权威倒推枚举法（Reverse-Inference Enumeration）
> 一句话：与其靠脑子零散想，不如直接借一份"从结果反算原因"的权威数据库当骨架，再把量级挂上去。
> 适用任何"想找全某领域 X"的任务——X = 风险因子 / 失败模式 / 安全漏洞 / 坏习惯 / 反模式 / 流失动因……不限健康。
> 🎯 核心使命 · 习惯即命运（同源《Skill 设计总宪章》）
> 本 Skill 帮用户养成的好习惯：遇到"列全某领域 X"时，先找权威倒推数据库当骨架，而非凭记忆零散加——一次用外部标尺 → 坚持"可证伪枚举" → 思维变"重证据轻直觉" → 长期少漏关键风险。
> 机制轴：AI 帮你定位权威数据库 D、挂量级、跑覆盖审计（审核档）；"是否采用 / 如何取舍"的最终判定权在你（人验证），不替你定性。
> 演化轴：本 Skill 帮人"想得清（枚举完整性可证伪）、做得对（不被记忆盲区误导）"，是认知能力的日常外延——活着，且活得更好。
> 自治滑块：本 Skill 默认「审核档」——AI 产出枚举骨架草稿 / 覆盖审计，最终"是否采信某 X、是否补充特殊项"的判定权在你（人验证），不替你定性；本 Skill 不执行任何对外 / 不可逆动作。
0. 如何调用（输入 / 输出契约）
何时调用（触发）：见 frontmatter trigger_examples（如"怎么把 X 列全，别漏""系统梳理 XX 领域风险因子"）；也可直接说"用权威倒推法枚举 XX"。
你需要提供的输入（最小）：
- 目标负面结果 Y（你想找全原因的那个坏结果，如"心梗""线上事故""数据泄露"）；
- （可选）你已知的候选 X 清单 / 手头数据源。
你会拿到的输出：
1. 枚举骨架——以权威倒推数据库 D 的原因清单为全集（已外部验证完整性）；
2. 每个 X 挂上量级（PAF 等价物 / 占比），并标证据等级与来源；
3. 一张覆盖审计表（已覆盖 / 缺口 / 框架外补充）；
4. 三层标注（显性 / 隐性盲区 / 误传），凸显被低估的 X；
5. 收尾的"出口闸门两问"结论（什么情况会误导 / 何时失效，见 §9 铁律 7）。
调用流程（对话式，无需参数）：说出 Y → AI 按 §3 六步协议带做 → 每轮结束前跑"出口闸门两问" → 你确认后沉淀为文件（见 §9 铁律 8）。
1. 为什么不用"归纳法"（关键前提）
当你说"把所有坏习惯/所有失败原因列全"时，本能做法是回忆 + 搜索，遇到一个加一个。
这个方法有三个致命缺陷，已被实践证伪：
- 隐性盲区：明显的东西（吸烟、熬夜）人人知道，但"不太喝水""刷牙不干净"这类低可见度、高终局严重度的条目，靠记忆几乎必漏。
- 认知偏差：人会高估"熟知的"，低估"机制可疑但少被研究的"，导致清单失衡。
- 无法证伪：你不知道"到底列全了没有"——没有外部标尺，完整性不可验证。
结论：枚举完整性必须有一个外部权威标尺。这个标尺就是"权威倒推数据库"。
2. 核心概念
- 权威倒推数据库（Reverse-Inference DB）：一份量化"负面结果有多少是由某原因造成"的数据集。
它不是列"原因→结果"，而是反着来——从大量已发生的负面结果，反算每个原因的贡献度。 - 健康领域：GBD 2021（比较风险评估 CRA + 人群归因分数 PAF）——"把某风险因素降到最小，疾病负担降多少"。
- 这正是用户说的"根据大量患癌/患心血管的病人，倒推这个病多大比例由某个习惯造成"。
- 枚举骨架（Enumeration Skeleton）：把这份数据库里的原因清单，直接当作 X 的全集。它已被外部验证过完整性。
- PAF 等价物（Attribution Magnitude）：每个 X 的"贡献度/严重度"数字。
- 健康 = PAF（人群归因分数，%）；其他领域可能是"事故占比""泄露占比""违约因子贡献度"等（见 §5 映射表）。
- RR / OR（相对风险）：与 PAF 互补——PAF 答"这个病多少是该习惯造成的"，RR 答"暴露者风险翻几倍"。两者都要挂。
> 💡 换算小贴士：若只有 RR 和暴露患病率 p，可用 PAF ≈ p(RR−1) / [p(RR−1)+1] 推导归因占比（机制估算，需标注）。
> 例：牙周炎成人患病率~40%、MACE RR 1.24 → PAF ≈ 8–9%。
3. 六步协议（照做即可）
步骤 1 定义负面结果 Y
└─ 你想"找全原因"的那个坏结果（疾病 / 故障 / 泄露 / 破产 / 召回 / 事故 / 诉讼）
步骤 2 找权威倒推数据库 D
└─ D 必须：(a) 量化"Y 由各原因造成多少"；(b) 外部权威/大规模；(c) 原因已分级归类
└─ 领域→D 映射见 references/domain-db-map.md（健康用 GBD，软件用 postmortem 库，安全用 CWE/DBIR…）
步骤 3 以 D 的原因清单作枚举骨架
└─ 直接把 D 列出的原因当作"X 全集"；D 的层级(Level1/2/3)即天然分类法
步骤 4 为每个 X 挂量级（PAF 等价物）
└─ 从 D 取归因占比；缺 PAF 的用 RR + 患病率推导（标注"机制估算"）；都没有标 ❓
步骤 5 覆盖审计 + 找缺口
└─ 对照 D 的清单，逐条打勾：已建 / 缺口（高价值优先）；
记录"D 框架外但重要的本土/特殊条目"（如健康里的烫饮、口腔卫生不良）
步骤 6 分类 + 分层 + 输出
└─ 用 D 的层级做 taxonomy；额外按"显性/隐性认知盲区/误传"三层标注，凸显被低估的 X
4. 覆盖审计模板
| D 框架内的原因 | 状态 | 你的条目 | 备注 |
|---|---|---|---|
| 原因 A | ✅ 已覆盖 | #x | 量级已挂 PAF |
| 原因 B | ❌ 缺口(高价值) | — | 优先补，附 D 的归因数 |
| 原因 C | ❌ 缺口 | — | 低优先 |
| （框架外特殊项） | ➕ 补充 | #y | 非 D 框架，单独管理 |
审计结论应回答三件事：
1. 已覆盖 D 框架的几成？
2. 最大盲区在哪？（通常是"该做没做/方式不对"类，而非"过量/成瘾"类）
3. 哪些 D 框架外的特殊项需要单独保留？
5. 如何挂量级：PAF 等价物速查（跨领域）
完整映射见 references/domain-db-map.md。要点：
| 领域 | 负面结果 Y | 权威倒推数据库 D | 量级（PAF 等价物） |
|---|---|---|---|
| 健康/疾病 | 发病/死亡 | GBD 2021 (CRA+PAF)、IARC、CKB | PAF % / RR |
| 软件可靠性 | 线上故障/事故 | 大厂 postmortem 库、SRE 失效目录、CNCF 故障目录 | 按根因类别的事故占比 |
| 信息安全 | 数据泄露/入侵 | CVE/CWE（弱点作骨架）、OWASP Top 10、Verizon DBIR | 泄露事件占比（按向量/动因） |
| 金融/信用 | 破产/违约/回撤 | 风险因子归因研究、Altman/违约归因、组合归因 | 因子贡献度 |
| 制造/质量 | 缺陷/召回 | FMEA 库、recalls.gov、NHTSA 召回分类 | 缺陷模式占比 |
| 物理安全 | 伤亡事故 | 航空 ASRS、NTSB、CCPS 过程安全失效库 | 事故致因占比 |
| 产品/增长 | 流失/差评 | 流失根因调研库、NPS 贬损动因分类 | 动因占比 |
| 法律/合规 | 诉讼/处罚 | 案例库案由分类 | 案由占比 |
6. 三层标注法（凸显被低估的 X）
借鉴健康实践，对每条 X 标注它"为什么容易被漏"：
- 🔴 显性：人人知道但难改（如吸烟、熬夜）→ 用户要的是"量化严重程度"
- 🟡 隐性认知盲区：机制可疑、少被研究、低可见度（如不太喝水、刷牙不干净）→ 本方法最大价值所在
- ⚪ 误传：流传说法被夸大或方向错（如"反式脂肪酸容易致癌""炒瓜子致咽喉癌"）→ 必须诚实纠偏
> 经验：真正的盲区几乎都在"该做没做"和"方式不对"，而不是"过量/成瘾"（后者研究透、公众熟）。
- 下一步最小行动：每轮枚举后，挑"最大隐性盲区"那一条，明天就去查证它的权威量级（或补进枚举骨架文件）——让"可证伪枚举"习惯真正落地，而非只停留在文档。
7. 已验证案例（健康领域）
- 任务：把"长期坏习惯→疾病"列全。
- 旧法（归纳）：记忆式收集，到 31 条发现"不太喝水"漏了 → 证明不完整。
- 新法（本技能）：以 GBD 2021 行为风险子集（23 个 Level-3 风险） 为骨架 →
- 覆盖审计发现最大盲区是"膳食不足类"（低水果/纤维/全谷物/蔬菜/豆类/坚果/钙/奶/PUFA/omega-3/叶酸）+ 高 BMI + 高红肉；
- 为每个习惯挂 GBD 全球 PAF + 中国 CKB + IARC 癌症倒推数；
- 保留 GBD 框架外的本土补充（烫饮、熬夜、口腔卫生不良等）。
- 产出：
habit-risk-oracle技能，35 个坏习惯，枚举完整性可证伪。 - 价值佐证："刷牙不干净"看似小，倒推链为 牙周炎→掉牙 + 心血管病（MACE RR 1.24，无牙颌心血管死亡 RR 2.03）——正是低可见度、高终局严重度的典型，靠记忆必漏。
8. 跨域示例（软件可靠性，演示复用）
- Y = 线上事故；D = 某大厂内部 postmortem 库 / CNCF 故障目录（已按根因分类）。
- 骨架 = D 的根因类别全集（如：配置错误 / 容量不足 / 依赖故障 / 发布缺陷 / 数据损坏 / 人为误操作 …）。
- 量级 = 该类根因占全部事故的比例（如"配置错误占 35%"）。
- 审计 → 发现"容量规划不足"占比高但团队无 checklist → 补。
- 输出 = 一份"事故根因全集 + 占比"，比"凭记忆列 10 条"完整且可证伪。
9. 铁律与边界
- 骨架必须外部权威：不能用"我自己想的清单"当骨架，否则回到归纳法。来源要在输出里写明。
- 量级必须可溯源：PAF/RR/占比都要带来源与证据等级；推导值标"机制估算"。
- PAF ≠ 个体概率：PAF 是人群层面归因比例，不表示"你个人有 X% 概率因此出事"。
- 缺数据 ≠ 安全：标 ❓（证据不足）而非当无害；建议查证或就医/送修。
- 框架外项单独管：D 没覆盖但重要的本土/特殊项，单列并注明"非 D 框架"，不与骨架冲突。
- 先审计再补：新增条目前先对照 D 查是否已在列；在 D 内但缺 → 优先补。
- 出口闸门两问（收尾自检，🔴必做）：宣布"枚举完成"前，书面回答 ①最强反证——这个枚举在什么情况下会误导人？（如 D 本身有发表偏倚、或 Y 定义漂移）；②失效条件——什么变化会让本方法失效？（如该领域根本不存在权威倒推数据库）。任一答不出 → 标
[uncertain]，不封顶。 - 累积沉淀（跨会话记忆）：每轮产出的"覆盖审计表 + 量级标注"应保存到固定文件（如
<领域>_枚举骨架.md），而非只留在对话里——隔月 / 换会话仍能复现与复利，避免重复从零枚举。说"把这张表存进文件"即追加。
10. 何时不用本方法
- X 是开放创意类（如"所有 App 点子"）——没有"负面结果"可倒推，不适用。
- 领域尚无权威倒推数据库且短期内造不出来 → 退而用"演绎矩阵"（约束×违规类型）辅助，但明确标注"完整性未证伪"。
- 纯一次性小清单（<10 条且低风险）→ 直接列，不值得搭骨架。
11. 常见反模式 FAQ（高频问题）
Q1：只有 RR（相对风险）、没有现成 PAF 怎么办？
→ 用 §2 公式 PAF ≈ p(RR−1) / [p(RR−1)+1] 推导，标注"机制估算"，并附暴露患病率 p 的来源；都缺则标 ❓，不硬算。
Q2：权威数据库 D 的层级（Level1/2/3）太粗，怎么拆？
→ D 的层级是"天然分类法"，先原样用作骨架保证完整性；需要更细时下沉到 D 的子分类或原始研究（如 GBD 的 Level-3 风险），并注明拆分依据，不要自创顶层类别。
Q3：找不到某领域的权威倒推数据库 D 怎么办？
→ 退而用"演绎矩阵"（约束 × 违规类型）辅助枚举，但必须显式标注"完整性未证伪"；不要假装已穷尽。见 §10 何时不用。
Q4：PAF 高是不是就"最该先改"？
→ 不一定。PAF 是人群归因比例，不是个体优先级；决策还要叠加重可改性、成本、你自己的暴露水平。本 Skill 只给证据，取舍由你定（审核档）。
Q5：框架外补充项会不会破坏骨架？
→ 不会。框架外项单列并注明"非 D 框架"（铁律 5），与骨架并行管理，反而能补 D 覆盖不到的本土 / 特殊条目。
Q6：怎么判断"列全了"？
→ 跑 §4 覆盖审计：对照 D 的清单逐条打勾，已覆盖比例 + 最大盲区 + 框架外项三问都答得出，才算"可证伪地接近全"；仍可能有 D 之外的未知项，故结论带 [uncertain] 不封顶。
12. 数据源 / 延伸阅读
- 完整跨领域映射与每个 D 的获取方式：
references/domain-db-map.md - 健康领域实证骨架：GBD 2021 Risk Factors Collaborators, Lancet 2024;403:2162-2203 (PAF methodology)
- 已落地技能：
habit-risk-oracle（用 GBD+PAF 作骨架的坏习惯全集）
本技能是"权威倒推枚举法"的通用元方法论，可复用于任何"找全某领域 X"的任务。核心价值：让枚举完整性可证伪，并凸显低可见度、高严重度的隐性条目。
