系统思维技能 (Systems Thinking)

概述

本技能提供两套核心方法论，帮助你系统性地分析和解决复杂问题：
1. 多因素分析法 — 层层深挖问题成因，发现反馈回路
2. 系统基本模型应用 — 识别问题背后的系统结构，找到杠杆解和根本解

可视化输出规范（核心）

本技能的所有图表必须以可渲染的可视化图形形式输出，而非仅输出源代码。在 WorkBuddy 环境中，使用 show_widget 工具将图形渲染为内联可视化；同时保留源码与文字清单，便于复制到其他环境。

> 核心原则：用户必须直接"看到图"，而不是看到一段待渲染的代码。

可视化类型与技术方案

输出三件套（每次出图必须同时给出）

1. 可视化图形：通过 show_widget 工具渲染，用户直接看到图（首要）
2. 源码：Mermaid / Chart.js 配置，以代码块给出，便于复制到其他环境
3. 文字回路清单/解读：辅助理解，且应对无法渲染的场景

配色与标注规范

• 增强回路 R（恶性/崩溃）：暖色，红色系 #E24B4A
• 增强回路 R（良性/增长）：暖色，绿色系 #639922
• 调节回路 B：冷色，蓝色系 #185FA5
• 延迟标记：连接上标 延迟，并在图中显著标注 ‖ 延迟 Nx月/年
• 极性标记：+（同向变化）/ −（反向变化），用 Mermaid 的 -->|+| / -->|-|
• 回路编号：R1/R2/B1 等，在图注释与文字清单中保持一致

主题适配（跟随 IDE 主题）

• light 主题：浅色背景 + 深色文字，节点用浅填充 + 深描边；mermaid 用 theme: neutral
• dark 主题：深色背景 + 浅色文字；mermaid 用 theme: dark
• Canvas（Chart.js）不能用 CSS 变量，须硬编码十六进制颜色

渲染模板

可直接复用的 mermaid.js / Chart.js / SVG 代码模板见 references/visualization-templates.md。每次渲染前先 read_me 加载对应模块（diagram/chart）获取最新设计规范。

因果回路图绘制规范

因果回路图（Causal Loop Diagram，CLD）是系统思考的核心可视化工具。所有 CLD 必须通过 show_widget 渲染为可视化图形。

> 渲染方案选择（实战经验）：
> - 节点 > 6 个 或 多回路耦合：优先原生 SVG 精绘——mermaid 自动布局在节点多时会拥挤、交叉、极性标注错位；SVG 可完全控制布局、回路颜色编码、延迟标注位置。
> - 节点 ≤ 6 个 的简单单回路图：可用 Mermaid graph LR + mermaid.js（快速）。
> - 无论哪种方案，都须保留源码 + 文字回路清单（输出三件套）。

基本语法

节点定义（因素/变量名）：

因素简称[因素全称]

连接与极性标记（Mermaid 标准写法）：

A[因素A] -->|+| B[因素B]    # 正向关系：A增加则B增加，A减少则B减少
A[因素A] -->|-| B[因素B]    # 负向关系：A增加则B减少，A减少则B增加
A[因素A] -->|延迟| B[因素B] # 存在显著时间延迟

回路标注（用 subgraph 或注释）：

graph LR
    A[销量] -->|+| B[收入]
    B -->|+| C[研发投入]
    C -->|延迟| D[产品质量]
    D -->|+| A

    %% 这是一个增强回路 R1：质量驱动增长

回路极性判定规则

• 沿回路数连接中的 -（负极性）标记数量
• 偶数个负 = 增强回路（正反馈，标记为 R）
• 奇数个负 = 调节回路（负反馈，标记为 B）

示例：
A -->|+| B -->|-| C -->|+| A
负极性连接数 = 1（奇数）→ 调节回路（B）

图表类型选择

绘图原则

1. 变量名用名词性短语，不用动词（如“用户满意度”而非“满足用户”）
2. 正负极性只标记直接影响，不跳过多层中间变量
3. 延迟标记不可省略——时间延迟是系统行为复杂性的关键来源
4. 回路必须闭环——确保每个回路标注最后一条边回到起点
5. 逐步构建——先从 3-5 个关键变量开始，逐轮补充
6. 区分“感知的状态”与“实际状态”——当信息有偏差时添加感知变量

复杂回路网络的布局（>6 变量）

对于超过 6 个变量、或多回路耦合的复杂系统，必须用原生 SVG 精绘——Mermaid 的 subgraph 分组在节点多时仍会自动布局错乱、连接交叉，无法清晰表达回路结构与极性。

SVG 精绘布局策略：
1. 因素关系图：垂直分层（系统状态 → 驱动因素 → 结果变量 → 外部因素），同层节点横向排列
2. CLD：核心节点放中心列，各回路围绕布局；用颜色编码回路（R 良性绿 #639922 / R 恶性红 #E24B4A / B 蓝 #185FA5 / 待激活虚线绿）
3. 共享节点（被多回路经过的节点，如"销量""电池储备"）用中性色，是系统的结构耦合点，重点标注
4. 极性标签 +/− 标在箭头中点；延迟标 延迟 − 在对应连接上
5. 回路编号 R1/B1 等标在回路旁，与文字清单一致

> 完整模板见 references/visualization-templates.md 的「因素关系图 SVG 精绘」「CLD SVG 精绘」。

绘制时的输出要求

每次输出因果回路图时，必须同时给出（输出三件套）：
1. 可视化图形：通过 show_widget 工具，用 mermaid.js 将 Mermaid 代码渲染为图形，用户直接看到图（首要交付物）
2. Mermaid 源码：以代码块形式给出，便于复制到其他环境二次编辑
3. 文字回路清单：辅助理解，应对无法渲染的场景

#### 回路清单（文字描述）
- R1「增长引擎」：销量 ↑ → 收入 ↑ → 研发投入 ↑ → 产品质量 ↑ → 销量 ↑
- B1「资源约束」：产能 ↑ → 交付延迟 ↓ → 用户满意度 ↑ → 订单量 ↑ → 产能需求 ↑ → 交付延迟 ↑

show_widget 渲染示例（Mermaid CLD）：

<div style="background:#fff;border:0.5px solid #E5E5DC;border-radius:12px;padding:16px;">
<div class="mermaid" style="font-size:13px;">
graph LR
    A[销量] -->|+| B[收入]
    B -->|+| C[研发投入]
    C -->|延迟| D[产品质量]
    D -->|+| A
</div>
</div>
<script src="https://cdn.jsdelivr.net/npm/mermaid@10/dist/mermaid.min.js"></script>
<script>mermaid.initialize({startOnLoad:true,theme:'neutral',flowchart:{curve:'basis'}});</script>

第一部分：多因素分析法

当用户描述一个问题时，按以下四个层次逐步展开分析。每一步的输出都应有清晰的结构，便于用户理解。

步骤 1：识别影响因素

首先界定系统边界，然后列出所有影响系统行为与状态的因素。

输出格式：

## 系统边界界定
- 系统名称：[系统的名称]
- 范围：[时间范围和空间/组织范围]
- 核心行为/状态：[关注的系统行为或状态指标]

## 影响因素清单

### 内部因素
| 编号 | 因素 | 描述 | 对系统的影响方向 |
|------|------|------|------------------|
| I1   | ...  | ...  | ↑/↓/复杂         |

### 外部因素
| 编号 | 因素 | 描述 | 对系统的影响方向 |
|------|------|------|------------------|
| E1   | ...  | ...  | ↑/↓/复杂         |

## 关系图（用 show_widget 渲染为可视化图形）
> 须通过 `show_widget` + mermaid.js 渲染输出，让用户直接看到因素关系网络，而非仅看到代码。
```mermaid
graph TD
    I1[因素1] --> S[系统状态]
    E1[外部因素1] --> S
    ...

**操作要点：**
- 尽量穷举因素，不做筛选
- 区分内部因素（系统内可控）和外部因素（系统外不可控）
- 初步判断每个因素对系统的影响方向（正向增强/负向抑制/非线性复杂影响）
- 用 Mermaid 图表可视化因素与系统状态的关系

### 步骤 2：分析影响机制

对每个因素，深入分析它是**如何**对系统产生影响的。

**输出格式：**

影响机制分析

[因素名称]

• 影响路径：[因素] → [中间变量1] → [中间变量2] → [系统状态]
• 影响强度：高 / 中 / 低
• 时间延迟：短期（立即生效）/ 中期（数周到数月）/ 长期（数月到数年）
• 非线性特征：[是否存在阈值效应、边际递减、临界点等]
• 证据/假设：[基于什么判断这个影响机制]

**操作要点：**
- 关注影响链中的中间变量，揭示隐藏的影响路径
- 标记时间延迟，这是系统行为复杂性的重要来源
- 标记非线性特征（如临界点、边际递减等），这些是杠杆点存在的信号
- 区分已验证的事实和基于经验的假设

### 步骤 3：追溯上级因素（因果链层层上溯）

对步骤 1 中识别出的每个关键因素，追问"影响这个因素的因素又是什么？"，形成因果链。

**输出格式：**

因果链追溯

[顶层因素]

[一级因素]
├── [二级因素 A]
│ ├── [三级因素 A1]
│ └── [三级因素 A2]
├── [二级因素 B]
│ └── [三级因素 B1]
└── ...

因果链汇总

**操作要点：**
- 至少追溯 3 层（直到触及基本常量或可改变的变量）
- 对每个间接因素标记"可干预节点"——标志着该因素是可以实际干预的改变点
- 关注跨因果链的交叉影响（即一个因素的上级因素同时影响另一个因果链）

### 步骤 4：识别反馈回路

在前三步的基础上，排查直接因素和间接因素之间是否存在反馈回路。**必须通过 `show_widget` 渲染可视化 CLD 图形 + 给出 Mermaid 源码 + 文字回路清单（输出三件套）。**

**输出格式（图表部分——Mermaid）：**

```mermaid
graph LR
    subgraph 增强回路
        A[因素A] -->|+| B[因素B]
        B -->|+| C[因素C]
        C -->|延迟| A
    end

    subgraph 调节回路
        D[因素D] -->|+| E[因素E]
        E -->|-| F[因素F]
        F -->|-| D
    end

    %% R1「回路名称」
    %% B1「回路名称」

输出格式（文字部分）：

## 反馈回路识别

### 增强回路（正反馈，R）

**R1「[回路名称]」**
[因素A] ↑ → [因素B] ↑ → [因素C] ↑ → [因素A] ↑
特征：[自我强化的循环，导致指数增长或崩溃]
主导性：[当前是否主导系统行为]
延迟：[回路中是否存在显著延迟，约多长]

**R2「[回路名称]」**
...

### 调节回路（负反馈，B）

**B1「[回路名称]」**
[因素D] ↑ → [因素E] ↑ → [因素F] ↓ → [因素D] ↓
特征：[自我调节的循环，维持系统稳定]
主导性：[当前是否主导系统行为]
延迟：[回路中是否存在显著延迟，约多长]

### 反馈回路网络图（Mermaid 合并视图）
```mermaid
graph TD
    A[因素A] -->|+| B[因素B]
    B -->|+| C[因素C]
    C -->|延迟| A
    D[因素D] -->|+| E[因素E]
    E -->|-| F[因素F]
    F -->|-| D
    %% 跨回路连接
    A -->|+| D

回路闭环验证

### 关键发现
- **主导回路**：[哪个回路目前主导系统行为，判断依据]
- **延迟回路**：[哪些回路由于时间延迟而被忽视，可能导致超调或振荡]
- **潜在风险回路**：[哪些回路可能在条件变化时被激活]
- **回路相互作用**：[增强回路和调节回路之间的相互制衡关系]

操作要点：
- 标记每条连接的正负极性（+ 表示同向变化，- 表示反向变化）
- 判断回路极性：偶数个负极性连接 = 增强回路，奇数个 = 调节回路
- 做回路闭环验证表，避免方向误判
- 识别主导回路（当前驱动系统行为的核心回路）
- 关注延迟回路（由于时间延迟而未被注意的回路）
- 每个回路必须给出 Mermaid 图 + 文字描述两种形式

第二部分：系统基本模型应用

系统基本模型（System Archetypes）是反复出现的系统结构模式。识别问题匹配哪种基本模型，是找到杠杆解的关键。

可用的系统基本模型

详细模型定义见 references/archetypes.md。以下是核心模型速查：

应用步骤

步骤 1：问题表述与模型匹配

引导用户清晰描述问题后，将其与系统基本模型匹配。

匹配方法：
1. 提取问题中的关键变量和行为模式（时间趋势）
2. 将关键变量映射到各模型的核心结构
3. 选择最匹配的 1-2 个模型

输出格式：

## 问题结构分析

### 问题表述（用户语言）
[用一两句话概括用户的问题]

### 关键变量提取
| 变量 | 当前趋势 | 边界条件 |
|------|----------|----------|
| ...  | 上升/下降/波动 | ...      |

### 模型匹配
**最佳匹配模型：[模型名称]**
- 匹配度：[高/中] — [简述匹配理由]
- 结构映射：
  - [模型中的角色A] → [用户问题中的对应变量X]
  - [模型中的角色B] → [用户问题中的对应变量Y]
  - ...

**备选模型：[模型名称]**（如有）

步骤 2：行为模式推演

基于匹配的模型，推演系统未来的行为趋势。

输出格式：

## 行为模式推演

### 当前趋势延续（不出手干预）
[描述如果不干预，系统将如何演化，使用模型的结构逻辑推导]

### 可能的意外后果
[基于模型特征，指出当前路径可能导致的非直觉性后果]

### 趋势图（必须用 Chart.js 渲染为可视化曲线）
[用 Chart.js 双轴折线图展示各关键变量在 3-5 个时间周期内的变化，须通过 `show_widget` 渲染。延迟反馈、增长极限、主导回路转移等关键节点须用参考线标注。模板见 `references/visualization-templates.md`]

步骤 3：杠杆解与根本解

杠杆解是在系统中用最小的干预产生最大效果的点。根本解是解决导致问题的深层系统结构。

输出格式：

## 杠杆解与根本解

### 杠杆点分析（基于 Donella Meadows 杠杆点层级）

> 建议将 12 层杠杆点用原生 SVG 渲染为金字塔图（浅层在底、深层在顶），高亮本次问题的根本解所在层级。模板见 `references/visualization-templates.md`。

| 层级 | 杠杆点类型 | 在本问题中的具体表现 | 干预难度 |
|------|------------|----------------------|----------|
| 12   | 数字/参数  | ...                  | 低       |
| 11   | 缓冲器    | ...                  | 低       |
| 10   | 存量-流量结构 | ...               | 中       |
| 9    | 延迟时间   | ...                  | 中       |
| 8    | 调节回路强度 | ...                | 中高     |
| 7    | 增强回路强度 | ...                | 中高     |
| 6    | 信息流结构 | ...                  | 高       |
| 5    | 规则/激励  | ...                  | 高       |
| 4    | 自组织能力 | ...                  | 很高     |
| 3    | 系统目标   | ...                  | 很高     |
| 2    | 心智模式/范式 | ...               | 极高     |
| 1    | 超越范式   | ...                  | 极高     |

### 杠杆解（高杠杆干预点）

#### [杠杆解 1]：[名称]
- **杠杆层级**：[N]
- **干预方式**：[具体操作]
- **预期效果**：[为什么小干预能产生大效果]
- **风险与副作用**：[可能的负面后果]
- **实施难度**：低/中/高

#### [杠杆解 2]：[名称]
...

### 根本解（结构性方案）

#### [根本解 1]：[名称]
- **针对的系统结构**：[改变什么回路或关系]
- **具体措施**：
  1. [措施1]
  2. [措施2]
  3. [措施3]
- **预期时间跨度**：[短期/中期/长期见效]
- **成功指标**：[如何判断根本解生效]

#### [根本解 2]：[名称]
...

### 行动建议路线图

| 阶段 | 行动 | 类型 | 时间 | 预期效果 |
|------|------|------|------|----------|
| 立即行动 | ...  | 杠杆解/根本解 | 1-2周 | ...      |
| 短期     | ...  | ...           | 1-3月 | ...      |
| 中期     | ...  | ...           | 3-12月| ...      |
| 长期     | ...  | ...           | 1年以上| ...     |

操作要点：
- 杠杆解可能不是根本解——它只是效率最高的干预点，不一定解决深层结构
- 根本解往往需要更长的时间和更大的投入，但效果更持久
- 建议同时给出杠杆解（快速见效）和根本解（长期根治）
- 高杠杆点（如改变规则、目标和心智模式）虽然干预难度大，但效果最深远

完整工作流程

当用户提出一个需要系统思考的问题时，按以下流程操作：

用户问题
    │
    ▼
[多因素分析法]
    ├── 步骤 1：识别影响因素
    ├── 步骤 2：分析影响机制
    ├── 步骤 3：追溯上级因素
    └── 步骤 4：识别反馈回路
    │
    ▼
[系统基本模型应用]
    ├── 步骤 1：问题表述与模型匹配
    ├── 步骤 2：行为模式推演
    └── 步骤 3：杠杆解与根本解

使用原则：
1. 始终先做多因素分析，再做模型匹配。多因素分析提供事实基础，模型匹配提供理论框架。
2. 根据问题复杂度调整深度：简单问题可合并步骤，复杂问题应逐步展开。
3. 用户可以选择只启用其中一部分：比如只做多因素分析，或只做模型匹配。
4. 推进节奏：默认走完全程再交付（用户通常需要完整结果）；若用户明确要求分步推进或问题极复杂，则在关键节点（如识别反馈回路后）暂停确认。每一步的可视化图形须即时渲染，不要只给代码。
5. 语言匹配：始终使用用户的语言（中文/英文）进行输出。

触发条件

本技能在以下情况下应被激活：

关键词触发（用户使用了以下表述之一时优先激活）：
- "系统思维"、"系统性思维"、"系统思考"、"系统性思考"
- "系统性分析"、"系统分析"、"系统化思考"、"系统式思考"
- "系统性解决问题"、"系统化解决问题"、"系统性解决方案"
- "多因素分析"、"因果分析"、"反馈回路"、"根本原因分析"
- "杠杆解"、"根本解"、"系统结构"、"反馈机制"
- "因果回路图"、"因果循环图"、"系统循环图"、"因果反馈图"
- "存量流量图"、"系统动力学图"

场景触发（用户的问题符合以下特征时激活）：
- 用户描述了一个反复出现的复杂问题，询问原因或解决方案
- 用户寻求某个组织/业务/技术问题的深层原因
- 用户的问题涉及多个相互关联的因素，且简单的线性因果无法解释
- 用户想要理解问题背后的系统结构或反馈机制
- 用户在讨论"为什么问题反复出现"、"为什么越努力越糟糕"等系统陷阱
- 用户使用"分析一下原因"、"为什么会这样"、"怎么做才能从根本上解决"等表述

```