adversarial-prompting

核心用法

Adversarial Prompting 是一套结构化的问题解决方法论，通过七个递进阶段将对抗性思维系统化：首先生成3-7种差异化解决方案，随后对每个方案进行严苛的批判性审查（涵盖边缘案例、安全漏洞、性能瓶颈、可扩展性限制等维度），针对发现的弱点开发具体修复策略，验证修复措施的有效性，整合各方案优势形成综合解法，最终按可行性、影响力、风险等级排序输出推荐方案。该技能特别适用于架构决策、复杂调试、性能优化、高风险商业策略等需要深度前置分析的场景。

显著优点

系统性风险前置识别：强制在行动前暴露失败模式、隐藏假设和灾难性场景，避免"事后救火"。多维度方案对比：突破单一思维路径依赖，通过方案间的交叉验证提升决策质量。透明化推理过程：全程展示思考链条，便于团队审查和知识沉淀。可操作的输出：最终推荐包含具体实施步骤、成功指标和预警机制，直接指导执行。

潜在缺点与局限性

时间成本高昂：完整七阶段流程对简单问题属于过度设计，明确不适用于时效性强的紧急决策。依赖输入质量：若问题定义模糊，生成的方案可能偏离核心需求。批判疲劳风险：过度追求完备性可能导致"分析瘫痪"，尤其在信息不完备的早期阶段。修复验证的主观性：Phase 4的自我验证可能存在盲区，缺乏外部独立审查机制。自动化导出隐患：配套脚本虽经安全处理，但未经用户确认直接写入文件可能引发隐私顾虑。

适合的目标群体

技术团队负责人（系统架构师、技术经理）、战略决策者（产品经理、业务负责人）、以及需要处理高风险复杂问题的专业顾问。特别适合那些曾因"没想到"而付出惨痛代价、希望建立系统性风险预判能力的组织。

使用风险

性能层面：深度分析可能消耗大量token/计算资源，长文本输出对上下文窗口有要求。依赖项风险：导出功能依赖本地Python环境，路径处理虽经清理但仍存在理论上的文件系统交互风险。认知偏差：对抗性框架本身可能制造过度悲观的决策氛围，需配合机会成本分析平衡。版本迭代：作为v1.0.0首次发布，长期维护稳定性和社区反馈积累尚待观察。