Model Perspective - 模型化观点发散 Agent

type

Post

status

Published

date

Mar 20, 2026

slug

summary

从一个想法出发，先结构化问题，再发散出多个可检验、可反驳、可深化的模型化观点框架。

项目定位

很多 AI 写作工具默认把任务理解为补全文字，但 Model Perspective 关心的是更前面的步骤：一个问题有哪些可能的解释路径？哪些条件会让结论反转？一个观点背后到底有哪些变量在互相作用？

因此它更像一个“观点发散 Agent”，不是替你把表达收束成单一答案，而是从一个输入想法中拆出多个模型化视角。每个视角都包含核心论点、变量、参数、公式骨架、成立条件、失效边界和可继续深化的方向。

这使它适合用在选题构思、观点准备、长文大纲前置分析、决策讨论和复杂问题拆解中：先把可讨论空间铺开，再由人选择最有价值的方向继续推进。

Agent 能力总览

能力	做什么	产出
问题结构化	从自由输入中提取核心张力、关键因素、隐含假设和变量关系	problem_analysis.md
观点发散	基于问题分析生成 3-5 个互相有张力的模型化论点框架	perspectives.md
模型化表达	用宏观变量、希腊字母参数和公式骨架表达观点逻辑	可检验的观点模型
条件边界识别	说明观点在什么条件下成立、失效、反转或切换	成立条件与失效边界
观点深化	选择某个论点框架，展开场景推演、条件对比和推论链	perspective_n_deep.md
方向再发散	从时间、风险、心理成本等指定方向继续拆出新视角	追加到 perspectives.md
反馈修订	按用户反馈修改问题分析、观点框架组或某个深化结果	更新后的分析文件
Reference 锚定	学习私有参考样本中的文风、结构和建模方式，但不复用具体案例与结论	更贴近个人表达的观点框架

工作流

用户想法 -> 问题结构化分析 -> 多个模型化观点框架 -> 深化某个观点 / 从指定方向继续发散 / 按反馈修订

输入一个主题和背景描述。输入不需要完整，只要包含困惑、场景、权衡或想探索的问题即可。

Agent 先进行问题结构化，提取核心张力、关键因素、隐含假设、变量关系和可发散方向。

随后生成多个模型化论点框架。每个框架都是一个独立视角，不同框架之间可以互补，也可以得出相反结论。

用户可以选择其中一个观点深化，也可以指定新的方向继续发散，或者对已有分析提出反馈让系统修订。

生成观点的核心机制

1. 先找问题张力，而不是急着给答案

问题结构化阶段会把输入拆成“冲突在哪里”“哪些变量真正重要”“哪些假设没有被说出口”。这些隐含假设往往是观点突破口：改变一个条件，原本看似稳定的结论就可能翻转。

2. 用多个框架承载不同立场

观点发散阶段不会收敛到一个唯一结论，而是给出 3-5 个分析框架。比如同一个“考研还是就业”的问题，可以从时间折现、风险收益、信号博弈、家庭资源约束、能力复利等角度生成不同论点。

3. 用变量和参数压实观点

每个观点框架都会包含 3-5 个宏观变量，并用 2-4 个希腊字母参数描述变量之间的作用机制。变量负责定义讨论对象，参数负责说明关系强弱、折损、转化、放大或累积方式。

4. 给出成立条件与失效边界

一个好的观点不是绝对判断，而是条件化推理。Model Perspective 会要求每个框架说明：它在什么条件下成立，什么时候失效，哪些条件变化会让另一个观点更适用。

5. 让观点之间形成张力

系统会总结不同观点框架之间的关系：哪些观点可以组合，哪些观点会互相反驳，哪些关键条件决定从框架 A 切换到框架 B。这部分是它最有价值的地方，因为它把“我有一个想法”扩展成“我看到一个论证空间”。

命令设计

命令	用途	示例
generate	从一个主题生成问题分析和多个观点框架	python main.py generate "考研vs就业"
deep	选择某个观点框架做深化分析	python main.py deep "考研vs就业" --index 1
diverge	从指定方向继续发散新观点	python main.py diverge "考研vs就业" --direction "从家庭经济条件看"
revise	按反馈修改已有的问题分析或观点框架	python main.py revise "考研vs就业" --target perspectives --feedback "增加时间折旧维度"

工程实现

Python + Click CLI：命令行入口清晰，适合在本地快速迭代选题和观点。

pipeline.py 负责串联分析、发散、深化、再发散和修订流程，所有阶段都有明确文件产出。

prompts/ 目录按职责拆分：scene_parser 负责问题结构化，model_generator 负责观点发散，article_writer 负责观点深化和修订。

api_client.py 支持 OpenAI-compatible API，并支持 SSE 流式输出。

reference_index.py 支持私有 Reference 检索，用 SHA256 指纹和词重叠检索来做轻量风格锚定。

workspace/ 保存每次会话的输入、问题分析、观点框架和深化结果；references/ 保存私有参考样本。

输出文件

文件	含义
input.md	原始想法和背景描述
problem_analysis.md	问题结构化结果，包括张力、因素、假设、变量关系
perspectives.md	多个模型化观点框架，以及框架之间的张力关系
perspective_n_deep.md	第 n 个观点框架的深化分析

为什么它适合做观点生成

观点生成最怕两件事：一是空泛，只有“我觉得”；二是过早收敛，只剩一个看似合理的答案。Model Perspective 用模型化约束解决第一件事，用多框架发散解决第二件事。

它把“观点”拆成可讨论的结构：变量是什么，变量如何相互作用，关系强弱由什么决定，结论在什么条件下成立，边界在哪里。这样得到的不是一段漂亮话，而是一组可选择、可比较、可反驳、可继续展开的思考材料。

这也是它和常规写作辅助的区别：它服务的是人的判断和表达前的思考准备。最终采用哪个观点、如何表达、是否保留冲突感，仍然由人来决定。

源码

GitHub: krisaruz/model-perspective