Roast：颠覆AI助手模式，打造苏格拉底式思维拷问引擎

1. 项目概述当AI开始“拷问”你如果你用过市面上那些主流的AI助手不管是ChatGPT、Claude还是DeepSeek你大概率有过这样的体验你抛出一个想法它总能给你一堆“哇这个想法太棒了”、“很有创意”之类的积极反馈然后附上一份礼貌周全、面面俱到的“改进建议清单”。这种体验刚开始很爽但用久了尤其是在面对一些关键决策或复杂问题时你会感到一种深深的无力感——你需要的不是附和而是真正的、不留情面的挑战。你需要有人能像苏格拉底那样用一连串的“为什么”把你逼到墙角让你不得不直面自己逻辑中的漏洞和未经审视的假设。这就是Roast这个项目诞生的背景。Roast直译过来是“烘烤”或“严厉批评”它不是一个传统的AI问答工具而是一个“思维拷问引擎”。它的核心设计哲学是彻底颠覆人机交互的常态这一次不是你来提问AI而是AI来“拷问”你。它通过一套精心设计的深度提问框架和认知偏误检测机制强迫你对自己的想法进行层层剥茧式的深度思考。无论是创业者在打磨商业计划工程师在设计系统架构还是任何人在做人生重大决定Roast都能扮演那个最苛刻、最清醒的“诤友”角色。这个项目以“Agent Skill”智能体技能的形式存在这意味着它可以被集成到多种AI开发环境和工具链中比如Claude Code、Codex CLI、Cursor、Kiro和OpenClaw。它不是一个独立的应用而是一个可以嵌入到你日常工作流里的思考辅助模块。当你启动一次Roast会话AI会暂时“忘记”它助手的身份转而化身为一个严格的审查者其唯一目标就是通过连续、递进、绝不放过任何模糊地带的提问帮你挖掘出潜藏在潜意识深处的真实洞察和潜在风险。2. 核心设计理念与哲学基础2.1 从“助手”到“诘问者”的角色转变绝大多数AI助手的设计目标都是“帮助用户完成任务”这天然导致了它们的“取悦倾向”。为了提供“有帮助”的体验它们倾向于肯定用户的输入并在此基础上进行建设性的扩展。然而深度思考和创新往往诞生于对既有观念的挑战和否定。Roast的设计者敏锐地捕捉到了这一矛盾并做出了一个大胆的逆向设计让AI放弃“帮助者”的立场转而扮演一个“纯粹的提问者”。这个转变背后有深刻的哲学和心理学依据。苏格拉底的“产婆术”认为真理存在于每个人的心中需要通过不断的诘问和辩难才能被引导出来。理查德·费曼也强调第一原则思考和对自己诚实是接近真相的关键。Roast正是将这些思想工程化为一套可执行的AI交互协议。它严格遵循“只提问不回答只深挖不解决”的铁律将所有产生洞察的责任交还给用户本人。这种设计强迫用户从被动的信息接收者转变为主动的思考构建者从而真正“拥有”自己的结论。2.2 五层深度递进结构化挖掘思维盲区Roast的核心方法论是一个名为“五层深度”5 Depth Levels的提问框架。这个框架不是随机的而是模拟了人类深度思考时思维从表层现象向核心本质逐层穿透的过程。每一层都有其特定的攻击目标和思考维度且必须按顺序进行不能跳跃。D1 表层Surface这一层的目标是澄清概念和定义。当用户提出一个想法时Roast的第一个问题通常是“你说的‘X’具体指什么”、“能否用一句话不用任何行话解释清楚你的核心主张”。很多模糊的想法在这一层就会原形毕露。例如用户说“我想做一个颠覆性的社交产品”D1问题就会迫使他定义什么是“颠覆性”以及“社交产品”的具体形态。D2 结构Structure在概念清晰后Roast开始追问逻辑和证据。典型问题是“你得出这个结论的因果链条是什么”、“支撑你这个判断的具体证据有哪些是数据、案例还是逻辑推理”。这一层旨在检验想法内部的自洽性和与外部事实的连接牢固度。D3 假设Assumptions任何想法都建立在无数隐含的假设之上。D3的任务就是把这些假设从水下拉到水面。Roast会指出“你在这里假设了X条件成立。如果X不成立你的整个推论会怎样” 例如一个创业想法可能隐含了“市场增长率会持续”、“没有强大的新竞争者入场”等假设D3会系统地挑战这些默认成立的前提。D4 冲突Conflicts检视想法内部或想法与现实之间的内在矛盾。Roast会敏锐地捕捉用户前后表述的不一致“你刚才说A但现在又说B这两者似乎不能同时成立你如何解释” 或者“你的方案追求目标X但采用的手段Y似乎会损害X这里是否存在冲突”D5 核心Core这是挖掘的终点旨在剥离所有修饰、辩解和外围因素直指最根本的动机或原因。问题通常是“抛开所有表面理由你最真实、最底层的动机是什么” 或者“如果明天一切归零你还会选择做这件事吗为什么” 到达D5时用户往往能触及自己都未曾清晰意识到的情感驱动或价值判断。这个层层递进的框架确保了思考的深度和系统性避免了在浅层问题上打转。2.3 七种“烘烤”风味适配不同思考场景认识到不同的问题需要不同的“拷问”风格Roast提供了七种预设模式称为“Flavors”。用户可以根据思考主题选择最合适的模式这大大提升了工具的适用性和针对性。️ 苏格拉底式Socratic默认模式。纯粹通过一系列环环相扣的问题引导思考假装无知迫使对方通过自己的推理得出结论。适用于通用场景。 第一性原理式First Principles受埃隆·马斯克推崇。要求将问题分解到最基本的、不可再分的事实或原理然后从零开始重建。特别适合技术方案拆解和创业想法验证。 魔鬼代言人式Devil‘s Advocate主动站在对立面为反对观点辩护全力攻击用户主张的每一个弱点。适用于决策辩论和方案风险评估。 风投模式VC Mode模拟风险投资人的犀利提问。聚焦于市场壁垒Moat、总可寻址市场TAM、团队优势Why you?和时机Why now?。是创业者打磨路演稿的绝佳工具。 认知行为疗法式CBT基于心理学中的认知行为疗法温和地帮助用户识别并挑战其思维中的“认知扭曲”如非黑即白、灾难化思维等。适用于个人决策和情绪相关的思考。 镜像模式Mirror将用户自己的话、逻辑或行为模式反射回去让其看到自己的盲点或矛盾之处。例如“你刚才批评A方案过于复杂但你提出的B方案引入了更多组件这如何解释” 费曼式Feynman以物理学家理查德·费曼命名核心是“如果你不能向一个12岁的孩子解释清楚说明你自己也没真正理解”。强迫用户用最简单、最直白的语言重新阐述复杂概念。这七种模式像是七把不同的手术刀让Roast能够精准地切入不同类型思考任务的要害。3. 关键技术实现与工程细节3.1 反回避系统堵死所有思考逃逸路线人类在面对尖锐问题时会本能地采用各种话术来回避或模糊化。Roast设计了一套极其聪明的“反回避系统”Anti-Deflection System能够识别常见的搪塞话术并自动进行追打确保对话不会滑向浅滩。这个系统的实现依赖于对自然语言中“模糊指示器”的模式识别。例如当用户说“这很复杂”时系统不会接受这个借口而是回应“复杂不是理由。请把它拆解成三个部分来解释。”当用户说“大家都这么认为”时系统会挑战“共识不等于真理。你个人的独立判断是什么”当用户用“我觉得”、“应该可以”等词汇时系统会追问“‘觉得’不是证据。具体的数据或逻辑依据是什么”当用户开始简短回答或转移话题时系统会点破“你的回答变短了/你转移了话题。是更接近答案了还是在回避你不想面对的东西”这套规则库是Roast的灵魂之一。它让AI不再是那个可以被“糊弄”的对话者而是一个 relentless不屈不挠的追问者。在工程上这通常通过意图识别Intent Recognition和关键词触发Keyword Triggering来实现结合上下文判断决定使用哪一条预设的“反击”话术。这要求提示词Prompt设计得非常精巧既要识别回避行为又要以问题形式进行反击严格遵守“只提问”的铁律。3.2 认知偏误实时检测与引导除了主动回避人类思考更系统性的敌人是“认知偏误”——那些根植于我们大脑信息处理机制的、可预测的非理性错误。Roast内置了针对10种常见认知偏误的实时检测算法。它的精妙之处在于检测到偏误后不是生硬地指出“你犯了XX偏误”而是通过一个引导性问题让用户自己意识到问题所在。这是一种“授人以渔”的教育式设计。例如检测到确认偏误Confirmation Bias当用户只列举支持自己观点的证据时Roast会问“你是否寻找过反对你观点的证据那些证据可能是什么”检测到幸存者偏误Survivorship Bias当用户只引用成功案例时Roast会问“失败的那些案例长什么样我们从失败案例中能学到什么”检测到沉没成本偏误Sunk Cost Fallacy当用户强调“已经投入太多”时Roast会问“如果你今天从零开始拥有现在的所有信息你还会做出同样的选择吗”这种实现方式对大型语言模型的上下文理解和推理能力提出了很高要求。模型需要在持续的对话流中动态分析用户的论述逻辑比对已知的偏误模式并生成一个不直接点破、却能引导对方自省的提问。这远比简单的关键词匹配要复杂是提示工程与认知科学结合的典范。3.3 多平台技能集成降低使用门槛Roast的价值在于融入工作流而非另一个需要单独打开的App。因此它被设计为一种跨平台的“Agent Skill”。项目为当前主流的AI辅助开发环境都提供了开箱即用的集成方案。对于Claude Code用户可以通过插件市场一键安装或者手动克隆仓库到指定插件目录。这确保了在Claude Code的对话环境中可以直接调用/roast命令。对于使用Codex CLI或类似命令行AI工具的用户Roast提供了一个标准的SKILL.md文件。用户只需将其下载到全局或项目本地的技能目录就能在终端会话中启用Roast模式。对于Cursor、Kiro这类智能IDERoast提供了对应的规则文件.mdc或.md。将其放入项目配置目录AI结对编程助手就会在代码评审或方案讨论时自动切换到“拷问”模式对你的技术决策进行深度挑战。对于OpenClaw等新兴AI Agent框架可以通过其包管理器ClawHub安装或手动配置技能。这种多平台支持策略极大地降低了用户的尝试成本。无论你的主力AI工具是什么都能在几分钟内用上Roast。所有技能文件都提供了中文、英文、日文三种语言版本且不是简单的翻译而是进行了文化适配确保提问方式和例子符合当地的语言习惯和思维模式。4. 实战应用从创业想法到技术决策4.1 场景一创业者打磨商业计划假设你是一位创业者有一个关于“AI辅助代码生成工具”的想法。你兴冲冲地找来一个普通AI助手它可能会说“很棒的想法当前开发者工具市场确实存在效率痛点AI赋能是大势所趋。你需要关注用户体验、市场定位和商业模式。” 这些话正确但无用。现在你对自己启动Roast风投模式你“我想做一个面向中小企业的AI代码生成工具。” Roast (D1)“‘中小企业’的定义是什么是5人团队还是50人公司他们的代码需求和痛点与大型企业有本质区别吗用一句话说清楚。”你“嗯…是针对10-50人规模的科技初创公司他们开发资源紧张需要快速原型验证。” Roast (D2)“‘快速原型验证’这个需求现有的GitHub Copilot、Cursor、甚至是ChatGPT已经解决了一部分。你的工具在‘快速’或‘验证’上能比它们快多少好多少请给出一个可衡量的对比维度。”你“我们主打的是对私有代码库的深度理解和定制化建议而不仅仅是单文件补全。” Roast (D3)“你假设初创公司愿意将核心的私有代码库索引到一个第三方AI服务中。这个假设成立吗你如何应对他们对数据安全和隐私的担忧你的解决方案是技术上的本地部署还是信任构建上的合规认证”你“我们可以提供本地部署的版本。” Roast (D4)“你刚才说目标用户是‘资源紧张’的初创公司。本地部署意味着他们需要准备服务器、维护环境这增加了他们的资源负担。这与你的用户定位‘资源紧张’是否存在矛盾你到底是服务于对成本敏感但对数据安全要求一般的客户还是对数据安全极度敏感且不计较运维成本的客户”你“……我可能需要重新思考用户画像。或许我们更应该服务那些已经有专门运维团队的中型公司或者提供一种混合云方案。” Roast (D5)“抛开所有商业模式和技术细节你内心深处想做这个项目的真正原因是什么是看到了一个巨大的市场机会还是你个人对‘让编码更高效’这件事有强烈的热情抑或是其他”经过这样一轮拷问一个模糊的“做个工具”的想法被逼问成了关于具体用户画像、价值主张、竞争差异化和内在驱动力的清晰议题。这比任何商业计划书模板都有效。4.2 场景二工程师评审技术方案假设你是一名后端工程师设计了一个新的微服务架构。你“我计划将单体应用拆分成用户、订单、支付三个微服务用Kafka做异步通信。” Roast (第一性原理式D1)“‘拆分成微服务’是一个手段。请回到最初的目的你希望解决单体应用的什么具体问题是部署慢、团队协作瓶颈还是某个服务资源瓶颈”你“主要是团队协作和独立部署。三个团队负责不同模块经常互相阻塞。” Roast (D2)“引入Kafka和三个独立服务后数据一致性、分布式事务和跨服务调试的复杂度会急剧上升。你评估过这些新增成本吗有没有数据证明这些成本会低于当前‘团队阻塞’带来的成本”你“我们计划用Saga模式处理事务用集中式日志。” Roast (D3)“你假设团队有能力理解和维护Saga模式以及复杂的消息驱动架构。当前团队在这方面的技能水平如何如果不足培训成本和潜在的线上故障风险是多少” Roast (魔鬼代言人式D4)“为什么不考虑模块化单体Modular Monolith它也能实现清晰的模块边界和独立开发但避免了分布式系统的绝大多数复杂性。你对比过这两种方案的利弊吗还是说‘微服务’本身成了一个不容置疑的技术潮流”你“……我们确实没有认真考虑过模块化单体。可能只是觉得微服务更‘先进’。” Roast (D5)“所以驱动这个架构决策的更多是对‘技术先进性’的追求还是对实际开发效率问题的务实解决如果明天有一个同样资深但观点不同的工程师强烈反对你能用纯粹的技术和业务论据说服他吗”这样的拷问能有效防止团队为了技术而技术确保每一个架构决策都经得起推敲。4.3 场景三个人重大决策甚至个人生活决策也能受益。比如在考虑是否接受一份外地的工作。你“我在考虑是否接受另一个城市的工作机会薪水更高。” Roast (CBT模式D1)“‘薪水更高’是一个因素。请列出影响这个决定的所有因素包括职业发展、家庭、生活成本、社交圈等等。”你“职业发展可能更好但离家人朋友远了生活成本也高。” Roast (D2)“你如何量化‘职业发展更好’是未来3年的职位晋升路径更清晰还是能学到更稀缺的技能这个‘更好’的可能性有多大有什么证据” Roast (D3)“你似乎假设了‘留在原地职业发展就会停滞’。这个假设一定成立吗在现有公司有没有你尚未争取过的机会”你“我可能有点‘这山望着那山高’。” Roast (镜像模式D4)“你刚才用了‘可能有点’这个词。这很像一种‘最小化’的认知扭曲你在淡化自己可能存在的非理性偏好。让我们换个说法如果最好的朋友处于完全相同的境地你会给他什么建议为什么”你“我会建议他更全面地评估尤其是家庭因素。” Roast (D5)“所以当剥离所有外部因素薪水、职位倾听你内心的声音时哪个选择让你感到更平静、更少焦虑那个答案或许就是你真实想要的。”5. 高级技巧与避坑指南5.1 如何提出一个“好”的初始命题Roast的效果很大程度上取决于你喂给它的“种子想法”的质量。一个模糊的命题会导致拷问在浅层徘徊。错误示范“我想做点副业。”过于宽泛优秀示范“我计划在未来六个月内启动一个面向独立开发者的SaaS工具帮助他们自动化管理云服务器成本初步定价每月29美元。我拥有后端开发经验但缺乏前端和市场营销经验。”后一个命题包含了时间框架、目标用户、具体问题、解决方案雏形、定价和自身资源情况为Roast提供了丰富的“攻击点”。记住命题越具体拷问越深入收获越大。5.2 与PUA组合使用构建“思考-构建”双循环Roast的哲学兄弟项目是PUA一个以“逼迫AI不放弃直到问题解决”而闻名的Agent Skill。两者结合可以形成一个强大的工作流闭环思考阶段用Roast当你有一个模糊的想法或遇到一个复杂问题时先用Roast对自己进行一轮甚至多轮拷问。直到你的思路清晰、逻辑严密、所有主要风险和假设都被暴露出来。此时你得到的是一个经过压力测试的、高质量的问题定义或方案大纲。构建阶段用PUA将这个清晰的需求交给AI比如让AI写代码、写文章、做研究并使用PUA技能。PUA会扮演一个严厉的“监工”当AI试图用模糊的回答敷衍、或说“这很难实现”时PUA会逼迫它继续思考、分解问题、尝试不同方法直到产出符合你要求的、高质量的具体成果。这个“Roast拷问自己PUA拷问AI”的组合实现了从“想清楚”到“做出来”的全链条质量管控。Roast确保输入AI的指令是高质量的PUA确保AI的执行是高质量的。5.3 识别并应对Roast的“局限性”Roast是一个强大的思维工具但它并非万能也有其使用边界。局限性一依赖于用户的诚实与投入。Roast只是一个提问机器它的效果完全取决于用户是否愿意诚实地、深入地回答。如果你习惯性防御、敷衍了事Roast也无法逼出真知。你需要把它当作一面镜子而不是一个敌人。局限性二不提供答案或创意。Roast的规则是“只提问”所以它不会给你解决方案、创意灵感或安慰。当你处于需要脑暴创意或寻求情感支持的阶段时Roast不是合适的工具。它适用于评估和深化已有的想法。局限性三可能引发焦虑。持续面对尖锐的自我质疑可能会让人感到压力。建议控制单次会话时长例如30-45分钟并在心态上将其视为一次“健身”过程痛苦但有益成长。如果感到过度不适可以暂停用普通AI助手进行一些建设性对话来平衡。实操心得我个人的习惯是在开启一次重要的Roast会话前会先花5分钟把自己的初始想法尽可能详细地写下来。然后在会话中完全以“回答提问”为核心任务不急于辩护而是把每个问题都当作一个挖掘真相的线索。当遇到一个特别难回答的问题时往往意味着触碰到了思维的核心盲区这正是最有价值的地方我会标记下来事后单独深入思考。6. 常见问题与排查实录在实际使用Roast的过程中你可能会遇到一些典型情况。以下是我根据经验总结的FAQ和应对策略。Q1: Roast的提问有时感觉在“钻牛角尖”或纠缠于语义怎么办A1这通常发生在D1表层阶段。Roast对概念的清晰度要求极高。如果感觉它在纠缠恰恰说明你的初始命题或某个关键概念本身是模糊的。不要试图绕过而是正面回答努力给出更精确的定义。例如如果它问“你说的‘高效’具体指什么”不要回答“就是更快更好”而是尝试量化“我指的是将当前手动处理数据的平均时间从2小时降低到15分钟以内。” 一旦概念清晰对话会迅速进入更深层次。Q2: 我被问住了真的不知道答案会话会卡住吗A2Roast的反回避系统会识别“我不知道”这类回答。它的典型追问是“‘不知道’是指‘从未思考过’还是‘思考过但没有结论’” 这时诚实地区分两者至关重要。如果是前者你可以回答“这是我从未思考过的角度我需要一些时间研究/思考。” 然后可以暂停会话去搜集信息。如果是后者你可以描述你思考到了哪一步卡在了哪里。Roast可能会基于你的卡点提出更细化的问题来帮你疏通思路。Q3: 如何判断一次Roast会话已经“到位”了A3Roast内置了一个“结束仪式”Closing Ritual的触发机制。通常当你连续几个回答都触及了非常本质、情感化或价值观层面的内容时即达到了D5核心层或者当你主动感觉“已经没有什么可隐藏/可挖掘”的时候Roast会感知到对话深度已足够自动生成一份“深度报告”。这份报告会结构化地总结本次对话的核心发现、暴露的假设、转折点问题和后续行动建议。收到这份报告通常意味着一次有效的会话可以暂告段落。Q4: 在不同的AI平台如Claude Code vs Cursor上使用Roast体验有差异吗A4核心的提问逻辑和框架是由Roast的Skill文件定义的在不同平台上是一致的。但是体验差异可能来自底层大语言模型LLM的能力不同。例如Claude系列模型可能在逻辑推理和长上下文理解上更强而GPT系列可能在发散联想上更优。这会导致Roast追问的角度和深度有细微差别。我的建议是在你最常用、最顺手的AI平台上安装Roast即可重要的是开始使用并形成习惯。不同模型的差异不会影响Roast核心价值的发挥。Q5: 我可以自定义Roast的提问风格或添加新的“Flavor”吗A5Roast是一个开源项目其技能文件本质上是精心编写的提示词Prompt模板。高级用户完全可以fork项目根据自身需求修改或创建新的Flavor。例如你可以创建一个“产品经理专用”Flavor其中预设的问题更偏向市场验证、用户痛点和增长假设。你也可以调整反回避系统的应答库使其更符合你的行业术语。这需要你对提示词工程有一定了解但项目结构清晰是很好的学习模板。最后一点个人体会使用Roast最大的障碍不是工具本身而是我们面对自己思维漏洞时的不适感。它像是一个思维上的“健身教练”过程不会轻松但坚持下来你思考的“肌肉”会变得无比强健。我最开始用它来拷问自己的技术方案后来逐渐扩展到写作大纲、甚至是一些生活规划。它不会给你答案但它能确保你问自己的问题都是对的问题。在这个AI越来越擅长给出“标准答案”的时代拥有提出“关键问题”的能力或许才是我们保持竞争力的核心。