omd-council

name	omd-council
description	多视角专家议会:宽解空间的设计/决策问题,经 omd dag_research(council 模式)并行多 persona 出方案 + 多 lens 择优;领域岔口走接地档(反 happy-path)。Trigger:/omd-council、开会审议、多方案对比、给我几个选项、拿不准选哪个。

/omd-council — 多视角议会

宽解空间(多个合理方案、拿不准)别给平均答案——调 omd MCP dag_research(可能带 mcp__omd__ 前缀;未加载先 ToolSearch "dag_research"),council: true。解空间宽时一次性答案落在概率分布的平庸中心;多样 persona 把生成拉进不同专家区,多 lens judge 抵单评判偏见。diversity > volume,不是重采样 N 遍。

用法

• question = 问题 + 你整理的上下文(现状/约束/已知选项);council: true;深题加 super: true(全 framing × 全评判维度)。
• 返回 {runId, reportPath, summary}——summary 进对话,全文在 reportPath(.omd/research/),关键决策 Read 报告看各 lens 冠军 + 评审细节,别只看 summary。
• 转述:冠军 + 为何胜 + 从亚军嫁接了什么(不是 N 选 1 裸结论)+ 你自己的判断(你有议会没有的对话上下文)。

三个 default lens(persona conditioning)

lens	persona	angle
mvp	务实交付型工程主管	最小可行切口,最快验证闭环,砍非核心
risk	资深 SRE + 安全工程师	从失败模式/边界/不可逆点倒推,先堵风险
first-principles	第一性原理思考者	重构问题本质,质疑前提,找最简结构

接地档(领域岔口 · 反 happy-path)

领域正确性岔口(会计/法务/运营)+ 真实世界脏乱 + 选错难逆 → 默认 lens 太泛,换四步:

1. 市场先验(别假设):先用 dag_research(普通检索版,不开 council)查竞品/实务真实做法,当 persona 的硬证据基线。query 要短(长 query 检索零结果 → 拆焦点词)。
2. 领域角色 persona:换题目真实角色——每天干这活的操作者 / 合规审计 / 自动化第一性 / 生命周期末端(如年底关账)。各角色独立并行判、不互看,都喂步骤 1 的硬证据(从事实吵不从 vibe)。
3. 判据轴 = 反 happy-path 场景:明令用脏数据 · 并发 · 部分失败 · 跨边界 · 生命周期末端 · 量级膨胀去判每个选项(「auto-X 在年底会不会滚成噩梦」),否则 persona 也按 happy-path 答。
4. judge 择优 + 嫁接:看共识(全票同向 = 强信号);冠军 + 嫁接正交亮点(最优解常是让争论变小,非选一项)。领域红线不下放(council 作输入,owner 终裁);收敛 owner 直觉的对内核,不硬否。

与既有 skill 的边界

• omd-council = 宽解空间横向铺宽多方案择优。纵向掘深单条决策线 → /omd-grill(岔口可 fire council);审已写代码 → /omd-review;根因调试 → /omd-debug。
• 单一明确解直接做;定型结论走 /omd-note 或 path_rule(/omd-rule)落盘。