多视角：让 AI 用五个身份审视同一个问题

前几天我想找一个自己写过的技能，翻遍了电脑都没找到。最后发现它躺在另一个工具库里，只是没接到我常用的那个上。

这让我意识到一件事：我攒了不少技能，但它们大多散落在各个目录里，我记不清每个是干什么的、怎么用、当初为什么写。技能需要被写下来，才能被真正用起来。

所以我想开一个栏目，把自己常用的技能一个个写成文章。既是存档，也是分享。这是第一篇。

一个问题，只会得到一个视角的答案

我们向 AI 提问时，通常是这样：

帮我研究一下人形机器人的商业化前景。

然后 AI 给你一份看起来很全面的回答。但你仔细看，会发现它说的都是所有人都会说的那些话——主流观点、最常见的框架、最容易找到的信息。

问题不在 AI 不够聪明，而在问题本身。一个问题，只会得到一个视角的答案。

斯坦福 OVAL 实验室在 2024 年的 NAACL 会议上发表过一个叫 STORM 的系统，全称是"通过检索与多视角提问合成主题大纲"。它的核心发现很朴素：不要只问一个问题，要问五个。

他们把同一主题交给五个不同的专家身份去研究，然后看这些视角在哪里意见不一致。论文里有一组数据：相比传统的"先列大纲再检索"方法，STORM 生成的文章在组织性上高出 25 个百分点，覆盖面高出 10 个百分点。

我觉得真正有价值的不是那 25%，而是它背后的判断——矛盾本身就是信息。

五个视角，三种张力

这套方法默认用五个身份来扫描一个课题：

• 实践者：每天都在做这件事的人，知道哪些是外人看不见的
• 怀疑者：哪些假设可能是错的、被高估的、脆弱的
• 动机分析者：谁受益、谁买单、什么在驱动行为
• 历史模式分析者：过去有哪些相似案例、周期、类比
• 证据审查者：定义、数据质量、证据的边界在哪

这五个不是随便选的。它们覆盖了三种张力：做事的人与想事的人、信的人与疑的人、当下与历史。

视角也可以换。研究一个医疗话题，可能需要临床医生、患者、支付方、监管者、研究者。研究一家公司，可能是客户、运营者、竞争者、投资人、监管者。关键是让它们真的不一样，而不是换个名字说同一件事。

它的工作流程

完整流程是四步：

第一步，五视角扫描。 每个视角回答：你最先注意到什么？你认为大多数人误解了什么？你会依赖什么证据？你会警告我不要轻信什么？接下来该问什么？

第二步，画矛盾地图。 五个视角在哪里一致、在哪里打架、为什么打架——是利益不同，还是时间尺度不同，还是定义不同？哪个分歧对决策最重要？

第三步，综合。 分开"大概率成立的"“仍有争议的"“盲区"“实际含义"“下一步行动”。

第四步，同行评审。 标出证据薄弱的地方、缺失的视角、来源缺口、过度自信的论断。

输出是一份简报：主题框定、五视角扫描表、矛盾地图、综合、行动建议、置信度与来源缺口、同行评审笔记。

我最喜欢的一种用法

除了研究课题，它还能用来审视一个观点。

比如你有一个半信半疑的判断：

用多视角帮我审视这个观点：短视频正在摧毁深度阅读

你把这句话交给它，让五个视角轮流攻击它——实践者说短视频用户其实也在深度消费，怀疑者说这个因果链根本没被证明，历史模式分析者说每次新媒介出现都有类似的恐慌，证据审查者说"深度阅读"这个词本身就没有统一定义。

看完之后，你对这个判断的把握会完全不一样。它不一定告诉你对错，但会告诉你这个判断建立在什么之上、哪里最脆弱。

必须说清楚的边界

它不替代真实检索。 如果你需要来源、引文、当前事实，或者涉及投资、法律、医疗判断，它必须先联网或使用你提供的材料，否则不能下事实性结论。

它不是斯坦福的 STORM 软件。 它只是借用了那套方法论，属于"STORM 启发”。斯坦福那套系统是开源的，用 MIT 许可，如果你想要完整的软件实现，可以直接去找它。

它不适用于简单查询。 “某公司 CEO 是谁"这种问题，直接问就好，不用绕这一圈。

还有一条我特意写进了技能里：不要用五个标签说同一件事。 如果五个视角的答案听起来都差不多，那说明这次研究失败了——你只是把一句话换五种说法讲了一遍。

为什么我要把它写下来

回到开头。我攒技能的习惯有点像个囤积癖——看到好方法就收着，但很少回头整理。结果是：用过的记不住，没用过的想不起来。

写成一篇文章就不一样了。为了写清楚，我得回答：它是干什么的？它解决什么问题？它什么时候不管用？这些问题的答案，本身就是技能的一部分。

而且，写下来的东西可以被分享。一个技能只躺在我的硬盘里，价值就是一个人；写成文章，可能对别人也有用。

这个栏目我会慢慢写下去。下一个写什么，我还没想好。