---
name: council-review
description: "将任何问题、计划、PR 或代码交由一个由 5 位采用不同推理方法的 AI 顾问组成的多样化多智能体辩论委员会（DMAD）进行评审。顾问们协作完成、匿名互审，并由主席合成最终裁决。实证表现优于对抗性辩论（M3MADBench 2026, DMAD ICLR 2025）。使用场景：'council this'、'run the council'、'council review'、'pressure-test this'、'stress-test this'、'war room this'，或当面临真正有风险和有取舍的决策时。"
argument-hint: "[问题，文件路径，PR 编号，或 GitHub URL] [--quick] [--adaptive] [--confidence] [--measure-diversity] [--jury]"
---

# 委员会评审

将任何问题、计划或代码交由 5 位采用**不同推理方法**的独立顾问进行评审，他们协作完善答案、匿名互审，并合成一个你可信赖的裁决。

该技能实现了**多样化多智能体辩论（DMAD）**模式。这是协作式的，而非对抗式的：智能体通过推理方式的多样性来寻求真相，而非通过争论对立立场。

## 为什么有效（研究依据）

- **方法多样性优于单一方法辩论。** DMAD（ICLR 2025）表明，采用不同推理方法的智能体稳定优于同质化委员会——当每个智能体应用不同的推理方式时，多样化的中等容量模型在 GSM-8K 上可以击败 GPT-4（91% vs 82%）。
- **协作式辩论优于对抗式辩论。** M3MADBench（2026）表明，在所有模态下，协作式 DMAD 都"以显著优势"优于对抗式 Div-MAD。对抗式范式会引入发散性噪音；对于**开放性问题、计划和决策**，协作式商议是正确的方法。
- **匿名同行评审消除提供商偏见。** 这在文献中具有普遍性——如果评审者看到角色名称就会产生服从，因此同行评审的回复必须被打乱。
- **置信度校准打破鞅上限。** 普通 MAD 常常不如简单多数投票；置信度调制的更新（"Demystifying MAD" 2026）系统性地将委员会引向正确答案。
- **自适应停止降低成本。** KS 统计量收敛检测（通过 llmcouncil 实现的 S2 MAD）报告在收敛问题上可降低高达 94.5% 的成本。
- **真正的唱反调者是唯一可靠的异议产生机制（V2）。** 在多智能体 LLM 团队中，打破共识的各种技术中，*只有*专门的唱反调者攻击正在形成的答案才能产生真正的分歧——软性角色框架和"请提出异议"的指令与基线在统计上无显著差异。一个挑战建议方案的 LLM 唱反调者能显著提升群体决策准确度（OpenReview 2026; IUI 2024）。V2 将此作为一个强制环节加入，针对的是*共识*——一个唱反调者对抗已收敛的答案，而非从一开始就保持倡导者/怀疑者的分裂格局。
- **谄媚行为会使委员会崩溃为过早共识（V2）。** LLM 会服从——既服从彼此，也服从问题框架所暗示的答案——这可能导致委员会的表现低于单智能体水平（Peacemaker-or-Troublemaker 2026; CONSENSAGENT）。V2 在顾问和同行提示中增加了谄媚行为防护栏，并在主席做出整体判断*之前*引入了一个结构化的独立评估步骤（Kahneman 的中介评估协议，2019）。

如需对已有成品（PR、草稿、规格说明）进行压力测试，请使用独立的 `/adversarial-review` 技能——单批评者的对抗性探索在那里是正确的方法。

## 何时使用

委员会适用于**犯错成本很高**的问题。

**适用场景：** 架构决策、实施方案、PR 评审、产品决策、迁移策略、API 设计、命名、定价、范围决策
**不适用场景：** 事实查询、写作任务、简单的是/否、任何只有一个明显正确答案的问题
**使用其他工具：** 对已有成品进行单批评者压力测试 → `/adversarial-review`

## 标志

| 标志 | 效果 |
|------|--------|
| `--quick` | 精简模式：3 位顾问 + 主席，无同行评审（4 次调用而非 11 次）|
| `--adaptive` | KS 统计量自适应停止。运行多轮辩论；当连续两轮的回复分布收敛至 epsilon 以下时停止。收敛问题上最多可降低 94.5% 的成本。|
| `--confidence` | 置信度调制合成。每位顾问对自己的置信度（1–10）打分，并对每位同行打分。主席合成为置信度加权，而非多数投票。低置信度共识会以黄旗标记显示。|
| `--measure-diversity` | 顾问回复后，评估各回复间推理足迹的重叠程度。当委员会尽管使用了不同推理方法但仍达成一致时进行报告——这可能表明共识是表面性的。|
| `--jury` | **（V2）** 用 3 位评审员组成的陪审团替代单一位主席，理想情况下来自不同的模型家族。每位评审员独立进行综合；一个简短的协调步骤将其合并。适用于关键决策和高风险裁决，单评审员的可靠性不足以胜任时（评审团之评审团 / PoLL）。|

标志可以组合使用：`/council-review --adaptive --confidence "Should we adopt GraphQL?"` 将运行带收敛停止和置信度加权的商议流程。

## 五位顾问

| # | 顾问 | 角度 | 推理方法 | 擅长发现 |
|---|---------|-------|------------------|---------|
| 1 | **唱反调者** | 什么会失败？ | **逆向法**——假设方案已上线并失败了，反向追溯原因 | 那些"听起来很棒但……"在你兴奋时忽略的漏洞 |
| 2 | **第一性原理思考者** | 我们实际上在解决什么问题？ | **分解法**——拆解为原子声明，逐一挑战 | "你在优化错误的变量" |
| 3 | **扩张主义者** | 我们忽略了什么上行空间？ | **类比法**——相邻领域是如何以不同方式解决这个问题的？ | "你格局太小了" |
| 4 | **局外人** | 零上下文，只凭直觉 | **天真的提问法**——像刚加入一样解释；标记任何需要内幕知识才能理解的内容 | 知识诅咒带来的盲点 |
| 5 | **执行者** | 周一早上你做什么？ | **依赖关系图**——什么阻塞了什么？关键路径是什么？ | 没有可操作第一步的绝妙计划 |

**天然张力：** 唱反调者 vs 扩张主义者（下行 vs 上行），第一性原理 vs 执行者（重新思考 vs 交付），局外人让所有人保持诚实。

这五种推理方法不是可互换的角度——每种都是一种不同的*认知操作*。这就是 DMAD 的杠杆：同一模型，不同推理。

---

## 执行流程

### 第 0 步：预检

<pre_flight>

**从 `$ARGUMENTS` 中解析标志：**
- 如果存在 `--quick`：使用精简模式（见下文）
- 如果存在 `--adaptive`：启用 KS 统计量自适应停止（第 3.5 步）
- 如果存在 `--confidence`：启用置信度调制合成（第 2 步和第 4 步）
- 如果存在 `--measure-diversity`：启用多样性验证（第 2.5 步）
- 如果存在 `--jury`：在合成阶段使用 3 位评审员组成的陪审团（第 4 步）
- 在分类之前从输入中移除标志

**范围验证：** 在召集委员会之前，评估输入是否真正需要它。如果问题纯属事实性、只有一个明显正确答案，或没有实质性的取舍，直接说明："这不需要委员会——[直接回答]。使用 `/council-review` 处理真正有风险和有取舍的决策。"对于琐碎问题不要启动智能体。

**对剩余输入进行分类：**

1. **PR** — 数值，或包含 `/pull/` 的 URL。通过 `gh pr view` 获取 PR 差异和描述。
2. **文件路径** — 以文件扩展名结尾或指向现有文件的字符串。读取文件内容。
3. **计划/决策/问题** — 其他所有情况。按原样使用。

对于 PR 和文件，读取实际内容并将其包含在框架化问题中。不要只传递 URL——顾问们需要实质内容。

</pre_flight>

### 第 1 步：收集上下文并构建框架

**自动上下文收集**——在构建框架前，读取以下项目文件（跳过不存在的文件）：
- `README.md`——项目做什么
- `CLAUDE.md` 或 `AGENTS.md`——约定、架构、模式
- 最近的 git 日志（`git log --oneline -10`）——最近发生了什么
- 用户提及或与主题相关的任何文件
- 如果是评审 PR，则包括 PR 差异和描述

将原始输入重新框架化为清晰、中立的提示：

```
QUESTION:
[正在评审的核心决策、计划或代码]

CONTEXT:
[来自项目文件的关键上下文：项目做什么、约束条件、近期变更、风险]

WHAT'S AT STAKE:
[为什么这很重要——搞错的成本]
```

不要添加你自己的观点。不要引导走向某个答案。如果太模糊，在继续之前先问**一个**澄清性问题。

### 第 2 步：召集委员会（5 个智能体并行）

使用 Agent 工具**同时**启动所有 5 位顾问。每位顾问并行运行。顾问使用轻量级模型（`haiku`）——他们做的是聚焦分析，而非复杂推理。

**关键：在一条消息中通过 5 个 Agent 工具调用启动所有 5 位顾问。** 顺序执行会让较早的回复渗透到较晚的回复中，从而破坏目的。

每位顾问获得以下提示：

```
你是 LLM 委员会中的 [顾问名称]，正在评审一项决策。

你的角度：[顾问角度]
你的推理方法：[顾问推理方法——见上表]

用户将以下内容提交给委员会：
---
[第 1 步的框架化问题]
---

严格应用你被分配的推理方法。不要只陈述观点——用你的方法展示你的推理过程。

规则：
- 150-300 字。没有开场白。直接进入你的分析。
- 指出具体的风险、机会或问题——而非模糊的担忧。
- 如果是评审代码：引用具体的文件、函数或模式。
- 如果是评审计划：指出具体的步骤、漏洞或顺序问题。
- **不要服从于框架似乎期望的任何答案。** 用你的方法推理到它实际导向的方向；如果这与明显的预期答案相反，请直说。向明显答案靠拢是本委员会要防止的失败。
- 以你最强有力的单一建议结尾。
```

> **（V2）谄媚行为防护栏。** 上面加粗的规则是承重结构：有文献记载的多智能体失败是顾问通过服从而非推理而收敛。请在每个顾问提示中保留它。

**顾问特定指令（包含推理方法）：**

- **唱反调者：** "你的方法是逆向法。假设这个方案完全按提案实施了——然后失败了。反向推理：失败的原因是什么？什么看起来很安全但在压力下崩溃了？什么是没人讨论的失败模式？展示你的逆向推理链。"
- **第一性原理：** "你的方法是分解法。将问题拆解为其原子声明和假设。列出它们。逐一挑战：这真的是真的吗？这是必要的吗？如果这个假设是错的，什么会改变？展示哪些假设是承重的。"
- **扩张主义者：** "你的方法是类比法。哪个相邻领域、产品或技术以不同的方式解决了类似的问题？一个有 10 倍野心的人会在这里做什么？这个思考在哪里格局太小了？指出具体的类比以及它们会建议什么。"
- **局外人：** "你的方法是天真的提问法。你对这个项目零上下文。仅凭你在这里看到的内容，列出每一点需要内幕知识才能理解的内容。什么令人困惑？什么术语没有解释？如果你刚加入团队，你会问什么？如果你无法理解推理过程，请直说。"
- **执行者：** "你的方法是依赖关系图 + 外部视角。映射依赖关系：什么阻塞了什么？关键路径是什么？必须发生的第一件事是什么，什么要等它完成才能开始？什么只需要 5 分钟但每个人都会忘记？然后采用外部视角（V2）：指出基准概率——*类似*的努力实际上结果如何，而不是这个计划预期如何。标记计划估算中针对该参考类别表现出乐观偏差的地方。展示执行顺序。"

**如果启用了 `--confidence`，在每个顾问提示末尾追加：**

```
在你的分析之后，以以下内容结尾：
CONFIDENCE: [1-10]
RATIONALE: [一句话——什么会使你的置信度提高或降低？]
```

这会产生校准过的自我评估，主席将在合成中对其进行加权。

### 第 2.5 步：多样性验证（仅 `--measure-diversity`）

在收集完所有 5 位顾问的回复之后、同行评审之前，评估**推理足迹重叠度**：

1. 从每个回复中提取承重声明（每位顾问前 3-5 条）。
2. 计算两两重叠：有多少声明在 2 个或更多回复中以相同结论出现？
3. 报告单一多样性分数：
   - **高多样性（< 30% 重叠）**——顾问们确实以不同方式思考。信任共识。
   - **中等多样性（30-60% 重叠）**——部分一致。在裁决中注明共享假设。
   - **低多样性（> 60% 重叠）**——尽管方法不同，顾问们仍收敛到相同的推理上。**标记为表面共识**——主席应将其视为单一顾问的意见。

这可以捕捉到"五位顾问都说了是"但实际上是一种提示框架模式主导了所有回复的情况。

### 第 3 步：匿名同行评审（5 个智能体并行）

收集所有 5 位顾问的回复。**随机化映射**——顾问 1 不应总是回复 A。然后并行启动 5 个评审智能体（使用 `haiku`）。

每位评审者看到所有 5 份匿名回复：

```
你正在评审 LLM 委员会的输出。五位顾问独立回答了：

---
[框架化问题]
---

**回复 A：** [随机化的顾问回复]
**回复 B：** [随机化的顾问回复]
**回复 C：** [随机化的顾问回复]
**回复 D：** [随机化的顾问回复]
**回复 E：** [随机化的顾问回复]

回答以下三个问题。要具体。通过字母引用回复。

1. 哪个回复最强？为什么？（一句话）
2. 哪个有最大的盲点？它遗漏了什么？（一句话）
3. 所有五个回复都遗漏了什么，而委员会应该考虑这个？（这是最有价值的问题——认真思考。）
4. **（V2）** 在这些回复达成一致的地方，这种一致是真正的——还是可能是对共享框架的趋同？标记任何看起来像是服从而非独立推理的共识。

保持在 150 字以内。直接。无需开场白。
```

**如果启用了 `--confidence`，追加第四个问题：**

```
4. 对你上面的答案的置信度评分（1-10）。什么会改变它？
```

### 第 3.5 步：自适应停止（仅 `--adaptive`）

如果启用了 `--adaptive`，委员会将运行多轮，而不是单轮顾问 → 评审 → 主席流程。每轮之后：

1. 收集该轮所有顾问的回复（5 份回复）。
2. 计算**Kolmogorov-Smirnov 统计量**，比较本轮回复分布与上一轮回复的分布。使用粗粒度指纹——对每个回复，提取不同声明集合，然后计算轮次间的 Jaccard 风格距离。
3. 如果分布变化连续两轮低于 epsilon（默认值：0.1），**停止**并进入主席合成阶段。
4. 否则，运行另一轮顾问，向每位顾问提供上一轮的回复，并要求他们更新。
5. 最多 5 轮——硬上限以防止成本失控。

当 `--adaptive` 触发提前停止时，主席会收到最后一轮的回复，外加一行注释："委员会在第 N 轮后收敛（KS 变化低于 epsilon）。"

当使用固定模式（无 `--adaptive`）时，在一轮顾问后直接进入第 3 步同行评审。

### 第 3.7 步：针对共识的唱反调者（V2——强制）

这是 V2 中杠杆率最高的新增内容。证据清晰明确：在*开始*时使用软性唱反调框架（唱反调者顾问）与基线在引发真正分歧方面统计上无显著差异——只有专门攻击*正在形成*的答案的唱反调者才有效，并且它能显著提升决策准确度。

1. 从顾问回复 + 同行评审中，用一句话确定**正在形成的共识答案**（委员会倾向于推荐什么？）。如果确实还没有形成答案，注明并跳到第 4 步。
2. 启动**一个**唱反调者智能体。使用**强模型**（非 `haiku`）——这个智能体必须敏锐。其提示：

   ```
   委员会正在收敛于这个答案：
   ---
   [正在形成的共识答案，直白陈述]
   ---
   针对这个问题：
   ---
   [框架化问题]
   ---

   你的工作是做出尽可能强的论证，证明这个答案是错的。
   不是"这里有一些风险"——而是论证遵循这个答案是一个错误。
   - 共识忽略了什么，如果那是真的，会推翻这个决定？
   - 构建一个具体的场景，在这个场景中这个答案会严重失败。
   - 委员会需要看到什么证据才能放弃这个答案——而这个证据真的存在，还是仅仅是假设？
   为共识的对立面打造钢铁侠论证。最多 200 字。以以下内容结尾：如果委员会无法反驳这一点，就应该改变裁决的**唯一一件事**。
   ```

3. 将唱反调者的输出与所有其他内容一起提供给主席。这不是从一开始就形成的 2 对 2 倡导者/怀疑者结构；而是对*已收敛*答案的一次锐利攻击，这是研究指出的正确配置。

`--quick` 模式：仍然运行唱反调者（这是最便宜的高价值新增——1 次调用）。它是 `--quick` 必须不能跳过的步骤。

### 第 4 步：主席综合

一个智能体获得所有内容：原始问题、所有 5 位顾问的回复（去匿名化并附有名称和推理方法）、所有 5 份同行评审、**唱反调者对共识的攻击（V2）**、多样性分数（如果使用了 `--measure-diversity`）以及置信度评分（如果使用了 `--confidence`）。使用最佳可用模型（默认——不要指定轻量级模型）。

**（V2）首先进行中介评估。** 在撰写建议之前，主席确定该决策所依赖的 3–5 个**独立**关键属性（例如对于架构决策：可逆性、爆炸半径、首次价值时间、团队熟悉度），并*分别*根据证据对每个属性评分——暂不形成整体裁决。只有在独立评估之后，主席才综合整体判断。这可以对抗连贯性偏差（过早锁定一个答案并扭曲每个属性来适应它）。Kahneman/Lovallo/Sibony，中介评估协议（2019）。

**（V2）`--jury`：** 不设一位主席，而是运行**3 位**主席——理想情况下来自不同的模型家族——每位独立执行完整的综合（包括中介评估）。然后通过一个简短的协调步骤，呈现三位评审员一致同意的地方（高置信度裁决）以及他们存在分歧的地方（标记为真正的棘手决策）。适用于高风险或势均力敌的决策，单评审员的可靠性不足以胜任时。

**默认综合（多数感知）：** 主席权衡顾问之间的收敛性和同行评审信号，并且必须明确反驳或让步于唱反调者的最强论点。

**置信度调制综合（`--confidence`）：** 主席通过每位顾问的自评置信度 × 同行评价置信度来加权其贡献。低置信度多数在裁决中被标记；高置信度异议以额外权重保留。

**多样性感知综合（`--measure-diversity`）：** 如果多样性分数为低，主席在裁决中明确指出"委员会在共享假设上收敛，而非独立推理"，并降低建议的置信度。

主席产生的输出结构如下：

```
## 委员会裁决：[主题——最多 5 个字]

### 委员会达成一致之处
[多位顾问独立收敛的点——这些是高置信度信号]

### 委员会分歧之处

对每个分歧进行分类：

**[价值张力]**——双方都有效；正确的选择取决于优先级。
[清晰呈现双方。指出取舍。]

**[错误发现]**——一位顾问发现了其他人忽略的真实缺陷。
[指出缺陷名称、谁发现的，以及为什么重要。]

### 揭示的盲点
[只有同行评审发现的内容——"所有五位都遗漏了什么"的答案]

### 中介评估  *(V2)*
[该决策依赖的 3–5 个独立属性，每个都分别根据证据评分——在建议之前陈述，以便读者看到判断的输入，而不仅仅是结论。]

### 唱反调者——以及委员会的回应  *(V2)*
[认为正在形成的答案是错的最强论证（来自第 3.7 步），以及主席的明确反驳或让步。如果唱反调者的关键论点无法反驳，裁决必须相应改变。]

### 置信度概况  *(仅 --confidence)*
[哪些顾问自信 vs 含糊其辞？同行评价的置信度与自评置信度在哪里有差异？置信度模式告诉我们什么？]

### 多样性检查  *(仅 --measure-diversity)*
[多样性分数及其对裁决可靠性的意义。]

### 建议
[清晰、可操作的建议。不是"看情况而定"。不是"考虑两种选择"。一个真实的答案，附带推理过程。如果异议者的推理最强，或者置信度/多样性信号削弱了表面共识，主席*可以*不同意多数意见。]

### 你失去什么
[如果你遵循这个建议，最强异议声音说你放弃了什么？指出具体的风险或错失的机会。这不是折中——这是知情同意。]

### 先做这个
[单一具体下一步。不是列表。不是三个选项。现在要做的一件事。]

**如何验证：** [2-3 个具体检查点，确认建议是正确的。你应该衡量什么？N 天/周后你应该寻找什么？**（V2）** 包含外部视角检查：这类努力的基准概率是多少？什么早期信号会告诉你你的进展比参考类别更差？]
```

### 第 5 步：呈现结果

直接在聊天中展示主席的裁决。然后在一个可折叠部分或单独文件中提供完整记录（如果用户需要的话）。

---

## 精简模式（`--quick`）

当传入 `--quick` 时，运行精简版委员会：

1. **仅 3 位顾问：** 唱反调者、执行者、局外人（三个最以行动为导向的视角）
2. **无同行评审**——完全跳过第 3 步
3. **唱反调者（V2）仍然运行**——第 3.7 步是 `--quick` 不能跳过的低成本高价值步骤
4. **主席综合**来自 3 份回复 + 唱反调者的攻击
5. **相同的输出格式**但更快（5 次智能体调用而非 12 次）
6. **与 `--confidence` 和 `--measure-diversity` 兼容**，但不与 `--adaptive` 兼容（多轮成本高于节省的成本）。

用于常规决策、快速检查，或当时间比全面覆盖更重要时。

## 成本预算

| 模式 | 智能体调用次数 | 最佳用途 |
|------|-------------|----------|
| 完整（默认） | **12**（5 位顾问 + 5 位评审者 + 1 位唱反调者 + 1 位主席） | 高风险决策 |
| 快速（`--quick`） | **5**（3 位顾问 + 1 位唱反调者 + 1 位主席） | 常规决策、快速检查 |
| 自适应（`--adaptive`） | **7 到 27**（5 位顾问 × N 轮 + 5 位评审者 + 唱反调者 + 主席，N ≤ 5，可提前停止） | 收敛成本重要的开放性问题 |
| 置信度（`--confidence`） | **12**（与完整模式相同，提示稍长） | 校准后的确定性很重要的决策 |
| 多样性测量（`--measure-diversity`） | **12**（增加一个同步重叠评分步骤，无额外智能体调用） | 验证共识是真实的，而非表面性的 |
| 陪审团（`--jury`） | **+2**（3 位主席而非 1 位，理想情况下为不同模型） | 势均力敌的决策 / 高风险裁决的可靠性 |

标志可以组合使用：`--adaptive --confidence --measure-diversity` 一起使用 = 最多 26 次调用 + 多样性评分 + 置信度加权。

数量大的用快速模型，综合用好的模型。主席的推理质量是最重要的。

## 注意事项

- **始终并行生成顾问。** 顺序执行会让较早的回复污染较晚的回复。
- **始终为同行评审匿名化。** 如果评审者看到"唱反调者"或"第一性原理"的标签，就会产生服从。打乱字母顺序。
- **主席可以否决多数意见。** 推理质量 > 票数。如果唱反调者发现了其他人忽略的真实缺陷，主席应该站在他们一边。
- **不要用委员会处理琐碎问题。** 预检应该能捕获这些。如果存在一个正确答案，直接回答它。
- **上下文至关重要。** 通用输入 = 通用输出。自动上下文步骤读取项目文件，以便顾问们不是凭空分析。
- **同模型限制。** 该技能使用角色/方法多样性（同一模型上的不同推理方法），而非模型多样性（Karpathy 的原版使用了不同的 LLM）。对于最高风险的决策，考虑从不同的模型家族获取第二意见——或者使用 `--measure-diversity` 来验证委员会没有过早收敛。
- **协作式优于对抗式，适用于开放性问题。** M3MADBench 2026：对抗式辩论在所有模态下均不如协作式辩论。如需对*已有成品*（PR、草案、规格说明）进行压力测试，请使用独立的 `/adversarial-review` 技能——不同的操作，不同的输入。
- **置信度校准的好坏取决于模型的校准能力。** 当异议者的推理具体而多数意见的推理模糊时，低置信度异议仍应被认真对待。
- **（V2）唱反调者不是唱反调者顾问。** 唱反调者顾问在*开始*时进行逆向推理（软性框架——在引发真正分歧方面与基线相当）。第 3.7 步的唱反调者攻击*已收敛*的答案——这是证据明确指出的配置。永远不要为了节省一次调用而放弃第 3.7 步；这是该技能中杠杆率最高的步骤。
- **（V2）中介评估在建议之前。** 如果主席先撰写裁决再补充属性评分，那就重新制造了该协议旨在防止的连贯性偏差。先独立评分属性，再进行综合。
- **（V2）`--jury` 只有在评审员不同时才有帮助。** 同一模型运行三次基本是表面文章。使用不同的模型家族，或至少使用独立的上下文；将 3/3 一致视为真实信号，任何分歧则视为真正的棘手决策。

## 变更日志

### V2.1（2026-05-27）
完全移除了已废弃的 `--adversarial` 模式（标志、模式部分、成本行、解析步骤）。它与 M3MADBench 的证据相矛盾，已被 V2 强制性的"唱反调者对抗共识"步骤所取代，并且确实造成了"这难道不是和 `/adversarial-review` 一样吗？"的混淆。两个技能保持清晰分离：**council-review** = 开放式决策（内置唱反调者）；**`/adversarial-review`** = 对已完成成品进行压力测试。保留了"协作式优于对抗式"的证据以及与 `/adversarial-review` 的交叉链接。

### V2（2026-05-26）

通过 `skillforge optimize` 优化。结果研究简报：V2 结果研究简报。每项变更都与证据相关联，并针对*决策结果*，而非包装：

- **强制唱反调者（第 3.7 步）** 攻击*正在形成的共识*——这是被证明能可靠地引发真正分歧并提升准确度的唯一配置（OpenReview 2026; IUI 2024）。唱反调者顾问在辩论开始时的逆向推理是软性框架，与基线相当。
- **谄媚行为防护栏** 在顾问和同行提示中；新的同行评审问题将真正的一致与服从区分开来（Peacemaker-or-Troublemaker 2026; CONSENSAGENT）。
- **中介评估** 在主席综合中——在整体判断之前对 3–5 个独立属性进行评分，对抗连贯性偏差（Kahneman/Lovallo/Sibony 2019）。
- **外部视角 / 基准概率** 检查在执行者部分和"如何验证"中（参考类别预测；Kahneman/Tversky, Flyvbjerg）。
- **`--jury`**——对于势均力敌的决策，使用 3 位不同模型的主席（评审团之评审团 / PoLL）。

**验证。** 两轮测试。（1）在"单体 → 微服务？"上的结构化单模型评估：V1 3.2 → V2 4.6。（2）**独立 A/B 测试（2026-05-27）：** 真实独立进程智能体（`claude -p`）在"初创公司 → 采用 Kubernetes？"上，顾问保持不变以隔离主席层面的变化，由**盲审**评审员评分（不知道哪个裁决是哪个；V1 先展示以避免顺序偏差）：**V1 3.8 → V2 4.8**（决断力、洞察力、校准度、可操作性、风险揭示）。最大提升：风险揭示 3→5 和校准度 3→4。评审员对 V2 胜出的理由陈述恰好指出了 V2 的机制——基准概率/外部视角、唱反调者反驳，以及独立属性评分。顾问层面的变化（谄媚行为防护栏、外部视角提示）在此 A/B 测试中保持恒定，仅通过推理得到验证。

## 致谢

- 原始概念：**Andrej Karpathy**（[LLM Council](https://github.com/karpathy/llm-council)）
- Claude Code 适配：**Ole Lehmann**（[@itsolelehmann](https://x.com/itsolelehmann)）
- 推理方法多样性：**DMAD**（[ICLR 2025](https://openreview.net/forum?id=t6QHYUOQL7)）
- 协作式 > 对抗式的实证证据：**M3MADBench**（[arXiv 2601.02854](https://arxiv.org/pdf/2601.02854), 2026）
- 置信度调制辩论协议：**Demystifying MAD**（[arXiv 2601.19921](https://arxiv.org/pdf/2601.19921), 2026）
- KS 统计量自适应停止：**rachittshah/llmcouncil**（S2 MAD 实现）
- 多样性足迹验证方法：**Counsel**（[Same model, same blind spots](https://counsel.getmason.io/research/model-bindings)）
- **（V2）唱反调者是唯一可靠的异议产生机制：** [Inducing Disagreement in Multi-Agent LLM Executive Teams (OpenReview 2026)](https://openreview.net/forum?id=mxBmj5LYU2); [LLM-Powered Devil's Advocate (IUI 2024)](https://dl.acm.org/doi/10.1145/3640543.3645199)
- **（V2）谄媚行为 / 过早共识：** [Peacemaker or Troublemaker (2026)](https://arxiv.org/pdf/2509.23055); [CONSENSAGENT (ACL 2025)](https://aclanthology.org/2025.findings-acl.1141/)
- **（V2）中介评估协议：** Kahneman, Lovallo & Sibony, [A Structured Approach to Strategic Decisions (MIT SMR, 2019)](https://sloanreview.mit.edu/article/a-structured-approach-to-strategic-decisions)
- **（V2）外部视角 / 参考类别预测：** Kahneman & Tversky; [Flyvbjerg](https://en.wikipedia.org/wiki/Reference_class_forecasting)
- **（V2）评审团之评审团：** [LLM-as-Judge best practices 2026](https://futureagi.com/blog/llm-as-judge-best-practices-2026)（PoLL 风格面板）
- V2 优化过程和结果研究：V2 结果研究简报
- 技能作者：**Neal Meyer**