First Principle Analyzer

Use this skill when analyzing complex problems through first principles. Provides structured 7-phase analysis framework, assumption identification and challe...

Security Scan

The skill's content and files broadly match a first-principles analysis tool, but there are packaging and metadata inconsistencies and an instruction/toolset combination (Bash/Exec/Read/Write) that grant broad runtime capabilities without an explicit install or justification.

Purpose & Capability

The name, description and SKILL.md describe a purely analytical/meta skill and that matches the provided analyzer.js, tests, and coverage artifacts. However, the skill declares no install spec yet references a CLI (first-principle-analyzer) and lists runtime tools (Bash/Exec) that imply a CLI/binary will be available. That mismatch (packaged code present but no explicit install mechanism) is unexpected and worth clarifying.

Instruction Scope

The SKILL.md describes staged analysis and example CLI commands; it does not instruct the agent to read arbitrary system files or to exfiltrate secrets. But the declared tools (Read, Write, Bash, Exec) enable file access and arbitrary shell execution, giving the skill broad operational scope beyond what's strictly needed for textual analysis. SKILL.md also references sharing reports via email/team, but does not specify endpoints or how sharing is implemented.

Install Mechanism

There is no install specification (the skill is marked instruction-only) while the bundle contains package.json, package-lock.json, src/analyzer.js, and a CLI usage pattern in the docs. That is an incoherence: either the skill should provide an install step (or documented instructions to make the CLI available) or the documentation should not advertise a CLI. The included files themselves do not point to any remote download or installer, which lowers direct supply-chain risk, but the mismatch is sloppy and could hide assumptions about what the agent/runtime already provides.

Credentials

The skill does not request environment variables, credentials, or config paths. No sensitive env vars are required in metadata. This is proportionate for a reasoning/analysis tool.

Persistence & Privilege

always:false (good). disable-model-invocation:false (default) — the agent may invoke this skill autonomously. Combined with declared tools that permit shell execution (Exec/Bash) this increases the blast radius if the skill is allowed to run without restrictions. The package does not request permanent system-wide changes, but the ability to run shell commands should be limited/monitored.

What to consider before installing

What to check before installing or enabling this skill: - Metadata and packaging mismatch: the SKILL.md documents a CLI (first-principle-analyzer) and the repository contains package.json and src/analyzer.js, but there is no install spec. Ask the publisher how the CLI is provided (is it installed by ClawHub, provided by the runtime, or must the agent run local JS?). Confirm the install step before trusting the docs. - Inspect package.json and src/analyzer.js yourself (or ask someone to) before enabling execution: look for any network calls, hard-coded endpoints, or code that spawns subprocesses that might leak data. The coverage artifacts indicate the analyzer.js is small and tested, but you should still review it for outbound requests or shell invocations. - Limit runtime capabilities: because SKILL.md lists tools including Bash and Exec, prefer to run the skill in a restricted/sandboxed environment or disable autonomous invocation until you've reviewed the code. If your agent platform supports per-skill capability scoping, deny shell/exec access or require explicit user confirmation before running shell commands. - Clarify sharing/export behavior: the docs mention sharing reports and private deployment/encryption claims but provide no implementation details. Verify how sharing is performed (email SMTP, external API, or local file export) and whether any data leaves your environment. - Check inconsistent metadata: multiple different support emails, maintainer names, and version strings appear across files (SKILL.md, README, CLAWHUB upload). This points to sloppy packaging or republishing; prefer skills with consistent, verifiable authorship. If you cannot review the code, run the skill in a limited test account or sandbox and monitor network and file activity. If the publisher cannot explain the install/run model and the metadata inconsistencies, treat the package with caution and consider not enabling Exec/Bash tools or not allowing autonomous invocation.

First Principle Analyzer - 第一性原理分析器

版本：v2.3.0
定位：L1 增强层 - 第一性原理思维增强引擎
状态：✅ 生产就绪（7 阶段分析框架）

---

📖 技能说明

First Principle Analyzer 是一款第一性原理思维增强工具，通过结构化 7 阶段分析框架（问题接收→假设识别→逐层分解→基本真理验证→重构方案→类比方案对比→报告生成），帮助用户从基本原理出发分析问题，识别并挑战隐含假设，提取不可再分的基本真理，从 fundamentals 演绎创新解决方案。

核心价值：摆脱类比思维陷阱，回归事物本质，产生原创性解决方案。

适用场景：

• ✅ 复杂问题分析（技术难题、商业决策）
• ✅ 创新方案设计（产品重新设计、市场进入策略）
• ✅ 重大决策支持（职业选择、投资方向）
• ✅ 学术研究（研究方向评估、论文选题）
• ✅ 创业方向验证（从基本原理验证商业模式）

---

🎯 使用场景

场景 1：技术难题分析

任务：「为什么我们的 AI 系统响应速度慢？」

分析流程：

Phase 1: 问题接收
  ↓
Phase 2: 假设识别（识别 5 个隐含假设）
  ↓
Phase 3: 逐层分解（5 层"为什么"追问）
  ↓
Phase 4: 基本真理验证（3 个不可再分真理）
  ↓
Phase 5: 重构方案（2 个创新方案）
  ↓
Phase 6: 类比方案对比
  ↓
Phase 7: 报告生成

使用方式：

first-principle-analyzer analyze \
  --problem="为什么我们的 AI 系统响应速度慢" \
  --output="analysis-report.md"

预期输出：

• 识别 5+ 个隐含假设
• 至少 5 层"为什么"追问
• 提取 3+ 个基本真理
• 生成 2+ 个创新方案

---

场景 2：创业方向验证

任务：「应该进入 AI Agent 市场吗？」

分析流程：

1. 识别假设
   - "AI Agent 市场有需求"
   - "我们有竞争优势"
   - "市场会持续增长"
   ↓
2. 挑战假设
   - 需求真实存在吗？
   - 优势可持续吗？
   - 增长可预测吗？
   ↓
3. 基本真理
   - "企业需要自动化 AI 工作流"
   - "技术门槛在降低"
   - "早期采用者愿意付费"
   ↓
4. 重构方案
   - 方案 A：专注企业市场
   - 方案 B：专注个人市场

---

场景 3：职业选择决策

任务：「应该换工作还是创业？」

使用方式：

first-principle-analyzer analyze \
  --problem="应该换工作还是创业" \
  --dimensions="career,finance,lifestyle" \
  --output="career-decision.md"

预期输出：

• 识别职业决策的隐含假设
• 从人生基本真理出发分析
• 生成个性化决策建议

---

💰 定价方案

版本	价格	功能	适用对象
个人版	¥69/年	基础分析框架、5 次分析/月、标准报告模板	个人用户、学生
商业版	¥699/年	个人版 + 无限分析、定制报告模板、团队协作、API 调用	小型团队、创业公司
企业版	¥6999/年	商业版 + 私有部署、定制分析框架、专属支持、SLA 保障	中大型企业、咨询机构

---

❓ FAQ（常见问题）

Q1: 第一性原理分析需要多长时间？
A: 标准分析约 15-30 分钟，复杂问题可能需要 1 小时以上。建议预留充足时间进行深度思考。

Q2: 如何确保分析质量？
A: 采用 7 阶段标准化流程，每个阶段都有检查清单。支持多人协作评审，确保分析质量。

Q3: 支持多人协作分析吗？
A: 商业版和企业版支持多人协作，可邀请团队成员参与分析，共同挑战假设和验证真理。

Q4: 可以导出分析报告吗？
A: 支持导出 Markdown、PDF、Word 格式报告。企业版支持自定义报告模板和品牌定制。

Q5: 如何保护分析数据隐私？
A: 所有分析数据本地加密存储，企业版支持私有部署和数据访问审计。符合 GDPR 和中国数据安全法规。

Q6: 7 阶段框架具体是什么？
A: 问题接收→假设识别→逐层分解→基本真理验证→重构方案→类比方案对比→报告生成。每个阶段都有详细指导。

Q7: 适合什么类型的问题？
A: 适合复杂、模糊、多维度的问题。简单问题无需使用第一性原理分析。

---

🚀 快速开始

安装

clawhub install first-principle-analyzer

基础使用

# 启动分析
first-principle-analyzer analyze --problem="问题描述"

# 导出报告
first-principle-analyzer export --format=markdown

# 协作分析
first-principle-analyzer share --with="[e-mail]"

高级使用

# 自定义维度
first-principle-analyzer analyze \
  --problem="复杂问题" \
  --dimensions="tech,market,finance"

# 团队协作
first-principle-analyzer collaborate \
  --team="team-id" \
  --role="reviewer"

---

📊 7 阶段分析框架

Phase 1: 问题接收

目标：明确问题边界和背景

检查清单：

• 问题描述清晰
• 背景信息完整
• 利益相关者识别
• 成功标准定义

---

Phase 2: 假设识别

目标：识别所有隐含假设

检查清单：

• 识别至少 5 个假设
• 分类假设（技术/市场/财务）
• 优先级排序

---

Phase 3: 逐层分解

目标：5 层"为什么"追问

检查清单：

• 每层至少 3 个"为什么"
• 追溯到最后可操作层面
• 记录完整分解路径

---

Phase 4: 基本真理验证

目标：提取不可再分的基本真理

验证标准：

• ✅ 不可再分
• ✅ 不证自明
• ✅ 独立于其他命题

---

Phase 5: 重构方案

目标：从基本真理演绎创新方案

要求：

• 至少 2 个创新方案
• 每个方案都有基本真理支撑
• 方案可执行

---

Phase 6: 类比方案对比

目标：与传统类比方案对比

对比维度：

• 创新性
• 可行性
• 风险
• 成本

---

Phase 7: 报告生成

目标：生成完整分析报告

报告结构：

1. 问题描述
2. 假设识别
3. 分解路径
4. 基本真理
5. 创新方案
6. 对比分析
7. 建议

---

成功案例

案例 1：技术难题解决

客户：某 AI 创业公司
问题：「为什么我们的 AI 系统准确率低？」
分析结果：识别 5 个假设，提取 3 个基本真理，生成 2 个创新方案
结果：准确率提升 35%，节省 3 个月研发时间

案例 2：创业方向验证

客户：连续创业者
问题：「应该进入 AI Agent 市场吗？」
分析结果：从基本原理验证市场需求，避免盲目进入
结果：调整方向，选择细分市场，6 个月后盈利

---

📞 技术支持

• 📧 邮箱：[e-mail]
• 💬 微信：pagoda111king
• 📖 文档：https://clawhub.ai/skills/first-principle-analyzer/docs
• 🐛 反馈：https://clawhub.ai/skills/first-principle-analyzer/issues

---

📜 许可证

MIT License - 免费使用、修改和重新分发

---

文件版本：v2.3.0
创建时间：2026-04-01
上架时间：2026-04-01
更新时间：2026-04-02
上架用户：pagoda111king