Compare

Compare 是一项专注于消除决策偏见、提升比较严谨性的结构化分析框架。它通过强制"研究对等"原则和置信度校验机制，确保用户在对比产品、服务或方案时，不会因信息收集的不均衡而得出误导性结论。

核心用法遵循五步协议：首先加载领域默认标准并叠加用户偏好，建立加权评价维度；随后进入关键的研究对等阶段，系统要求对每个比较对象在各维度上达到同等研究深度，明确追踪信息来源数量；第三步进行置信度检查，验证数据源质量、时效性和平衡性；第四步通过加权公式计算最终得分并展示计算过程；最后以结构化格式呈现对比结果，包括胜出方、差距幅度、关键警告及条件替代方案。整个过程强调透明可审计，所有权重和评分逻辑清晰可见。

该 skill 的显著优点在于其防偏见机制。通过强制要求研究深度对等，有效避免了"确认偏误"和"可得性启发"等常见认知陷阱。加权评分系统让决策标准显性化，减少主观随意性。此外，明确的"Decline When"机制确保了在信息不足时宁可拒绝也不误导，这在 AI 辅助决策工具中尤为难得。

然而，该 skill 也存在一定局限性。它对研究深度的高要求可能导致比较过程耗时较长，不适合需要即时结果的快速决策场景。同时，该框架本身不直接获取外部数据，必须依赖 WebFetch、ToolSearch 等工具补充信息，若配套工具质量不佳会影响比较结果。另外，preferences.md 等记忆文件需要用户手动维护，长期使用需要一定的文件管理成本。

适合使用 Compare 的人群包括产品经理、采购决策者、投资分析师、研究人员以及任何需要进行多维度复杂比较的专业人士。特别适合那些曾因"信息不对称"或"评价标准混乱"而做出错误决策的用户。

使用风险方面，主要需注意性能开销：严格的研究对等检查可能显著延长响应时间。此外，该 skill 依赖外部工具获取实时数据，若网络工具失效或返回低质量信息，比较框架的严谨性将无从谈起。最后，虽然框架本身安全，但用户应警惕过度依赖 AI 比较结果而忽视实地调研，对于涉及重大财务或安全风险的决策，建议仅将此 skill 作为辅助参考。

核心功能

Compare 是一套对比分析方法论框架，而非自动化工具。它强制要求用户在对比多个对象时遵循严格的"研究对等"原则——即所有待比较项必须在每个维度上获得同等深度的研究，才能进入评分环节。这一设计直接针对人类对比分析中最常见的认知偏误：确认偏误（confirmation bias）和可得性偏误（availability bias）。

显著优点

1. 认知偏误防护机制：通过"Research Parity"（研究对等）协议强制平衡信息输入，避免"5篇A的评论 vs 1篇B的评论"这类失衡对比
2. 置信度透明化：每个评分维度都标注置信度，让用户明确知道结论的可靠边界
3. 可解释性设计：公开计算公式 Final = Σ(criterion_score × weight)，结果可追溯
4. 动态学习：支持从用户反馈中更新偏好权重，形成个性化对比模型
5. 拒绝输出低质结论：当研究对等无法实现时，主动拒绝生成对比结果

潜在局限

• 执行成本高：严格的对等研究要求可能显著延长分析时间
• 依赖用户自律：框架本身无强制约束力，最终执行质量取决于使用者的 discipline
• 领域知识门槛：需要正确加载 domains.md 中的领域默认标准，对新手不够友好
• 无自动化集成：纯文档型设计意味着所有研究需人工完成，无法自动抓取和聚合数据

适合人群

• 需要撰写正式对比报告的研究者、咨询师、产品经理
• 面临重大决策（择业、购房、选型）且希望降低后悔概率的个人
• 对"信息茧房"有警觉、主动寻求认知平衡的知识工作者

常规风险

| 风险类型 | 说明 | 缓释措施 |

|---------|------|---------|

| 执行走样 | 用户可能跳过"研究对等"步骤 | 框架提供显式检查清单，但无法强制 |

| 权重设置偏误 | 初始权重若由单一来源设定可能失偏 | 建议多轮校准或使用领域默认值 |

| 过度自信 | 量化评分可能制造"精确幻觉" | 强制标注置信度和 caveats |

与自动化对比工具的区分

对比表生成工具（如产品对比网站）追求效率，Compare 追求认知严谨性。它更适合"高 stakes、不可逆"的决策场景，而非日常快速参考。