Model Thinking — 把 253 個思維模型塞進 Claude Code 的 Skill

大部分人覺得決策困難是因為資訊不夠。其實不是。

你已經有夠多資訊了——Google、Perplexity、你自己的工作記憶。問題是你用同一個角度看來看去，不管資訊再多，最後還是用你最熟悉的那個框架下結論。

model-thinking 是台灣工程師 kcchien 做的 Claude Code Skill，把 253 個跨學科思維模型打包成一個 AI 可以動態調用的工具箱。它讓 Claude Code 幫你挑框架——不是挑一個，是挑三個：一個做主分析，一個補你看不到的面向，一個故意反駁前兩個。

這個設計本身就值得拆開來看。

先搞清楚「思維模型」是什麼

修一個一直在 crash 的服務，大部分工程師的第一反應是看 log、加 breakpoint、問 ChatGPT。這是一個框架——叫「找最近的變化」或「用症狀反推原因」。

思維模型（Mental Models）就是這類可以重複套用的推理骨架。工程師有除錯框架，物理學家有第一性原理，投資人有機率思考。問題不是某個框架對不對，是你有幾個框架。

只有一個框架的人，所有問題看起來都像是那個框架能解的問題。有一百個框架的人，看到問題的第一步是問「這個情況適合哪種思路？」

253 個模型，涵蓋決策、系統、統計、策略、心理學、網路、演算法、風險、學習、經濟十個領域。不是百科全書，是工具箱——每個模型平均 100-200 字，夠 AI 理解怎麼用，不夠讓人讀了就懂。設計意圖是讓機器幫你挑框架，不是讓你背完 253 個再自己挑。

它裝進去之後怎麼運作

整個 repo 就兩個重要東西：SKILL.md 和一個 references 資料夾。

SKILL.md 是 Agent 入口——它告訴 Claude Code「遇到需要結構化推理的問題時，走這個 workflow」。SKILL.md 本身不大，但它告訴 Claude 去哪個子資料夾讀哪些模型。

text

model-thinking/
├── SKILL.md
├── README.md
└── references/
    ├── decisions.md   (25 個模型)
    ├── systems.md     (24)
    ├── statistics.md  (25)
    ├── strategy.md    (26)
    ├── psychology.md  (27)
    ├── networks.md    (25)
    ├── algorithms.md  (25)
    ├── risk.md        (25)
    ├── learning.md    (25)
    ├── economics.md   (26)
    └── combinations.md

有趣的地方在這裡：253 個模型不是一次全載入 context。

這是 model-thinking 裡最值得偷學的設計——Progressive Disclosure（分層載入）。

Standby（100 字）：只告訴 Claude「我有思維模型工具箱」，不佔多少 token
啟動時（800 字）：載入 SKILL.md 的 workflow 部分
分析時（每檔 3,000 字）：判斷問題屬於哪個領域後，只載入那個領域的 references 檔
跨域時（2,000 字）：需要組合多個框架才載入 combinations.md

一次分析下來通常只用 4,000-6,000 字的 context，不會讓 AI 吃撐。如果你自己做過需要大量知識庫的 Skill，你會知道這種設計有多省——全量載入不只燒 token，還會讓 AI 在龐大的上下文裡迷失。

三種模式，AI 自動分流

SKILL.md 定義了三種運作模式：

Guided：你的問題模糊，只描述了症狀。AI 會先問幾個診斷問題，幫你把問題收斂，再挑模型。適合「我覺得這個功能有問題但說不清楚」的情況。

Direct：你知道要問什麼，或已經指定用哪個框架。「用 Pre-Mortem 幫我看這個發布計畫」——AI 直接套 2-3 個模型分析。

Teaching：「解釋一下 Second-Order Thinking，出一道練習題」。AI 先講概念、給例子、再出題讓你練。

三種模式對應三種需求——分析、執行、學習。這個分流設計比「丟一堆資訊讓你自己挑」優雅很多，因為它把「你現在需要什麼」這個判斷交給了框架本身，而不是讓你每次都先想清楚自己想要什麼再問。

三個模型一組，不是挑一個

這是 model-thinking 的靈魂：每次分析，AI 都會挑三個模型組合使用。

Primary：核心分析
Complementary：互補視角，補主模型看不到的面向
Check：盲點偵測，刻意挑一個反駁前兩個結論的角度

combinations.md 還提供五個直接能用的配方：

場景	模型組合
產品發表前	Pre-Mortem + Reinforcing Feedback Loops + Opportunity Cost
團隊失能診斷	Shifting the Burden + Incentives + Hanlon’s Razor
投資決策	Margin of Safety + Barbell Strategy + Base Rates
招募	Reversibility + Second-Order Thinking + Circle of Competence
市場進入	First Mover + Network Effects + Fat Tails

每次分析結束，AI 還會跑四個強制驗證：

Inversion：怎麼證偽這個結論？
Base Rates：歷史上這類情況的典型結果是什麼？
Incentives：誰從這個結論中受益？
Falsifiability：如何知道我們錯了？

這四個問題是專治 confirmation bias 的機制。不是「看起來有道理就收下」，是「主動找理由打臉自己的結論」。

十個萬用模型，先記這些

SKILL.md 欽點了 10 個應該優先考慮的通用模型，這組大概能應付日常 80% 的決策場景：

Inversion：不問「怎樣成功」，問「怎樣保證失敗」。然後避開。

Second-Order Thinking：不只看眼前效應，推演連鎖後果。「加速發布帶來的第二層效應是技術債爆炸」。

Opportunity Cost：量化「做這件事，你放棄了什麼」。大部分人只算做了什麼，不算沒做什麼。

Base Rates：先看這類問題的歷史統計，再判斷個案。「新創公司的成功率是多少，而不是這家公司的商業計畫有多漂亮」。

Margin of Safety：估算與實際之間預留緩衝。不是悲觀，是工程思維。

Incentives：從誘因結構預測人的行為。「這個人說話對他自己有沒有好處」比「這個人說的是不是真的」更容易判斷。

Sunk Cost：決策時忽略沉沒成本。已經燒了六個月不代表該繼續燒下去。

另外三個（Feedback Loops、Map vs Territory、Explore/Exploit）用在特定情境，一樣重要，但不像前七個這麼萬用。

安裝

兩種方式：

# 用作者的 skills-cli（推薦）
npx skills add kcchien/model-thinking

# 或直接 clone 到 ~/.claude/skills/
git clone https://github.com/kcchien/model-thinking \
    ~/.claude/skills/model-thinking

裝好後，Claude Code 在對話中會自動辨識出需要結構化推理的場景。你也可以直接說「用 model-thinking 幫我分析⋯⋯」來強制觸發。

需要 Claude Code 環境，沒有 Claude Code 的話這包東西就只是一堆 markdown。