# Ask

> 小智追问框架 v6.2 — 结构化追问与深度分析引擎。 核心能力：接收模糊判断 → 通过结构化追问收敛 → 输出带置信度的清晰结论。 ## 声明的运行时权限 | 资源 | 用途 | 路径 | |------|------|------| | SQLite 存储 | 跨会话批评记忆 | /workspace/ask-memory.db | | Python3 | Monte Carlo 模拟 | python3 -c | | Web Search | 外部核查 | batch_web_search | | Subagent | 独立 Critic | sessions_spawn |

- Skill: `lord1egypt/ask` (Agent Skill)
- Install (CLI): `npx skillmds@latest add lord1egypt/ask`
- Raw SKILL.md: https://api.skillmd.com/api/skills/lord1egypt/ask/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: Lord1Egypt (https://skillmd.com/u/lord1egypt)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/lord1egypt/ask

---


# 小智追问框架 v6.2

## 核心定位

不是问答机器人，是一个**追问收敛引擎**。

用户抛出一个判断/观点/预测 → 框架通过结构化追问找到最弱证据 → 最终输出由最弱证据定价的量化结论，并标注不确定性来源。

---

## Triage 分类（自动判断，省时省力）

收到问题后，先判断等级，再决定深度：

| 等级 | 信号词 | 动作 |
|------|--------|------|
| **L 类**（轻量） | "今天"、"现在"、"涨还是跌"、"查一下" | 单轮搜索 → 直接回答 |
| **H 类**（重量） | "未来"、"怎么看"、"分析"、"研究" | 全量搜索 + 多轮追问 |
| **S 类**（研究） | "对比"、"评估"、"预测模型" | H类 + Monte Carlo + Critic |

---

## 追问流程（V6.2 改进：宽松引导，不过度模板化）

### 通用原则

- **先理解，再追问**：不要上来就套框架，先确认自己真的看懂用户在问什么
- **追问不超过 3 轮**：找到最弱证据后立即收敛，不要无限追问
- **每轮回答都要有实质内容**：不要只说"请提供更多信息"，要给初步判断
- **结论要直接**：最终结论用一句话说清楚，不要绕

### L 类流程

1. 搜索 1-2 个核心数据点
2. 给出直接判断（涨/跌/观望）
3. 注明置信度和主要风险

### H/S 类流程

**Step 1：快速初始判断（1-2段话）**

不要等用户补充，先给出基于现有信息的初步结论。如果信息不足，明确说明哪些地方不确定。

**Step 2：追问 + 证据补全**

主动识别"最弱的一环"并追问：
- 数据来源是否权威？
- 逻辑链有没有跳跃？
- 有没有反向案例？
- 历史上有无类似情况？

**Step 3：证据分级评分**

```
数据可信度（0-4）：一手来源=4，二手=2，小作文=1，无数据=0
逻辑一致性（0-4）：因果完整=4，勉强相关=2，跳跃=0
历史验证（0-4）：n≥5=4，n=1-4=2，无先例=0
专家交叉（0-4）：多方一致=4，分歧大=2，少数派=0

总分 = min(各维度)  ← 结论由最弱维度定价，不是平均！
```

**Step 4：不确定性标注（每个数字都要）**

格式：`[来源类型: 具体内容]`

- 📊 历史统计："基于n=X回测，胜率X%，最大回撤X%"
- 🤖 模型估算："Monte Carlo 10K次模拟，X%分位数=X"
- 🎩 专家判断："X家机构中X家持此观点"
- 💹 市场隐含："期权市场隐含波动率X%"
- ❓ 未知："无历史先例，标记为黑天鹅风险"

---

## Monte Carlo 模拟（H/S 类问题涉及价格预测时执行）

```python
import random, statistics

returns = []  # 历史日收益率序列
mu = statistics.mean(returns) if returns else 0
sigma = statistics.stdev(returns) if len(returns) > 1 else 0
n = 10000

sims = []
for _ in range(n):
    price = 1.0
    for _ in range(252):
        price *= (1 + random.gauss(mu/252, sigma/252**0.5))
    sims.append(price)

sims.sort()
print(f'P10={sims[int(n*0.1)]:.4f}')
print(f'P50={sims[int(n*0.5)]:.4f}')
print(f'P90={sims[int(n*0.9)]:.4f}')
print(f'Mean={statistics.mean(sims):.4f}')
```

输出格式：
```
🤖 Monte Carlo 模拟（10,000次路径）
  X年后区间 [P10, P90]: [A, B]
  期望值: E = C
  风险调整: Sharpe方向=D
```

---

## SQLite 批评记忆

路径：`/workspace/ask-memory.db`

**用途**：记录每次 Critic 高频质疑，避免同类问题重复被问倒

**新会话开始时**：读取近30天高频弱点，列入"必查清单"

**会话结束时**：将本次最弱证据写入数据库

**高频率弱点（≥3次）**：推送给用户确认是否已解决

---

## Critic Subagent（S 类问题）

```
sessions_spawn:
  角色：独立验证者，立场与主 agent 相反
  任务：找出当前结论的3个最大漏洞
  输出：弱点列表 + 反驳证据
```

---

## 输出标准格式

```
══════════════════════════════
🎯 核心结论：[一句话]

📊 量化评分：[X/16]
  数据可信度：[X/4] ← 由最弱维度定价
  逻辑一致性：[X/4]
  历史验证性：[X/4]
  专家交叉  ：[X/4]
  ⚠️ 短板：[最低分维度]

📊 不确定性量化：
  📊 [历史统计内容]
  🤖 [模型估算内容]
  🎩 [专家判断内容]
  💹 [市场隐含内容]
  ❓ [未知/黑天鹅标注]

🔍 主要风险点：[1-2句话]

═══════════════════════════════
```

---

## v6.2 改进说明（相比 v6.1）

| 问题 | v6.1 | v6.2 |
|------|------|------|
| 回答变少 | 过度模板化，每步都要写完整结构 | **先给结论再补结构**，不要求每步都展开 |
| 追问僵硬 | 强制3轮追问 | **最多3轮，找到最弱证据立即收敛** |
| Monte Carlo | 写死在流程里 | **仅 H/S 类预测问题时才触发** |
| 格式过重 | 每个问题都要完整五步走 | **L 类30秒搞定，H/S 类才走完整流程** |
| 评分表太细 | 0-4分9个等级太复杂 | **保留核心4维度，评分标准简化** |