celebrity-filter

name	celebrity-filter
description	名人滤镜——把蒸馏来的人物skill作为"分析镜片"，和数据分析引擎串起来，产出带有人物思维特色的分析报告。 输入：分析任务（数据+目标）+ 蒸馏skill（人物视角），输出：经该人物思维框架折射的分析报告。 触发词：用XX视角分析 / 从XX角度看看 / XX会怎么看 / 用芒格的方式分析 / 名人滤镜 / 换个滤镜 / XX滤镜看数据 不用于：纯数据分析（无视角需求） / 纯人物skill蒸馏（无分析任务） / 只想聊天不想分析

名人滤镜 · Celebrity Filter

女娲蒸馏了他们怎么想，滤镜决定用他们的方式看你的数据。

---

核心理念

女娲.skill 解决了"怎么提炼一个人的思维方式"——产出心智模型、决策启发式、表达DNA。 达尔文.skill 解决了"怎么让一个skill持续进化"——评估→改进→测试→回滚。

但都没有解决一个问题：蒸馏来的skill，怎么用来做真实业务分析？

芒格的"多元思维模型"很厉害，但它能不能分析拣运成本数据？ 塔勒布的"反脆弱"很有洞见，但它怎么看一组A/B测试结果？

名人滤镜就是这座桥：把蒸馏skill中的心智模型映射到数据分析维度，用人物的思维框架来解读你的真实数据。

---

与女娲/达尔文的关系

女娲(蒸馏) → 产出: 人物skill(心智模型+启发式+DNA)
                              ↓
                    名人滤镜(桥接)
                              ↓
               数据分析引擎(如data-scientist) → 产出: 带人物视角的分析报告

达尔文(进化) → 优化: 人物skill → 滤镜自动读取更新后的模型

---

执行流程

Phase 0: 解析输入

收到任务后，确认两个必需输入：

输入	说明	获取方式
分析任务	数据 + 分析目标	用户直接提供 或 调用data-scientist
视角skill	人物/框架skill路径	指定skill名 或 自动扫描已有perspective skill

如果用户没有指定视角skill：

1. 扫描 skills/*-perspective/ 或 .claude/skills/*-perspective/
2. 列出可用视角，让用户选择
3. 如果没有可用的perspective skill → 建议先用女娲蒸馏一个

---

Phase 1: 提取思维框架

从视角skill的SKILL.md中提取结构化信息：

1.1 提取心智模型

扫描SKILL.md，提取所有心智模型：

{
    "name": "模型名",
    "definition": "一句话定义（此人怎么用这个镜片看世界）",
    "application": "应用场景",
    "limitations": "失效条件"
}

提取规则：

• 找包含"心智模型"、"模型"、"镜片"、"核心框架"等关键词的section
• 每个模型必须有名称和定义，缺项标注"未提取"

1.2 提取决策启发式

{
    "rule": "如果X，则Y",
    "case": "支撑案例"
}

1.3 提取表达DNA（用于报告风格）

{
    "tone": "语气风格（如：冷幽默/严肃/诗意/犀利）",
    "catchphrases": ["口头禅1", "口头禅2"],
    "taboos": ["绝对不会说的话", "避免的表达"]
}

---

Phase 2: 映射——思维框架 → 分析维度

这是滤镜的核心步骤。把提取到的心智模型映射到具体的数据分析方法。

2.1 自动映射规则

心智模型特征	映射到的分析动作
关注"什么变了"	归因分析（delta_attribution）
关注"如果X不存在会怎样"	反事实分析（DID）
关注"谁是赢家/输家"	帕累托分析
关注"系统脆弱性"	敏感性分析 + 异常检测
关注"长期趋势"	时序分解（STL）
关注"分组差异"	对比分析（t检验/方差分析）
关注"谁在末位"	末位排名亮灯
关注"相关性/因果"	相关性分析 + 因果推断

2.2 映射输出

{
    "models_used": ["模型A", "模型B"],  # 用了哪些心智模型
    "analysis_plan": [
        {
            "step": 1,
            "model": "模型A",
            "rationale": "为什么这个模型适合分析这个问题",
            "method": "L3方法名",
            "params": {"参数": "值"}
        }
    ],
    "report_style": {
        "tone": "...",
        "section_titles_style": "...",  # 用人物的风格命名section
        "key_phrases": ["..."]  # 报告中会用到的标志性短语
    }
}

---

Phase 3: 执行分析 + 滤镜渲染

3.1 执行数据分析

按Phase 2的分析计划，调用数据分析引擎（如data-scientist）执行。

3.2 滤镜渲染

不是简单地把分析结果贴上去，而是用人物的思维框架重新解读数据。

渲染规则：

1. 开头：用人物的一个核心观点引入分析（"XX说过，...。今天我们就用这个视角来看这组数据。"）
2. 分析过程：每个分析步骤，先用人物的思维模型"提问"，再展示数据回答
3. 洞察：不是通用洞察，而是"XX会怎么看待这个发现"
4. 行动建议：用人物的决策启发式推导出的行动建议
5. 结尾：回扣人物的一个经典表达或观点

示例（芒格视角分析拣运成本）：

## 芒格视角：反转思维看成本

芒格说："反过来想，总是反过来想。"
大多数人问"怎么降成本"，芒格会问"什么在让成本上升？"

### 第一步：找出成本恶化的元凶

[归因分析结果]

芒格的思维：不是找"谁做得好"，而是找"谁在拖后腿"。
数据显示，华南分拣中心贡献了38%的成本恶化。

### 第二步：这个恶化是系统性的还是偶发的？

[时序分解结果]

芒格的多元模型提醒：不要只看一个维度。
趋势分解显示这不是季节性波动，而是结构性恶化——人效在持续下降。

### 行动建议（芒格风格）

"我只想知道将来我会死在什么地方，这样我就永远不去那儿。"
→ 华南分拣中心就是那个"死的地方"。先解决它。
→ 人效下降是根因，不是成本本身。解决人效，成本自然下降。

---

Phase 4: 产出报告

最终产出：

{
    "perspective": "芒格",
    "analysis_results": {...},  # 原始分析结果
    "report_html": "...",       # 滤镜渲染后的HTML报告
    "models_used": [...],       # 用了哪些心智模型
    "methods_used": [...],      # 调用了哪些分析方法
    "key_insights": [...],      # 核心洞察（人物视角）
    "actions": [...]            # 行动建议（人物启发式推导）
}

---

已知局限

1. 依赖视角skill质量：如果蒸馏的人物skill心智模型提取不出来，滤镜退化为普通分析
2. 映射可能有偏差：自动映射是启发式规则，不是完美对应
3. 不适合所有场景：纯描述性分析（"给我看个报表"）不需要滤镜
4. 人物视角可能有盲区：芒格看成本和塔勒布看成本结论可能完全不同——这是特性不是bug

---

文件结构

celebrity-filter/
├── SKILL.md                    # 本文件
├── references/
│   ├── mapping_rules.md        # 心智模型→分析方法的映射规则（可扩展）
│   └── example_munger.md       # 示例：芒格视角分析成本
└── results.tsv                 # 达尔文优化记录

---

版本历史

v1.0（2026-04-17）— 初始版本

• 核心能力：提取思维框架 → 映射分析方法 → 滤镜渲染
• 支持与data-scientist引擎集成
• 支持与女娲产出的perspective skill对接