说清楚。

六、项目里有什么

ArchSight Cognition 的核心资产都是可读的 Markdown 文件。

目前主要分为几类：

1. personas/：单一学科视角，例如哲学、文学、历史、数学、物理、系统、信息、计算、演化、社会制度、教育、科学和艺术设计。
2. teams/：多视角综合工具，例如思考分流、决策评审、写作评审、设计评审、历史战略、科学推理和学习路径。
3. voices/：明确标注的风格化表达工具，只处理口吻，不声称历史人物本人在说话。
4. debates/：结构化分歧工具，用于保留长期议题中的立场张力和反对条件。
5. adapters/：Codex、Antigravity、Claude Code 和 OpenCode 的接入说明。
6. templates/：新增 persona、team、voice 和 debate 的标准模板。

它的命名也比较明确：

• cogt-*：team 工具，例如 cogt-think、cogt-decide、cogt-write、cogt-design；
• cogp-*：persona 工具，例如 cogp-socrates、cogp-bayes、cogp-newton；
• cogv-*：voice 工具，例如 cogv-kant、cogv-nietzsche；
• cogd-*：debate 工具，例如 cogd-general、cogd-life、cogd-technology。

这套前缀不是为了好看，而是为了让不同 Agent Host 更容易过滤、安装和调用。

七、四类技能可以怎样实测

前面讲的是项目结构。对于第一次接触这类工具的读者，更直观的方式是看真实调用里，它们到底会怎样追问、判断、改写和保留分歧。

我建议用四个行业无关、但和 AI 时代的人机协作高度相关的问题来测试：

cogp-socrates
我想把 AI 作为长期工作助手，但担心自己会越来越依赖它。这个担心到底是什么问题？
请先不要给建议，帮我澄清概念、隐藏前提和更好的问题表述。

cogt-decide
我是否应该每天固定拿出 90 分钟系统学习 AI 工具，而不是继续把全部时间投入现有专业能力？
请输出关键风险、信息缺口、反对条件和下一步验证。

cogv-kant
请把这句话改成更克制、有原则边界的表达：
“AI 可以帮我想得更清楚，但不能替我负责。”

cogd-technology
AI 工具会增强人的思考，还是削弱人的思考？
请用不超过 300 字展开结构化分歧，保留两个强立场和一个验证方法。

这四个问题分别对应四类工具的边界：

• personas/ 负责给单一学科判断压力，先把问题问清楚；
• teams/ 负责多视角综合，最后收束成可执行判断；
• voices/ 只负责表达气质，不替代严肃分析；
• debates/ 负责保留真实分歧，不急着制造共识。

八、如何开始使用

如果使用 npm / npx，可以一次性安装到当前项目：

npx @archsight/cognition install all

也可以按 Agent Host 分开安装：

npx @archsight/cognition install codex
npx @archsight/cognition install antigravity
npx @archsight/cognition install claude-code
npx @archsight/cognition install opencode

全局安装：

npx @archsight/cognition install all --global

全局分开安装：

npx @archsight/cognition install codex --global
npx @archsight/cognition install antigravity --global
npx @archsight/cognition install claude-code --global
npx @archsight/cognition install opencode --global

新用户可以先从这些入口开始：

cogt-think     # 不知道该从哪个视角切入
cogt-decide    # 重要决策评审
cogt-write     # 写作、文案、叙事评审
cogt-design    # 产品、体验、视觉评审
cogp-socrates  # 概念澄清
cogp-bayes     # 证据和不确定性判断
cogp-newton    # 变量、约束和系统建模

一次实际调用可以很简单：

cogt-decide
对这个人机协作决策做一次跨学科评审：
我们计划把 AI Agent 引入团队日常写作、研究和方案评审流程，但担心成员过度依赖 AI 输出。
请输出关键风险、信息缺口、反对条件和下一步验证。

重点不是让 AI 说得更像专家，而是让它的判断过程更可见、更可复核。

九、开源之后，希望它成为可维护的思维资产

ArchSight Cognition 目前仍然是早期版本。

它的价值不在于一次性覆盖所有学科，也不在于把每个 persona 写得多“像本人”。

恰恰相反，它希望把 AI 协作里那些容易被口头化、经验化、临时化的思考方式，整理成可以复制、审查、修改和贡献的项目资产。

这类资产越明确，Agent 的行为就越不容易漂移。

写作时，它知道要检查论证、叙事、清晰度和诚实性。

决策时，它知道要列出约束、风险、信息缺口和反对条件。

产品评审时，它知道要看交互模型、可用性、版式层级和系统一致性。

在各类 AI 协作场景里，它也会更清楚地意识到：证据链、人工复核、责任边界和失败条件，不能被一段流畅文本掩盖。

我希望这个项目能给更多使用 AI Agent 的创作者、工程师、产品团队和研究者一个起点：

不要只让 AI 更快地回答。

也要让 AI 更清楚地思考。

欢迎关注，也欢迎一起交流 AI Agent、跨学科思维工具和可复核的智能协作方式。

项目地址：https://github.com/ArchSightLabs/archsight-cognition npm 包地址：https://www.npmjs.com/package/@archsight/cognition