核心用法
Adversarial Prompting 是一套七阶段结构化问题解决框架，核心在于主动寻找失败模式而非被动接受方案。用户提出复杂问题后，系统依次执行：生成3-7种独立解决方案→对每个方案进行全方位批判（边缘情况、安全漏洞、性能瓶颈、隐性假设等）→为每个弱点设计针对性修复→验证修复是否引入新问题→整合最优元素形成强化方案→按可行性/影响/风险/资源四维度排序→给出唯一顶层推荐及实施路线图。
显著优点
1. 系统性防错：强制暴露潜在失败点，避免"乐观计划偏见"
2. 透明推理链：所有批判与修复逻辑可见，便于审计和团队共识
3. 高 stakes 适用：特别适合架构决策、安全评估、重大商业策略等不可逆决策
4. 方案整合能力：不仅比较选项，更能融合多方案优势生成更优解
5. 可交付产出：自动导出 Markdown 报告，支持后续复盘与沟通
潜在缺点与局限
- 时间成本高：完整七阶段流程对简单问题过度设计
- 认知负荷重：需持续在"建设者"与"破坏者"角色间切换
- 可能过度分析：存在分析瘫痪风险，对时间敏感场景不适用
- 依赖初始方案质量：Phase 1 若遗漏关键解法类型，后续批判失去意义
- 无外部验证：修复方案的有效性依赖自我检查，缺乏真实世界测试
适合人群
- 技术负责人处理架构级决策或生产事故根因分析
- 产品经理评估复杂功能路线的权衡
- 安全工程师进行威胁建模与漏洞评估
- 战略团队制定进入新市场或商业模式转型的关键决策
- 不适合：需要快速响应的运维故障、已有明确最优解的标准化任务
常规风险
| 风险类型 | 说明 |
|---------|------|
| 伪全面性 | 看似覆盖所有弱点，实则遗漏黑天鹅式系统性风险 |
| 修复副作用 | Phase 4 自我验证可能产生盲区，复杂修复引入级联问题 |
| 实施落差 | 理论完美的推荐方案可能因组织政治、资源约束无法落地 |
| 过度自信 | 结构化流程本身可能让用户低估残余风险 |