97 个思维模型 + 99 个认知偏误：一套让 AI 帮你系统思考的思维工具箱
读《穷查理宝典》时，有两样东西让我印象最深。
第一是多元思维模型。芒格说，如果你只有一把锤子，那你看什么都像钉子。真正的智慧来自跨学科的知识积累——数学的复利、物理学的临界点、生物学的进化论、心理学的误判倾向，每一门学科的核心模型都是你工具箱里的一件工具。工具越多，面对复杂问题时你就越不容易走偏。
第二是人类误判心理学。芒格总结了 25 种让人做出愚蠢决策的心理倾向——社会认同、过度乐观、被剥夺超级反应……他把这些叫作”防蠢清单”。做重要决定之前，他会逐一核对，检查自己是不是正在掉进某个认知偏误的坑。
这两样东西加在一起，就是芒格做决策的完整流程：先系统分析问题，再检查自己有没有犯认知偏误。
我一直想把这一套用在自己的日常决策里。但问题很实际：芒格的模型和偏误散落在书的各个章节里，遇到具体问题，我根本没那个功夫去翻书对照。我需要的是——遇到问题时，立刻调出最相关的模型来帮我思考。
这就是我做这两个项目的出发点。
从书到 Skill
做法是用了一个叫 book-to-skill 的工具。原理很简单：把 PDF、EPUB 等格式的书籍提炼成结构化的 Skill 文件，让 AI Agent 可以直接使用。每本书拆成核心框架、逐章摘要、术语表等几个部分，AI 只加载核心框架到上下文里，按需调取具体章节，而不是把整本书塞给它。
我用这个工具处理了两本书：
- 《Super Thinking: The Big Book of Mental Models》（Gabriel Weinberg & Lauren McCann）——提炼出 97 个思维模型
- 《The Art of Thinking Clearly》（Rolf Dobelli）——提炼出 99 个认知偏误
生成了一套 Skills，放在了 GitHub 上。
两个 Skills 的内容
Super Thinking 包含 97 个思维模型，按问题域分成 8 类：
- 认知与清晰思考（18 个）——第一性原理、奥卡姆剃刀、确认偏误、灰色思维……
- 决策与选择（18 个）——决策树、期望值、沉没成本、黑天鹅……
- 系统思维与冲突（25 个）——公地悲剧、古德哈特定律、囚徒困境……
- 人际与领导力（12 个）——刻意练习、彼得原理、DRI、邓巴数……
- 战略与市场（10 个）——护城河、产品市场契合、颠覆性创新……
- 统计素养（4 个）——幸存者偏差、贝叶斯定理、均值回归……
- 自然与系统（6 个）——飞轮、临界质量、熵、反脆弱……
- 生产力（4 个）——艾森豪威尔矩阵、帕累托法则、深度工作……
每个模型都按 R-I-A-E-B 的结构组织：原文精要、方法论骨架、历史应用和触发场景、可执行步骤、边界与限制。AI 调用时不仅解释概念，还会给出可操作的行动方案。
拿”逆向思维”（Inversion）这个模型举例：
R — 原文：“Invert, always invert. Thinking about a problem from an inverse perspective can unlock new solutions and strategies.”
I — 方法论：与其问”如何成功”，不如问”如何避免失败”。成功往往需要多个要素同时满足，而失败只需一个关键错误——因此避免失败比追求成功更容易操作。芒格的名言”告诉我我会死在哪里，我就永远不去那个地方”就是这个思路。
A1 — 历史案例：投资中大多数人从”如何赚更多钱”的角度思考，逆向方法是从”如何不亏钱”的角度出发。这导致完全不同的策略——更注重风险控制、分散投资和下行保护。
E — 怎么做：第一步，明确正向目标；第二步，反转问题——“如何让项目失败？如何毁掉健康？“列出所有可能导致负面结果的行为；第三步，针对这些负面行为制定避错策略。
B — 边界：正向积累型的问题（如学习技能）仅靠避免错误不够；需要积极创新的场景中，纯逆向思维可能过于保守。
Thinking Clearly 包含 99 个认知偏误，按偏误类型分成 9 类：
- 概率与统计盲区（12 个）——幸存者偏差、赌徒谬误、忽视概率……
- 社会影响偏误（10 个）——社会认同、权威偏误、光环效应……
- 自我认知扭曲（12 个）——过度自信、自利偏误、控制错觉……
- 决策陷阱（14 个）——沉没成本谬误、选择悖论、行动偏误……
- 情感驱动偏误（8 个）——损失厌恶、情感启发式、稀缺谬误……
- 信息处理偏误（12 个）——确认偏误、可得性偏误、框架效应……
- 时间相关偏误（8 个）——双曲贴现、计划谬误、峰终定律……
- 归因与解释偏误（10 个）——基本归因错误、虚假因果……
- 其他偏误（13 个）——司机知识、逆火效应、同义反复……
两个 Skills 加起来一共 196 个模型/偏误，覆盖 800+ 个具体问题场景。每个场景都是一句具体的话，描述你什么时候会遇到这个问题——比如”你在和人争论一个重要问题，发现自己只记得支持自己观点的证据”对应确认偏误，“做了个功能没人用但舍不得砍”对应沉没成本。
使用流程的设计
两个 Skill 的使用流程是我特意设计的。
市面上的思维导图和知识清单，大都是按”分类”组织的——你得先知道自己需要哪类知识，再去翻对应的章节。但我想要的是：你描述问题，AI 来匹配。
这就是为什么每个 Skill 都内置了一张索引表。
以 Super Thinking 为例，它的核心是一张问题域索引表，像这样：
| 你面临的处境 | 最适合的思维模型 |
|---|---|
| 有几个选项，各有不同的风险和收益，不知道怎么比较 | decision-tree, expected-value, cost-benefit-analysis |
| 明明现在的情况不对，但就是走不出来 | sunk-cost, opportunity-cost, boiling-frog |
| 总是用老办法解决新问题，效果不好 | maslows-hammer, first-principles, paradigm-shift |
| 设计了一个考核制度，结果大家钻空子 | goodharts-law, perverse-incentives, cobra-effect |
8 个问题域、400+ 行这样的映射，覆盖了从个人决策到组织管理、从创业到谈判的各种场景。
你调用 /super-thinking、描述问题之后，AI 不会凭空编一个答案。它会先扫描索引表，找到你的问题落在哪个域，然后从该域中选出语义最匹配的思维模型，加载对应的模型文件，用里面的执行步骤给出可操作的方案。
Thinking Clearly 也是同样的设计——只不过索引表里换成了 400+ 个生活场景到 99 个认知偏误的映射。
这个设计的价值在于：你不用先知道该用哪个模型，只需要描述你遇到了什么问题。 匹配交给 AI，但匹配的依据——索引表的内容和结构——是我在设计 Skill 时逐条梳理好的。
具体的安装和使用方法，可以看 GitHub 上的 README：