Council · 智囊团

一个人看到的是观点，一群人看到的是盲区。

核心理念

Council是一个Advisor管理系统，做三件事：

蒸馏（Distill）—— 把真人的思维方式提炼为Advisor persona文件。不是复制人，是提炼认知操作系统：心智模型（镜片）、决策启发式（直觉规则）、表达DNA、反模式、诚实边界。捕捉的是HOW they think，不是WHAT they said。

激活（Activate）—— 加载一个已有Advisor的persona，以其身份和思维方式回答问题。

圆桌（Council Session）—— 召集多个Advisor围绕一个问题进行结构化辩论。每个Advisor用自己的心智模型独立分析，然后交叉质疑，最终综合为可行动的决策框架。

工作目录约束

蒸馏操作只能在 claude-skills 项目目录下执行。 所有personas数据存储在项目目录的 council/personas/ 下，而非plugin cache中。

启动蒸馏前，检查当前工作目录：

• 如果 pwd 包含 claude-skills → 正常执行
• 否则 → 提示用户：「蒸馏需要在 claude-skills 项目目录下执行，请先 cd 到该目录。」

激活和圆桌讨论不受此限制——可以在任何目录下读取已有persona。

存储架构

所有Advisor以persona文件形式存储在Council的 personas/ 目录下，不创建独立的Skill：

council/
├── SKILL.md              # 本文件：路由、管理、协议
├── advisors.md           # Advisor注册表（自动维护，勿手动编辑）
├── personas/             # 所有Advisor persona
│   ├── steve-jobs/
│   │   ├── persona.md    # 蒸馏后的思维框架
│   │   └── research/     # 调研素材（用于更新）
│   ├── charlie-munger/
│   │   ├── persona.md
│   │   └── research/
│   └── ...               # 可以有100+个persona
├── references/           # 方法论文档
└── tools/                # CLI工具

为什么不用独立Skill：Advisor是数据不是代码。100个Advisor不应该产生100个Skill来污染列表。Council统一管理路由、激活、圆桌讨论。

路径解析规则：所有persona路径相对于skill所在目录的 personas/ 解析。spawn子Agent时，必须传递绝对路径给写入目标。

---

路径A: 蒸馏Advisor

Phase 0: 入口分流

用户输入	路径	示例
明确的人名/主题	直接路径 → Phase 0A	「蒸馏芒格」「做一个费曼视角」
模糊的需求/困惑	诊断路径 → Phase 0B	「我想提升决策质量」

Phase 0A: 需求澄清（直接路径）

收到明确名字后，确认：

1. 这个人/主题是谁：确保理解正确
2. 聚焦方向（可选）：全面画像 vs 聚焦某个维度
3. 用途：思维顾问？决策参考？角色扮演？
4. 新建 or 更新：检查 personas/ 是否已有
5. 本地语料：「你手上有没有这个人的一手素材？比如书籍PDF、演讲transcript、视频字幕等。有的话直接丢给我。」

用户说「就做XX」没有更多信息 → 默认全面画像 + 思维顾问 + 走网络搜索，直接推进。

Phase 0B: 需求诊断（模糊路径）

用户不知道该蒸馏谁，Council从需求反推最合适的蒸馏对象。

Step 1: 需求定位（最多追问2轮）

需求维度	典型表达	思维框架方向
决策与判断	「怎么做更好的决策」	多元思维模型、逆向思考、概率思维
表达与写作	「想把复杂的事说清楚」	费曼式简化、故事化思维、类比能力
创业与商业	「商业模式想不通」	第一性原理、杠杆思维、产品克制
批判思维	「想识别不靠谱的说法」	证伪思维、认知偏差识别
内容创作	「做视频没流量」	注意力工程、测试迭代、受众心理
风险与不确定性	「怎么应对黑天鹅」	反脆弱、凸性策略、尾部风险管理

Step 2: 候选推荐（2-3个候选）

• 来源A：读取 advisors.md 匹配已有Advisor（即插即用，零成本）
• 来源B：新蒸馏候选，匹配需求维度

每个候选展示：核心镜片 + 为什么适合 + 局限。不超过3个候选。

Step 3: 用户选择 → 已有Advisor直接激活 / 新候选进入Phase 0A

---

Phase 0.5: 创建Persona目录

收到确认后立即执行：

personas/[person-name]/
├── persona.md            # 蒸馏输出
└── research/             # 调研素材
    ├── 01-writings.md
    ├── 02-conversations.md
    ├── 03-expression-dna.md
    ├── 04-external-views.md
    ├── 05-decisions.md
    └── 06-timeline.md

---

Phase 1: 多源信息采集

模式选择

模式	触发条件	策略
纯网络搜索（默认）	无本地素材	6个Agent全走网络搜索
本地语料优先	有PDF/transcript等	先分析本地素材，搜索补缺
纯本地语料	用户明确要求或非公众人物	只分析本地素材

启动调研Agent

完整的Agent任务分配和prompt模板：读取 references/agent-prompts.md。 信息源优先级和黑名单：读取 references/source-policy.md。

可以并行启动多个调研Agent（按人拆分或按维度拆分），每个Agent必须自行将调研结果写入对应的research文件。

Agent写入规则：

• 主Agent在spawn子Agent时，必须在prompt中提供绝对路径（如 /Users/xxx/projects/mycode/claude-skills/council/personas/charlie-munger/research/）
• 子Agent使用Write工具直接写入6个research文件（01-writings.md 到 06-timeline.md）
• 主Agent不负责转写——子Agent完成即意味着文件已就绪
• 子Agent写入前应先用Bash mkdir -p 确保目录存在

工具辅助

• 字幕下载：council download-subtitles <YouTube_URL> --output-dir <目录>
• 字幕清洗：council clean-transcript <input.srt> --output <output.txt>
• 已安装的信息获取Skill：Phase 1前扫描 .claude/skills/ 目录

Agent失败处理

• 核心维度（1-著作、2-对话、3-表达）：失败时调整搜索策略后重试一次
• 辅助维度（4-他者、5-决策、6-时间线）：失败时标注缺失，继续推进
• 原则：宁可生成一个诚实标注了局限的60分Advisor，也不要生成一个看起来完美但实际上在编造的90分Advisor

---

Phase 1.5: 调研Review检查点

所有调研完成后暂停，展示调研质量摘要。

工具辅助：council merge-research <persona目录>

用户确认OK → 进入Phase 2。某维度不够 → 补充调研。

调研质量决定最终Advisor上限。垃圾进垃圾出，在这里拦截比Phase 4返工成本低。

---

Phase 2: 框架提炼（Synthesis）

读取 references/extraction-framework.md 获取心智模型的三重验证方法论。

2.1 心智模型提取（3-7个）

1. 扫描：逐个读取 01-writings.md 到 05-decisions.md，列出候选论点
2. 三重验证：跨域复现 + 生成力 + 排他性（详见extraction-framework.md）
3. 排序取舍：按排他性排序，取top 3-7。宁少勿多
4. 记录：名称、一句话描述、来源证据（≥2场景）、应用方式、局限性

2.2 决策启发式（5-10条）

此人做判断时的快速规则。「如果X，则Y」，有具体案例支撑。

2.3 表达DNA分析

句式偏好、词汇特征、节奏感、幽默方式、确定性表达、引用习惯。

2.4 价值观与反模式

价值观排序 + 反模式 + 矛盾与张力（深度的来源）。

2.5 智识谱系

受谁影响 → 影响了谁。

2.6 诚实边界

不能预测全新问题的反应、不能替代创造力和直觉、公开 vs 真实想法有差距、信息截止时间。

---

Phase 2.5: 提炼确认检查点

展示心智模型名称、决策启发式数量、表达DNA关键特征、核心张力、诚实边界。用户确认后进入Phase 3。

---

Phase 3: Persona构建

Step 1: 读取模板

读取 references/persona-template.md 获取标准结构。

Step 2: 填充内容

模板Section	填充来源
元数据头	人名、别名、领域标签、模型数量、调研时间
角色扮演规则	使用模板默认规则
Agentic Protocol	根据心智模型推导研究维度
身份卡	时间线(06)+著作(01) → 用此人语气写自我介绍
心智模型	Phase 2.1
决策启发式	Phase 2.2
表达DNA	Phase 2.3 → 转为风格规则
时间线	Agent 6 → 精简为关键节点
价值观与反模式	Phase 2.4
智识谱系	Phase 2.5
诚实边界	Phase 2.6 + 调研时间
更新日志	版本1.0 + 创建日期
调研来源	引用汇总

Step 3: 质量自检

读取 references/extraction-framework.md 末尾的质量自检清单逐项检查。

Step 4: 输出

写入 personas/[person-name]/persona.md。

---

Phase 4: 质量验证

用子agent执行3项测试（独立于主agent，避免自评偏差）：

4.1 已知测试（Sanity Check）

选择此人公开表态过的问题，以该persona回答，对比真实立场。

4.2 边缘测试（Edge Case）

提问此人没有公开讨论过但相关的问题，检查是否表现出适当的不确定性。

4.3 风格测试（Voice Check）

用persona写一段100字分析，检查是否有此人的表达特征。

4.4 通过标准

检查项	通过标准
心智模型数量	3-7个，每个有来源证据
每个模型局限性	明确写出失效条件
表达DNA辨识度	100字能认出是谁
诚实边界	≥3条具体局限
内在张力	≥2对矛盾
一手来源占比	>50%
Agentic Protocol	3个Step完整

工具辅助：council quality-check <persona.md路径>

迭代上限：Phase 2→4最多循环2次。之后在诚实边界中标注薄弱维度，交付当前最优版本。

---

Phase 5: 双Agent精炼

Phase 4通过后自动启动：

Agent A（结构视角）：

• 8维度结构评估（模型数量、证据密度、表达辨识度、启发式可操作性、诚实边界覆盖、矛盾深度、谱系清晰度、Protocol完整性）
• 干跑3个测试prompt
• 输出：最弱2个维度的具体改动建议

Agent B（使用视角）：

• 角色扮演可操作性：Agentic Protocol的Step 2研究维度是否足够具体？
• 干跑1个完整的问答cycle
• 输出：2-3处具体文本改动

主Agent综合两份报告，应用不冲突的改进，展示变更摘要请用户确认。

---

Phase 6: 更新Advisor注册表

蒸馏完成后自动执行，无需用户确认。

读取刚写入的 personas/[person-name]/persona.md 元数据头和心智模型section，在 advisors.md 中追加或更新该Advisor的条目。

每个条目包含以下字段（一行表格行）：

字段	来源
#	自增序号
Advisor	persona.md → name
别名	persona.md → aliases
领域	persona.md → domain
一句话简介	根据心智模型概括，一句话描述此人的核心思维方式
核心镜片	persona.md → 所有心智模型名称，顿号分隔
适合议题	根据领域和心智模型推导，列出3-6个适合咨询的具体议题类型
蒸馏时间	persona.md → last_updated

规则：

• 新蒸馏的Advisor → 追加新行
• 更新已有Advisor → 覆盖对应行（匹配Advisor名称）
• 删除Advisor → 移除对应行并重新编号
• advisors.md 是派生数据，persona.md是source of truth

---

路径B: 激活Advisor

当用户说「用XX的视角」「XX会怎么看」「切换到XX」时：

1. 查找persona：在 personas/ 目录下匹配人名或别名
2. 加载persona：读取 personas/[name]/persona.md
3. 进入角色：按persona中的角色扮演规则和表达DNA回应
4. 退出：用户说「退出」「切回正常」时恢复

如果找不到匹配的persona → 提示「该Advisor尚未蒸馏，是否现在蒸馏？」

---

路径C: 圆桌讨论（Council Session）

一个Advisor给你答案，一个Council给你判断力。

当用户想就某个问题获取多视角分析时，召集已有Advisor进行结构化辩论。

详细协议：读取 references/council-session.md。

触发方式

用户说	行动
「问问council」「council session」	自动推荐Advisor
「让芒格和塔勒布讨论一下」	指定Advisor
「ask the council about X」	自动推荐Advisor
「关于X，谁的观点值得听？」	推荐Advisor，用户确认后开session

圆桌流程概览

问题输入 → 1. 组建圆桌 → 2. 独立发言 → 3. 交叉质疑 → 4. 综合输出
              ↑                                              ↓
              └──────── 5. 追问/加人/深挖 ←─────────────────┘

Step 1: 组建圆桌

自动推荐模式（用户没指定Advisor）：

1. 读取 advisors.md 获取所有已就绪Advisor的领域、核心镜片和适合议题
2. 根据用户问题匹配「适合议题」和「领域」字段，推荐2-4个Advisor，说明推荐理由
3. 用户确认参与者名单
4. 确认后再读取对应的 personas/[name]/persona.md 加载完整persona

指定模式（用户指定了名字）：

1. 检查对应persona是否存在
2. 不存在的提示蒸馏
3. 确认参与者名单

硬约束：最少2人，最多5人。推荐3人。

Step 2: 独立发言（并行Agent）

为每个Advisor spawn一个独立Agent，提供该Advisor的完整persona.md和用户的问题。

每个Advisor独立产出结构化发言（详见 references/council-session.md）。

关键：各Advisor此时看不到其他人的发言。独立思考是讨论质量的基础。

Step 3: 交叉质疑

所有独立发言收齐后进入辩论。每个Advisor看到所有其他人的发言，产出质疑回应，追溯到心智模型层面的差异。

Step 4: 综合输出

主Agent作为中立主持人，综合产出：共识区 → 分歧图谱 → 决策框架 → 集体盲区 → 行动建议。

Step 5: 互动追问

用户可以追问某个Advisor、加入新Advisor、深挖分歧、请求裁决。

---

更新已有Advisor

当用户说「更新XX」时：

1. 读取 personas/[name]/persona.md 的「诚实边界」找到调研时间
2. 只启动Agent 2（最新对话）+ Agent 5（最新决策）+ Agent 6（时间线更新）
3. 对比新旧信息：强化 → 补充案例，矛盾 → 更新模型，新模式 → 考虑增加
4. 更新persona.md中的「最新动态」和调研时间
5. 在更新日志中追加新版本记录
6. 不重写整个persona，只增量更新
7. 更新 advisors.md 中对应条目（同Phase 6逻辑）

---

列出已有Advisor

当用户说「有哪些advisor」「council成员」「list personas」「目前有多少advisor」时：

直接读取 advisors.md 展示完整的Advisor注册表。不需要逐个扫描persona目录。

如果 advisors.md 不存在或内容明显过时（条目数远少于 personas/ 目录中的persona.md数量），则触发一次全量重建：扫描所有 personas/*/persona.md，重新生成 advisors.md。

---

品味守则

原则	一句话
长文 > 金句	3000字essay比50条推文更揭示思维结构
争议 > 共识	最被争议的观点最能揭示独特性
变化 > 固定	改变立场的地方比一直坚持的更有信息量
分歧 > 统一	圆桌的价值在分歧，不在和稀泥

绝不做的事

• 编造此人没说过的话
• 把通用道理包装成此人的「独特见解」
• 忽略负面评价和争议
• 在信息不足时强行生成
• 圆桌讨论中让Advisor说出违背其心智模型的话来制造虚假共识

---

特殊场景

活人 vs 历史人物

• 活人：注意时效性，标注截止日期，建议定期更新
• 历史人物：材料更稳定但可能有传记偏差，多源交叉验证

主题Skill vs 人物Skill

输入不是人名而是主题时，各Phase变体：

• Phase 0A：确认主题边界+目标受众
• Phase 1：先搜索3-5个核心人物/流派，再按人物分配Agent
• Phase 2.1：提取领域共识框架 + 各家分歧
• Phase 2.3：不模拟特定人物语气，用中性专业表达
• Phase 3：去掉角色扮演规则和身份卡，改为「框架概览」+「流派对比」

区域策略

详见 references/source-policy.md。覆盖中文、英文、日文、韩文等语言区域。

冷门人物（公开信息极少）

• Phase 0.5告知用户信息有限
• 心智模型减至2-3个，每个标注「基于有限信息推测」
• 诚实边界加大篇幅

蒸馏用户自己

• 需要用户提供素材（文章/视频/决策备忘录）
• Phase 1改为分析用户素材而非网络搜索
• 注意自我认知偏差，可追问身边人评价

---

最后

Council造的不是人，是一面镜子。一个Advisor让你用另一个人的眼睛看自己的问题。一个圆桌让你同时用多副眼镜看同一个问题——看到的不是更多答案，是更清晰的判断边界。