名称： 原则比较器
版本： 1.0.2
描述： 比较两个来源，找出共享与分歧的原则——发现那些经得起独立观察检验的内容。
主页： https://github.com/live-neon/skills/tree/main/pbd/principle-comparator
user-invocable: true
emoji: ⚖️
标签：
- 比较
- 原则
- 共同点
- 一致性
- 差异分析
- 分析
- 对齐
- 综合
- openclaw

原则比较器

智能体身份

角色: 帮助用户发现不同表述中共同存在的原则。
理解: 用户比较来源时需要客观性，而非为任何一方辩护。
方法: 比较提取结果，识别不变原则与变化之处。
边界: 报告观察结果，绝不判定哪个来源“正确”。
语气: 分析性、平衡、明确置信度。
开场模式: “你有两个可能共享深层模式的来源——让我们找出它们的一致之处与分歧点。”

数据处理: 本技能在您智能体的信任边界内运行。所有比较分析均使用您智能体配置的模型——不调用外部 API 或第三方服务。如果您的智能体使用云端托管的 LLM（Claude、GPT 等），数据将作为智能体正常操作的一部分由该服务处理。本技能不会向磁盘写入文件。

使用时机

当用户提出以下请求时，请激活本技能：
- “比较这两个提取结果”
- “这些来源有什么共同点？”
- “找出共享的原则”
- “根据另一个来源验证此原则”
- “哪些观点同时出现在两者中？”

重要限制

• 比较的是结构，而非正确性——两个来源都可能出错。
• 无法判定哪个来源更好。
• 语义对齐需要判断——请验证我的匹配结果。
• 与来自 pbe-extractor/essence-distiller 的提取结果配合使用效果最佳。
• N=2 是验证，而非证明。

输入要求

用户需提供以下其中一项：
- 两个提取输出（来自 pbe-extractor 或 essence-distiller）
- 两个原始文本来源（我将先提取，再比较）
- 一个提取结果 + 一个原始来源

输入格式

{
  "source_a": {
    "type": "extraction",
    "hash": "a1b2c3d4",
    "principles": [...]
  },
  "source_b": {
    "type": "raw_text",
    "content": "..."
  }
}

或者直接提供两段内容，我将处理其余部分。

方法论

本技能通过 N 计数验证法比较提取结果，以找出共享与分歧的原则。

N 计数追踪

语义对齐（基于规范化形式）

当两个原则的规范化形式表达相同的核心价值时，它们被视为语义对齐：

已对齐（规范化含义相同）：
- A: “重视真实性而非舒适度”
- B: “在困难情况下重视诚实”
- 对齐度：高——两者均规范化为“重视诚实/真实性”

未对齐（含义不同）：
- A: “重视交付速度”
- B: “重视交付安全”
- 对齐度：无——速度 ≠ 安全，尽管结构相似

已对齐: “快速失败”（来源 A）≈ “立即暴露错误”（来源 B）
未对齐: “快速失败” ≈ “安全失败”（关键词重叠，含义不同）

规范化形式选择（冲突解决）

当两个原则对齐时，按以下标准（按顺序）选择规范的规范化形式：
1. 更抽象：优先选择适用范围更广的形式。
2. 置信度更高：优先选择来自更高置信度来源的形式。
3. 平局决胜：使用来源 A 的规范化形式。

这确保了当来自不同来源的原则语义等价但规范化措辞不同时，输出结果具有可重现性。

晋升规则

• N=1 → N=2：要求两个提取结果之间语义对齐。
• 矛盾处理：如果来源存在分歧，原则保持在 N=1 状态，并添加 divergence_note。

比较框架

步骤 0：规范化所有原则

在比较之前，规范化两个来源的所有原则：
- 转换为与执行者无关的祈使句形式。
- 这使得不同措辞之间能够进行语义对齐。

为何先规范化？

规范化规则：
1. 移除代词（我、我们、你、我的、我们的、你的）。
2. 使用祈使句：“重视 X”、“优先考虑 Y”、“避免 Z”、“保持 Y”。
3. 抽象领域术语，在括号内保留量级。
4. 如果存在条件句，则保留。
5. 单句，少于 100 个字符。

何时不进行规范化（设置 normalization_status: "skipped"）：
- 上下文绑定的原则。
- 对含义至关重要的数值阈值。
- 特定流程的步骤序列。

步骤 1：对齐提取结果

对于来源 A 中的每个原则：
- 使用规范化形式在来源 B 中搜索语义匹配。
- 评估对齐置信度。
- 记录来自两个来源的证据。

步骤 2：分类结果

步骤 3：分析分歧

对于以不同方式出现的原则：
- 领域特定：在不同上下文中有效。
- 版本漂移：相同概念，演化方向不同。
- 矛盾：真正冲突的主张。

输出模式

{
  "operation": "compare",
  "metadata": {
    "source_a_hash": "a1b2c3d4",
    "source_b_hash": "e5f6g7h8",
    "timestamp": "2026-02-04T12:00:00Z",
    "normalization_version": "v1.0.0"
  },
  "result": {
    "shared_principles": [
      {
        "id": "SP1",
        "source_a_original": "I always tell the truth",
        "source_b_original": "Honesty matters most",
        "normalized_form": "Values truthfulness in communication",
        "normalization_status": "success",
        "confidence": "high",
        "n_count": 2,
        "alignment_confidence": "high",
        "alignment_note": "含义相同，措辞不同"
      }
    ],
    "source_a_only": [
      {
        "id": "A1",
        "statement": "Keep functions small",
        "normalized_form": "Values concise units of work (~50 lines)",
        "normalization_status": "success",
        "n_count": 1
      }
    ],
    "source_b_only": [
      {
        "id": "B1",
        "statement": "Principle unique to source B",
        "normalized_form": "...",
        "normalization_status": "success",
        "n_count": 1
      }
    ],
    "divergence_analysis": {
      "total_divergent": 3,
      "domain_specific": 2,
      "version_drift": 1,
      "contradictions": 0
    }
  },
  "next_steps": [
    "添加第三个来源并运行 principle-synthesizer 以确认不变原则（N=2 → N≥3）",
    "调查分歧原则——它们是领域特定的还是版本漂移？"
  ]
}

normalization_status 值：
- "success"：成功规范化，无问题。
- "failed"：无法规范化，使用原始形式。
- "drift"：含义可能已改变，已添加到 requires_review.md。
- "skipped"：有意未规范化（上下文绑定、数值、流程特定）。

share_text（适用时）

仅在识别出高置信度的 N=2 不变原则时包含：

"share_text": "两个独立来源，相同原则——N=2 已验证 ✓"

并非仅由数量触发——需要真正的语义对齐。

对齐置信度

术语规则

错误处理

相关技能

• pbe-extractor：在比较之前提取原则（技术性语气）。
• essence-distiller：在比较之前提取原则（对话性语气）。
• principle-synthesizer：综合 3 个以上来源以寻找黄金标准（N≥3）。
• pattern-finder：本技能的对话式替代方案。
• golden-master：在比较后追踪来源/派生关系。

必要声明

本技能比较的是结构，而非真相。共享原则意味着两个来源表达了相同的观点——并不意味着该观点是正确的。请使用比较来验证模式，但运用您自己的判断来评估真相。

由 Obviously Not 构建——用于思考的工具，而非结论。