核心功能
Pattern Finder 是一款专注于双源模式发现的智能分析工具，其核心使命是帮助用户穿透表面差异，识别两个独立来源中隐藏的共识。
核心用法
1. 双源输入：接收两个来源（提取后的原则或原始文本）
2. 智能匹配：寻找同一核心思想的不同表达方式
3. N-Count验证：将独立来源的共识标记为 N=2 验证级别
4. 三向分类：清晰划分「共享模式」「仅A独有」「仅B独有」
显著优点
- 验证机制科学：N=2 概念极具价值——独立来源的巧合共识比单一来源更可信
- 匹配精度高：区分「同义词替换」与「真正理念重合」，避免虚假匹配
- 侦探式体验：设计团队刻意营造「发现信号」的愉悦感，非机械对比
- 输出结构化：JSON 格式便于后续集成到知识管理系统
- 演进路径清晰：明确指向 N≥3「Golden Master」的升级路线
潜在局限
- 范围限制：仅限双源对比，无法直接处理三源及以上合成（需调用 core-refinery）
- 依赖前置提取：最佳效果需配合 essence-distiller/pbe-extractor 使用
- 无真伪判断：工具明确声明「共识≠正确」，需用户自行验证
- 主题敏感性：若输入来源主题差异过大，可能无法产生有效匹配
- 英文优化：示例和界面语言以英文为主，中文场景适配程度待验证
适合人群
- 研究者：验证理论是否被独立发现
- 内容策展人：识别跨来源的持久原则
- 产品经理：对比竞品核心逻辑的重叠与差异
- 知识管理实践者：构建可验证的个人知识库
- 决策分析师：寻找多方信源的交叉验证
常规风险
| 风险类型 | 说明 | 缓释建议 |
|---------|------|---------|
| 虚假安全感 | N=2 被误解为「已被证明正确」 | 仔细阅读免责声明，保持批判思维 |
| 选择偏差 | 用户可能倾向选择易达成共识的来源 | 主动纳入观点差异大的来源进行对比 |
| 过度简化 | 复杂议题被压缩为「同意/不同意」 | 关注 divergence_analysis 中的版本漂移和领域特异性分析 |
| 数据隐私 | 来源内容上传至云端处理 | 避免输入敏感或机密信息 |
技术亮点
该工具采用语义等价检测而非关键词匹配，能理解 "Fail fast, fail loud" 与 "Expose errors immediately" 表达同一原则，同时识别 "Fail fast" 与 "Fail safely" 的表面相似下的实质差异。这种深度理解能力使其区别于简单的文本对比工具。
来源：Obviously Not AI 官方技能文档，开发者背景待进一步验证