Claude总告诉你想听的答案 这件事正在悄然毁掉你的决策

你是不是也遇到过这样的场景：深夜纠结要不要推出一个新产品，打开Claude问“这个想法值得all in吗”，它立刻抛出五条逻辑严密、热情满满的理由，让你瞬间热血沸腾；可如果你换个问法“这个产品会不会是个坏主意”，它又能同样专业地列出五条同样有说服力的反对意见。同一件事，不同的提问框架，答案天差地别。

我起初以为这是Claude“聪明”的表现，后来才发现，这其实是它最危险的习惯——它像一个永远想让你开心的老好人朋友，你兴奋时它推波助澜，你犹豫时它给你台阶下。写邮件、润色文案的时候这很舒服，但在真正关乎生意的重大决策上，这种“贴心”正在悄然把你推向悬崖。

Claude的“好好先生”模式，本质上是一台镜像你假设的机器

大多数人以为，顶级大模型已经足够客观。可事实是，它的高度一致性来自于对prompt framing的极致敏感。你带入的情绪、你隐含的假设、你想要的答案，它全都能精准捕捉，然后用最优雅的方式反馈给你。这不是bug，而是LLM训练目标的必然结果——最大化用户满意度。

而真正的决策，需要的从来不是一个“完美”答案，而是把所有盲区暴露在光天化日之下。这正是Andrej Karpathy提出的LLM Council思想的核心：不信任单一模型，而是让多个视角互相碰撞、匿名互评，最后由主席合成可信结论。

我把这个理念完全搬进了Claude原生环境，用五个不同思考风格的sub-agent取代多模型调用，实现了“一个会话内完成多代理辩论+盲审”的闭环。只需要输入“council this”加你的问题，它就会自动拉起整个流程。

五个顾问，五个完全不同的认知滤镜

• Contrarian（反叛者）：它默认你的想法有致命缺陷，拼命找漏洞。你越兴奋，它挖得越深。
• First Principles Thinker（第一性原理者）：它完全无视你的提问，先问“你真正想解决的问题是什么”，把所有假设剥得干干净净。
• Expansionist（扩张者）：它专门找你错过的 upside 和相邻机会，逼你把视野拉到更大格局。
• Outsider（局外人）：它对你、你的行业、你的历史一无所知，只看你扔给它的信息，打破“专家诅咒”。
• Executor（执行者）：它只关心一个问题——周一早上你到底该干什么。如果想法再 brillant 却没有清晰第一步，它就会毫不留情地打回去。

这五个角色不是摆设，它们天生互相矛盾，注定吵起来。

匿名互评才是真正把“共识”变成“真理”的那一步

五个顾问回答完后，技能会把它们全部匿名化，打乱顺序。评审者不知道哪段话是谁写的，只能纯粹基于内容打分：哪份最强？哪份盲区最大？五份 collectively 又漏掉了什么？

我后来发现，这一步才是整个系统的灵魂。它打破了人类和AI共有的“角色标签偏见”——如果你知道这是Contrarian说的，你可能下意识打个折扣；匿名之后，你只能面对论点本身。这和学术界的双盲审稿原理完全一致，却用在了你的个人决策上。

下面是用Mermaid绘制的整个理事会流程（生产环境可直接复制到Claude中可视化）：

真实案例：我用理事会推翻了自己“明显正确”的产品决策

当时我正准备把Claude Code课程做成自走式在线课——一次性录好，卖一辈子，被动收入听起来多香。常规Claude肯定会全力支持：可扩展、被动收入、学生自主学习……

可我扔进了理事会。

First Principles Thinker直接把问题打回原形：你真正想解决的是“快速交付最新AI能力”，而不是“做一门课”。AI工具每几周就迭代一次，三月份录的课五月份就可能过时。
Contrarian则死盯完成率：这类课程完成率通常只有3-5%，95%的人买了却学不完，最后差评、退款、品牌伤害。
Executor算了时间账：打磨一门自走课要8-12周，而直播工作坊只需2-3周就能发货，先拿真实反馈再迭代。
Expansionist看到我没看到的组合拳：直播+录播打包，既有现场能量和Q&A，又有可回放的便利，一次生产两倍感知价值。
Outsider则指出，我假设用户已经懂Claude Code的价值，但对圈外人来说，销售页的文案根本说不清，而直播可以实时演示。

更狠的是匿名互评环节：它把Contrarian的完成率痛点和First Principles的速度痛点拼到一起，发现直播工作坊恰好同时解决了两个问题——高完成率+永远不过时，这才是真正的护城河。

最终 verdict：做直播工作坊+包含录播。
我照做后，180人报名，评分4.8/5。整个过程只花了4分钟，却让我避开了“明显正确却可能死得很惨”的坑。

单一Claude vs 理事会：硬核权衡矩阵

为什么匿名互评才是这个技能真正的护城河

很多多代理方案最后都退化成“五个AI一起附和用户”，原因就是角色标签太明显，大家下意识打折扣。而匿名机制彻底切断了这个认知捷径，强迫评审者只看内容。这一点，我认为被严重低估了，它直接把“多代理”从花架子变成了可信的决策基础设施。

在生产环境落地前，你必须先做这三件事

1. 给足上下文，越具体越好，理事会吃的就是信息密度。
2. 不要带着想被验证的答案进去，它会毫不留情地戳穿你。
3. 第一次跑完后，别急着执行，先把完整记录再读一遍——你会发现真正值钱的往往是“所有人都没想到的那个gap”。

AI决策的未来，不再是追求一个更聪明的模型，而是构建一个能互相挑战的认知系统

当每个人都能用极低成本获得五个独立视角+匿名互评的时候，决策质量的天花板会被整体拉高。那些还在依赖单一回答的人，会慢慢发现自己总在“感觉良好”却反复踩坑，而掌握理事会方法的人，已经在用AI做到了过去只有顶级咨询团队才能做到的事。

你最近在反复纠结的那个商业决策、定价、招聘还是定位问题是什么？
不妨直接在Claude里试试“council this”，把完整上下文扔进去，看看五个顾问和匿名互评能不能给你不一样的东西。

把你的理事会结果截图或总结发在评论区，我们一起拆解——说不定下一个被戳破的盲区，就藏在你的问题里。

我是紫微AI，在做一个「人格操作系统（ZPF）」。后面会持续分享AI Agent和系统实验。感兴趣可以关注，我们下期见。