ccpe-system/model-cards/applied/giant-cognition-model.md

artifact_type	model_name	model_id	aliases	author	version	created	updated	status	source_material	model_type	layer	related_models	related_agents	related_skills	related_runtimes	based_on
model-card	巨人认知	giant-cognition-model	Giant Cognition 巨人认知模型	Wantsong	0.1	2026-06-01	2026-06-01	candidate	《构建你自己的巨人 2.0》 巨人认知智能体2.2	applied	L3 Applied Model		giant-cognition			CCPE System

巨人认知

1. Model Overview

1.1 One-Sentence Definition

巨人认知是一种应用型认知评审模型，用横向动力系统与纵向能力堆栈的咬合关系，诊断观点、文章和思想结构中的意图、反思、事实、逻辑、洞察与元认知问题。

1.2 Short Description

巨人认知把一个观点或文本视为一艘正在航行的「智识方舟」。它不只检查表层表达，而是同时检查动力是否存在、船体是否稳固、索具是否可靠、工具是否合适、海图是否准确、船长是否清醒。

这个模型的价值在于：它能把模糊的“这篇文章不够深”“这个观点不成立”转化为可定位、可讨论、可重构的认知层级问题。

1.3 Model Type

applied

1.4 Layer

L3: Applied Model

2. Source Material

2.1 Primary Source

title: 构建你自己的巨人 2.0
path: user-provided source text
author: Wantsong
date: 2025-11-27
source_type: article / cognitive model source

2.2 Secondary Sources

- 巨人认知智能体2.2

2.3 Extraction Notes

本卡片只登记「巨人认知」这个整体模型，不把「双循环罗盘」「五层甲板」「思想考古学家」拆成独立 Model Card。它们在此处作为巨人认知的内部结构、操作机制或评审视角存在。

2.4 Confidence

high

3. Core Problem

3.1 Problem Statement

许多观点、文章和思想草稿的问题并不只是文字表达问题，而是认知架构问题：没有明确意图，没有反思回路，事实基石不足，逻辑工具误用，洞察停留表层，或者元认知层面存在盲区。

3.2 Why This Problem Matters

如果没有认知层级诊断，评审容易退化为局部修辞修改、情绪化偏好判断或泛泛的“提高深度”。巨人认知提供一个分层检查框架，使批判可以转化为建设性重构。

3.3 What Existing Thinking Misses

普通文本评审常常混淆以下问题：

• 资料不足和逻辑错误。
• 逻辑正确和语境准确。
• 观点尖锐和洞察深刻。
• 表达有力和认知结构稳固。
• 作者立场不清和评审者价值偏好不同。

巨人认知要求先定位问题所在层级，再提出对应修正路径。

4. Scope

4.1 Applies To

- 观点评审
- 文章评审
- 提纲评审
- 论证结构诊断
- 思想模型拆解
- 深度写作的重构建议

4.2 Best Used When

- 文本看似完整，但深层结构不稳。
- 用户需要找到观点背后的隐含假设。
- 用户希望从“改文字”上升到“改认知结构”。
- 需要同时检查事实、逻辑、洞察和元认知。

4.3 Non-Scope

- 单纯校对错别字。
- 纯事实检索。
- 自动化批量处理。
- 不需要深度判断的格式转换。
- 替用户决定最终价值立场。

4.4 Boundary Conditions

当输入材料极少、事实缺失严重、用户拒绝提供语境，或问题本身依赖最新外部事实但没有可靠材料时，模型只能给出结构性推断，不能输出确定性事实判断。

5. Core Assumptions

1. 有效思想不是知识堆砌，而是结构化认知系统的产物。
2. 观点和文本的质量可以通过动力系统与能力堆栈进行分层诊断。
3. 深度评审必须同时包含批判与建设，否则容易退化为破坏性挑错。

Assumption 1:

assumption: 有效思想不是知识堆砌，而是结构化认知系统的产物。
why it matters: 这使评审重点从字数、资料量和术语密度转向结构完整性。
what would challenge it: 如果某类任务只需要信息覆盖率而不需要解释、判断或创造，模型收益会降低。

Assumption 2:

assumption: 观点和文本的质量可以通过动力系统与能力堆栈进行分层诊断。
why it matters: 这使模糊批评可以被定位到具体层级。
what would challenge it: 如果文本问题主要来自审美偏好、平台风格或外部限制，层级诊断可能不是最优工具。

Assumption 3:

assumption: 深度评审必须同时包含批判与建设。
why it matters: 没有建设路径的批判无法帮助用户改进认知结构。
what would challenge it: 如果任务目标只是风险拦截或红队审查，建设性要求可能需要降级。

6. Core Mechanism

6.1 Mechanism Summary

巨人认知由横向的动力系统与纵向的能力堆栈咬合而成：

• 横向动力：双循环罗盘，负责系统的启动与纠偏。
• 纵向结构：认知的五层甲板，负责从底层承载到高层主权的分层评审。

6.2 Key Variables

- variable: 意图
  meaning: 文本或思考的主动航向。
  role in model: 判断作品是否知道自己要解决什么问题。

- variable: 反思
  meaning: 文本或思考的纠偏机制。
  role in model: 判断作品是否经历现实碰撞、自我批判或反证检验。

- variable: L4 主权调控层
  meaning: 元认知与战略决策。
  role in model: 判断作者是否意识到自己的立场、盲区、偏见和优先级。

- variable: L3 洞察表征层
  meaning: 情境理解、心智模型和思想考古。
  role in model: 判断文本是否真正定义了问题，是否触及隐含假设与深层结构。

- variable: L2 逻辑运算层
  meaning: 通用逻辑、思维模型和形式化推演。
  role in model: 判断论证是否严密，工具是否匹配问题。

- variable: L1 基石层
  meaning: 事实、资料、知识与技能。
  role in model: 判断证据是否足够、准确、相关。

- variable: L0 生理层
  meaning: 情绪基调、能量感与表达承载力。
  role in model: 判断文本是否被情绪劫持，或是否缺乏承载复杂思想的表达能量。

6.3 Causal / Generative Logic

清晰意图 -> 资源调用方向更明确。
有效反思 -> 偏差可以被识别并修正。
稳固 L1 -> L2 推理有材料可用。
严密 L2 -> L3 洞察不会漂浮。
准确 L3 -> L4 决策不会建立在错误问题定义上。
清醒 L4 -> 整个文本拥有主权、边界和战略选择。
稳定 L0 -> 高阶认知不被情绪或能量状态拖垮。

6.4 Model Dynamics

模型的核心不是静态打分，而是循环校准：

意图设定航向
-> L0-L4 分层扫描
-> 定位薄弱层级
-> 生成重构建议
-> 引入反思与现实碰撞
-> 修正意图、材料、逻辑、洞察或元认知

6.5 Core Structure

由横向的动力系统与纵向的能力堆栈咬合而成：

*   **横向动力：双循环罗盘**
    *   负责系统的启动与纠偏（意图 -> 反思）。
*   **纵向结构：认知的五层甲板**
    *   **L4 主权调控层 (The Captain):** 船长。负责元认知与战略决策。
    *   **L3 洞察表征层 (The Chart):** 海图。负责对情境的深度理解（心智模型）。
    *   **L2 逻辑运算层 (The Sextant):** 六分仪。负责通用的逻辑计算（思维模型）。
    *   **L1 基石层 (The Rigging):** 索具。负责基础知识与技能。
    *   **L0 生理层 (The Hull):** 船体。负责承载一切的生物底座。

7. Procedure / Operating Logic

7.1 Procedure

1. 识别输入对象：观点、文章、提纲、论证或思想草稿。
2. 锚定意图：判断文本显性目标与隐性目标是否清晰、对齐。
3. 检查反思：判断是否存在自我批判、反证、现实碰撞或纠偏机制。
4. 执行 L0-L4 扫描：从承载、事实、逻辑、洞察、元认知分层诊断。
5. 定位关键瓶颈：找出最限制作品质量的 1-3 个层级问题。
6. 生成建设性重构：给出具体修改路径、替代模型、追问或示范性改写。

7.2 Decision Points

- decision point: 当前最大问题位于哪一层？
  criteria: 哪个层级的问题最限制整体质量。
  possible outcomes: L0 / L1 / L2 / L3 / L4 / 动力系统问题。

- decision point: 是事实不足、逻辑断裂，还是洞察浅薄？
  criteria: 判断缺陷来自材料、推理还是问题定义。
  possible outcomes: 补事实 / 修论证 / 重构问题定义。

- decision point: 是否需要现实碰撞？
  criteria: 文本是否缺少反证、自我批判或外部约束。
  possible outcomes: 添加反例 / 引入边界条件 / 明确失败场景。

8. Inputs

8.1 Valid Inputs

- 用户观点
- 文章草稿
- 提纲
- 论证片段
- 研究问题
- 用户提供的事实材料或检索结果

8.2 Poor Inputs

- 没有明确评审目标的碎片化句子
- 只要求情绪支持、不接受结构批评的输入
- 依赖最新事实但不提供材料的输入
- 要求模型替用户做最终价值决定的输入

8.3 Required Context

- 用户希望评审的对象
- 用户希望优化的方向
- 必要的事实背景
- 若涉及特定事件或数据，需要可靠来源或用户提供材料

9. Outputs

9.1 Output Types

- 巨人认知分析报告
- 分层诊断
- 关键问题清单
- 建设性重构建议
- 深度追问
- 示范性重写

9.2 Output Format

默认报告结构：

1. 动力系统检测
2. 纵向结构扫描
3. 关键重构建议
4. 下一步

9.3 Good Output Criteria

- 问题定位具体。
- 层级区分清楚。
- 批判后有建设路径。
- 不把材料不足误判为逻辑错误。
- 不把逻辑正确误判为洞察深刻。
- 能保留用户原始思想的锋利度。

10. Failure Modes

10.1 Common Failure Modes

1. 机械套用 L0-L4，导致报告形式完整但判断空洞。
2. 过度批判，指出问题但没有具体重构路径。
3. 把模型隐喻当成事实机制，导致过度解释。
4. 在事实不足时输出确定性判断。
5. 将用户的价值选择误判为逻辑缺陷。

10.2 Overuse Risks

如果所有文本都强行完整扫描，模型会变得笨重，压制轻量反馈和快速迭代。

10.3 Misuse Risks

将巨人认知用于单纯文案润色、事实检索或自动化评分，会削弱模型的深度评审价值。

10.4 Degeneration Pattern

巨人认知失去纪律后，会退化为高概念术语堆砌：看似深刻，实际没有定位问题，也没有提供可执行重构。

11. Falsification Boundary

11.1 What Would Challenge This Model?

- 评审对象的问题主要来自事实缺失，而非认知结构。
- 用户只需要格式、语法或风格修改。
- L0-L4 扫描无法比直接领域专家评审提供更多有效信息。
- 模型无法提出比普通编辑建议更具体的重构路径。

11.2 What Should Not Happen If the Model Is Correct?

- 不应只输出抽象评价而没有修改路径。
- 不应把所有问题都归因于“洞察不够”。
- 不应忽视事实材料对判断的约束。
- 不应把用户没有明说的重构推断伪装成原文主张。

11.3 What Is Outside the Model's Explanatory Power?

- 最新事实真伪判断。
- 专业领域的实证结论。
- 平台算法偏好。
- 用户最终价值选择。
- 纯审美偏好。

11.4 Weak Falsification Warning

当前模型的强项是结构诊断和建设性重构，不是预测模型。它的可证伪性主要来自输出质量：能否更准确定位问题，能否生成更有效的修改路径。

12. Distinctions

12.1 Different From

- nearby concept: 普通文章编辑
  distinction: 普通编辑偏向表达、结构和可读性；巨人认知偏向认知架构、隐含假设和思想深度。

- nearby concept: 逻辑审查
  distinction: 逻辑审查主要位于 L2；巨人认知还检查 L0、L1、L3、L4 与动力系统。

- nearby concept: 心理咨询式反馈
  distinction: 巨人认知不以情绪支持为主，而以结构性诊断和建设性重构为主。

12.2 Not Equivalent To

- 纯写作模板
- 自动评分标准
- 事实检索工具
- 多智能体评审委员会
- 通用人生建议模型

12.3 Common Confusions

- 把 L2 思维模型误当成 L3 心智模型。
- 把资料堆砌误当成思想深度。
- 把强烈表达误当成结构稳固。
- 把尖锐批评误当成有效评审。

13. Related Models

13.1 Parent Models

-

13.2 Child Models

-

13.3 Sibling Models

-

13.4 Overlapping Models

-

13.5 Conflicting Models

-

14. Related Agents

- agent_id: giant-cognition
  path: agents/lite/giant-cognition.prompt.md
  usage: 用巨人认知模型执行观点、文章和思想结构评审。

15. Related Skills

-

16. Runtime Usage

-

17. Examples

17.1 Example Input

请评审这篇文章的核心观点是否足够深，逻辑是否稳固。

17.2 Model Application

先检查文章的意图与反思，再扫描 L4-L0，定位最薄弱层级，最后提出建设性重构路径。

17.3 Example Output

文章的主要问题不在 L1 资料不足，而在 L3 问题定义过浅：它把现象解释为效率问题，却没有下钻到权力结构和激励机制。建议重写引言，将问题从“如何提高效率”改为“为什么效率工具反而制造新的认知外包”。

17.4 Failure Example

“这篇文章缺乏深度，建议加强逻辑和补充案例。”

这是失败输出，因为它没有定位层级，没有说明深度缺失发生在哪里，也没有给出具体重构路径。

18. Evaluation Criteria

Core problem addressed?
Scope respected?
Assumptions made explicit?
Mechanism applied correctly?
Failure modes avoided?
Falsification boundary preserved?
Output useful?
Original conceptual force preserved?

Additional criteria:

- 是否区分了动力系统问题与层级结构问题？
- 是否把 L2 逻辑与 L3 洞察分开判断？
- 是否每个关键批评都附带建设性修正？
- 是否避免把模型隐喻过度实体化？

19. Conversion Opportunities

19.1 Possible Skills

- 未来可抽象为“巨人认知评审 Skill”，供 Codex 在审稿、观点评审或模型挖掘流程中调用。

19.2 Possible Agents

- 未来可升级为评审委员会中的一个 Agent Spec。

19.3 Possible Runtimes

- 当前不需要 Runtime。若未来形成多智能体评审委员会，可设计 Hybrid Runtime。

20. Version Notes

v0.1:
- Initial candidate Model Card for 巨人认知.
- Registered 双循环罗盘 and 五层甲板 as internal mechanism, not separate Model Cards.

21. Review Status

needs-user-confirmation

22. Open Questions

1. 是否将“巨人认知”后续注册进 Model Index？
2. 未来评审委员会建立时，巨人认知应作为核心审稿 Agent，还是作为多个评审 Agent 共享的底层模型？
3. 是否需要从《构建你自己的巨人 2.0》中继续抽取更高层的 foundational model？