前言¶
在技术分析、方案评审或故障归因里，模型很容易给出「因为 A 所以 B」的顺滑叙述，却缺少可检验的假设、量化的置信度，以及对混杂因素和量纲错误的检查。人工逐条追问成本高，而泛泛要求「严谨一点」又往往落不到具体步骤。
下面介绍 SkillHub 社区 Skill「逻辑炼金术 · 科学推理与因果验证」（坐标 @user_faa89036/bionic-reasoning，版本 1.0.0）。它把科学方法论与物理式约束检查写成 Agent 可遵循的推理流程，并在包内提供可调用的 Python 推理引擎，用于因果判断、数值预测和假设验证类任务。
这是什么¶
一句话定位：仿生推理 Skill——整合科学方法论（假设、贝叶斯更新、可证伪性、偏误防御）与物理推理（第一性原理、守恒约束、量纲分析），在相关场景下引导 Agent 做结构化验证。
来源与维护：SkillHub 分类为 ai-agent，来源标记为 community，发布者为 user_faa89036；SkillHub 页面标注作者为郝多鱼。标签 requires_api_key=false，安装后无需额外 API Key。
解决的问题：把「因果链是否成立」「结论能否被反例推翻」「估算是否违背守恒或量纲」从口头要求变成可复用的检查清单与（可选）脚本输出，降低多步推理中的逻辑漏洞。
核心功能¶
依据官方 SKILL.md 与包内实现，已核实的能力如下。
两层推理架构¶
- L1 科学方法论：按 H0～H3 构建假设层级；用贝叶斯公式更新置信度；区分可证伪与模糊表述；对确认偏误、相关≠因果、幸存者偏误等做检查表式防御。
- L2 物理推理：从约束出发挑战「类比式」方案；检查复杂度/信息等守恒直觉；对含单位的表达式做量纲一致性分析。
Agent 侧自动触发规则¶
Skill 文档约定在下列情况应激活本 Skill（由 Agent 读取 SKILL.md 后执行，而非单独守护进程）：
| 场景 | 行为 |
|---|---|
| 因果表述（「因为 A 所以 B」） | 检验因果链 |
| 数值预测或估算 | 执行贝叶斯更新流程 |
| 用户强调「绝对」「肯定」 | 可证伪性检验 |
| 推理步骤超过 3 步 | 同行评审模拟 |
| 引用案例或数据 | 幸存者偏误检查 |
包内 Python 推理引擎¶
Skill 附带 scripts/ 下的模块（如 scientific_method.py、physics_reasoning.py、reasoning_engine.py），测试用例展示了对外接口：
get_reasoning_engine().reason(observation, analogy_solutions=None)：跑通假设构建、偏误检查、第一性原理与守恒/量纲等，返回ReasoningReport。get_reasoning_engine().update_with_evidence(hypothesis_id, evidence, likelihood)：对指定假设做贝叶斯更新。
科学方法模块会将假设日志等写入 ~/.workbuddy/dreams/bionic-reasoning/（hypothesis-log.json 等），适用于 Workbuddy 类环境；其他 Agent 仍以读取 SKILL.md 为主。
与其他 Bionic 系列 Skill 的关系¶
文档说明可与 bionic-cognition、bionic-guard、swarm-intelligence、dream-memory 等联动（例如推理漏洞触发风险检查、多假设并行）。这些均为独立 Skill，需另行安装，本文不展开其行为。
安装与启用¶
安装前确认本机已有 SkillHub CLI（参见 SkillHub 安装说明）：
command -v skillhub && skillhub --version
未安装时可执行官方推荐的一键安装（完整包含 CLI 与默认 Skill）：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash
重要：skillhub install 必须用 --dir 指向当前 Agent 的 skills 目录，否则默认落在 ./skills/，Agent 可能无法加载。
安装本 Skill（坐标与 SkillHub 页面一致）：
skillhub install @user_faa89036/bionic-reasoning --dir <你的 Agent skills 目录>
常见路径（来自官方安装文档）：
- Cursor：
~/.cursor/skills/ - Claude Code：
~/.claude/skills/ - Codex：
~/.codex/skills/或项目下的.agents/skills/
也可将安装说明直接发给 Agent：「请根据 https://skillhub.cn/install/skillhub.md，安装 @user_faa89036/bionic-reasoning。」
安装完成后重启或刷新 Agent，使 skills 目录生效。Codex CLI、Claude Code 与 Cursor 的差异仅在于 --dir 目标路径，安装命令本身相同。
典型用法¶
1. 对话中依赖 Skill 规则（主路径）¶
在 Cursor 等环境中启用该 Skill 后，用自然语言提出需要因果或验证的问题即可。例如：
- 「上线后接口延迟升高，请列出可检验假设并检查因果链，不要只给单一归因。」
- 「这个『缓存能降 50% 延迟』的结论可证伪吗？请做偏误与量纲检查。」
Agent 应按 SKILL.md 中的 L1/L2 步骤组织回答，而不是只复述结论。
2. 本地调用推理引擎（可复现）¶
在已安装 Skill 的目录中，可参考包内测试的方式调用（需将 scripts 加入 PYTHONPATH 或在 Skill 根目录下运行）：
cd <skills 目录>/@user_faa89036/bionic-reasoning
python -m unittest tests/test_reasoning.py -v
在 Python 中执行完整推理的示例（与 tests/test_reasoning.py 一致）：
import sys
from pathlib import Path
sys.path.insert(0, str(Path(__file__).resolve().parent / "scripts"))
from reasoning_engine import get_reasoning_engine
engine = get_reasoning_engine()
report = engine.reason(
"系统响应时间增加",
["增加服务器", "优化代码", "使用 CDN"],
)
print(report.best_hypothesis, report.confidence)
收到新证据时，可对某一假设 ID 调用 update_with_evidence 查看后验概率变化是否超过文档中的显著阈值（实现中为变化绝对值大于 0.1）。
适用场景与注意¶
适合谁
- 需要做故障归因、方案评审、实验设计说明的开发者或技术写作者，希望 Agent 输出带假设层级与反证路径。
- 已在用 SkillHub 管理 Agent Skill，希望统一安装社区
ai-agent类能力包的团队。
限制与注意
- 自动触发依赖 Agent 是否正确加载并遵守
SKILL.md；未启用 Skill 时不会凭空生效。 - 贝叶斯更新、偏误检测等由包内启发式实现完成，适用于辅助思考，不能替代真实实验或生产监控数据。
SKILL.md中提到的 Workbuddy 数据目录与其他 Bionic Skill 联动，在未安装对应环境时可能只有文档意义；脚本日志路径以scientific_method.py实际写入为准。- SkillHub 统计（截至资料抓取）：评分 100000，下载 816 次，安装 18 次；以 SkillHub 技能页 为准。
结尾¶
「逻辑炼金术 · 科学推理与因果验证」把科学方法论和物理约束检查固化成 Agent Skill 与可选 Python 引擎，适合在因果判断、数值预测和假设验证场景下约束多步推理。安装与坐标以 SkillHub 为准：
- 技能页：https://www.skillhub.cn/skills/user_faa89036/bionic-reasoning
- API 元数据：https://api.skillhub.cn/user_faa89036/bionic-reasoning
