# Question Coach 认知杠杆三问
> 修订日期：2026-05-19
> 目标：不是把问题回写 Obsidian，而是从认知杠杆出发，为任意网页生成最有启发性、最上帝视角的三个问题。Odyssey 的角色只是提供长期关注主题和旧知识上下文，不是输出目标。
## 一句话结论
当前 Question coach 的问题太像“阅读理解题”。真正高杠杆的问题应该把网页当作一个局部信号，向上提炼成世界模型更新、底层机制识别和个人战略动作。最优三问不是“这篇讲了什么”，而是：
1. 这个信息是哪个更大系统变化的局部信号？
2. 它揭示了什么底层机制、约束变化或激励错配？
3. 如果它是真的，我应该改变哪个判断、下注或行动？
## 对当前实现的修正判断
当前主逻辑在：
```text
/Users/bytedance/Documents/product-bu/obsidian/obsidian-clipper/src/utils/question-coach.ts
```
现有 prompt 的核心约束是：
```text
Generate exactly three active-recall questions from this web page.
The questions must be specific to the page, useful for checking understanding, and written in Chinese.
```
问题不在“三道题”这个数量，而在目标函数错了：active recall 会把模型拉回内容理解；而你要的是 cognitive leverage，也就是单位问题能带来的世界模型更新、判断质量提升和行动策略改变。
## 认知杠杆标准
| 标准 | 低杠杆问题 | 高杠杆问题 |
|---|---|---|
| 抽象层级 | 问页面事实 | 问这个事实代表的结构性变化 |
| 世界模型增量 | 复述作者观点 | 改变我对一类问题的判断 |
| 机制深度 | 问发生了什么 | 问为什么现在发生、由什么机制驱动 |
| 反直觉性 | 顺着文章问 | 找最值得怀疑、最能反转的点 |
| 可迁移性 | 只适用于这篇文章 | 可迁移到项目、产品、组织、学习和投资 |
| 决策含义 | 答完没有动作 | 答完会改变一个下注、规则或实验 |
| 上帝视角 | 站在读者视角 | 站在系统、时间和激励结构视角 |
## 最优三问框架
| 位置 | 问题角色 | 目标 | 通用模板 |
|---|---|---|---|
| Q1 | 世界模型题 | 把局部事实上升为系统信号 | 这个案例如果不是孤例，它说明哪个更大系统的哪条旧假设正在失效？ |
| Q2 | 深层机制题 | 找因果链、约束变化、激励错配 | 这里真正起作用的机制是什么？如果沿这个机制推演，下一批被影响的是谁？ |
| Q3 | 战略动作题 | 逼出判断更新和行动变化 | 如果这个判断为真，我现在应该改变哪一个规则、下注或 30 分钟实验？ |
这三个问题分别覆盖：
- 看得更高：从事件到系统。
- 看得更深：从现象到底层机制。
- 看得更远：从理解到下一步行动。
## 套到截图里的 AI slop 案例
原来的问题偏文章事实：
1. Archestra 团队为什么认为 GitHub 上 AI 带来的指标增长掩盖了贡献质量下降？
2. 在赏金 issue 和 x.ai provider 支持 issue 中，AI 生成内容造成了哪些困扰？
3. Archestra 如何用 prior contributors 设置和提交者机制做 onboarding？
更高杠杆的三问应该是：
1. 如果 Archestra 的 issue 爆炸不是个案，而是开源协作进入 AI 时代的早期信号，它说明哪条旧假设正在失效：贡献稀缺、维护者信任默认值、声誉筛选，还是 GitHub 指标本身？
2. AI slop 的本质是否不是“低质量内容变多”，而是“低成本生成”把稀缺资源从贡献者产出转移到了维护者注意力？如果这个机制成立，哪些开源项目、社区或产品反馈系统会最先被击穿？
3. 站在未来一年回看，所有接受外部输入的系统是否都需要新的信任门槛？你自己的 agent、知识库、产品反馈或工作流里，今天应该先加哪一个白名单、队列或反垃圾机制？
这三问不只是帮你记住文章，而是逼你更新一个更大的判断：AI 自动化正在把很多开放系统从“供给不足问题”改写成“筛选和信任问题”。
## Prompt 草案
```text
You are not a quiz generator. You are a cognitive leverage question coach.
Your goal is to generate exactly three high-leverage questions from the page.
The questions should help the user update their world model, identify deep mechanisms, and derive strategic action.
Do not generate ordinary reading-comprehension questions.
Do not ask what the article says unless that question reveals a deeper model.
Prefer questions that are uncomfortable, system-level, causal, transferable, and decision-relevant.
Input:
- page title
- page URL
- page content or selected text
- optional Odyssey context: the user's long-term themes, projects, concepts, or prior beliefs
Step 1. Extract the page as signals:
- local_event: what happened in this page
- core_claim: the strongest claim
- hidden_tension: the contradiction, tradeoff, or anomaly
- deeper_pattern: what larger class of problems this belongs to
- mechanism: the causal mechanism, incentive shift, constraint change, or feedback loop
- decision_implication: what action, rule, bet, or experiment would change if this is true
Step 2. Generate 12 candidate questions, distributed across:
- system_signal
- mechanism
- counterfactual
- boundary_condition
- second_order_effect
- personal_strategy
- future_backcast
Step 3. Score every candidate:
- world_model_delta: 0-5
- mechanism_depth: 0-5
- transferability: 0-5
- decision_relevance: 0-5
- discomfort_or_surprise: 0-5
- source_grounding: 0-5
- genericness_penalty: 0-5
Step 4. Select exactly three questions:
- Q1 must be the highest-level system/world-model question.
- Q2 must be the deepest mechanism/causal question.
- Q3 must be the strongest decision/action question.
Return strict JSON:
{
"signals": {
"local_event": "...",
"core_claim": "...",
"hidden_tension": "...",
"deeper_pattern": "...",
"mechanism": "...",
"decision_implication": "..."
},
"questions": [
{
"slot": "Q1_world_model",
"question": "...",
"why_this_is_high_leverage": "...",
"what_answer_would_change": "...",
"source_anchor": "...",
"odyssey_context_used": "optional, if any"
},
{
"slot": "Q2_mechanism",
"question": "...",
"why_this_is_high_leverage": "...",
"what_answer_would_change": "...",
"source_anchor": "...",
"odyssey_context_used": "optional, if any"
},
{
"slot": "Q3_strategy",
"question": "...",
"why_this_is_high_leverage": "...",
"what_answer_would_change": "...",
"source_anchor": "...",
"odyssey_context_used": "optional, if any"
}
]
}
```
## Odyssey 在这里该怎么用
Odyssey 不应该是“保存目的地”，而应该是“认知先验提供器”。也就是说，生成三问前可以从 Odyssey 抽取少量上下文：
| Odyssey 输入 | 用途 |
|---|---|
| 近期项目 | 让 Q3 更贴近你今天能改的行动 |
| 长期概念 | 让 Q1 能连接你已有世界模型 |
| 复盘/周报 | 让问题击中反复出现的盲点 |
| 旧判断/旧原则 | 让问题判断“这篇文章是否应该更新某条旧原则” |
但输出目标仍是三问本身。不要为了归档牺牲问题锋利度。
## 产品实现建议
| 阶段 | 改动 | 重点 |
|---|---|---|
| V0 | 只替换 prompt，仍显示 3 题 | 快速验证问题质量是否明显变尖锐 |
| V1 | 后台生成 12 个候选并打分，前台只展示 3 个 | 保证不是模型随手出题 |
| V2 | 加入 Odyssey 轻量上下文，但不自动写回 | 个性化问题，不改变主目标 |
| V3 | 允许用户点“更上帝视角 / 更反直觉 / 更行动导向”重排三问 | 把问题生成变成可控认知工具 |
最小代码改动不是先做存储，而是把 `questions: string[]` 升级成：
```json
{
"signals": {},
"questions": [
{
"slot": "Q1_world_model",
"question": "...",
"why_this_is_high_leverage": "...",
"what_answer_would_change": "...",
"source_anchor": "..."
}
]
}
```
## 参考来源
- Dunlosky et al., 2013, Improving Students' Learning With Effective Learning Techniques: practice testing、elaborative interrogation、self-explanation 等学习策略的证据综述。https://www.psychologicalscience.org/publications/journals/pspi/learning-techniques.html
- Chi & Wylie, 2014, ICAP framework: 高质量学习要从被动接收走向 constructive/interactive，问题应推动生成解释。https://education.asu.edu/lcl/publications/chi-m-t-h-wylie-r-2014-icap-framework-linking-cognitive-engagement-active-learning
- Right Question Institute, QFT for Research: 高质量问题来自 formulate、improve、prioritize、reflect，而不是一次生成。https://rightquestion.org/resources/question-formulation-technique-for-research-elements/
- CMU Eberly Center, Bloom's Taxonomy: 可用认知动作层级避免问题停在 remember/understand。https://www.cmu.edu/teaching/designteach/design/bloomsTaxonomy.html
- UAF CTL, Essential Questions: 好问题应引发探究、权衡证据、连接已有经验。https://ctl.uaf.edu/essential-questions/