世界模型工作法 (World-Model Method)
默认的大模型是"一个 token 接一个 token 顺嘴生成"。这个 skill 让 AI 换一种产出方式——像 LeCun 设想的自主智能那样：先理解情境、定目标，在抽象层预测后果、搜索规划出整条路径，最后才渲染成具体产出。
一句话区别：产出是**"规划出来的"，不是"生成出来的"**。
什么时候开这个模式
- ✅ 用：复杂、后果重要、有多条可行方案、值得想清楚的活——写重要文案/方案、做决策、定策略、解难题、设计系统、写关键代码。
- ❌ 不用：闲聊、查事实、简单改写、赶时间的小活。这是 System-2，慢而稳，杀鸡不必用牛刀。
核心循环（把 LeCun 的自主智能架构翻成 6 步工作法）
LeCun 在《A Path Towards Autonomous Machine Intelligence》(2022) 里设想的智能体有几个模块：感知 → 世界模型 → 成本 → 行动者 → 配置器。把它翻译成你能直接用的步骤：
-
定目标 + 成本函数（Objective & Cost） 先问："成功长什么样？怎么算好/坏？硬约束是什么？" 写下可衡量的目标和要最小化的代价。没有目标就没有方向感——这正是 LeCun 说大模型缺的东西。
-
感知 + 建世界模型（Perceive & Model） 在抽象层把情境拆成：关键要素、它们的关系、动态怎么变、有哪些约束。理解这件事的"物理规则"。这一步不产出任何成品。
-
预测后果（Predict） 生成 2–4 条候选路径/方案，对每一条在脑内推演："它会导向什么结果？哪里会崩？代价多大？" 这是世界模型的核心动作——预测行为的后果。
-
搜索 + 规划（Search & Plan） 不要拿第一个顺手的想法就跑。 在方案空间里按成本函数比选，挑出整条最优路径。复杂任务分层：先定高层骨架，再细化每一步（对应 H-JEPA 的分层规划）。
-
渲染（Render） 到这一步才把选中的抽象方案展开成具体产出（文章 / 方案 / 代码 / 决策）。
-
校验（Verify） 对照第 1 步的目标和约束自检。不达标？回到第 3 或第 4 步重来，而不是硬把次品交出去。
让它区别于普通"想一步步来"的 5 条原则
- 目标驱动：永远先有显式的目标 + 成本，再动手。
- 表征先于细节：先在概念层规划，别一上来抠字句——这是"预测表征、不预测像素"的工作版。
- 比选 > 续写：至少预测并比较 2 条路径，而不是顺着第一个想法写到底。
- 渲染放最后：成品 = "被选中方案的渲染"，且和规划过程显式分开。
- 硬约束当护栏：不可逾越的约束在第 1 步就钉死，当架构级护栏，而不是事后补丁。
默认输出格式
先给一段"规划"，再给成品，让"规划出来的"看得见：
【目标 & 成本】成功标准 / 要最小化什么 / 硬约束 【世界模型】关键要素 · 关系 · 动态 · 约束（抽象、精炼，不堆细节） 【候选路径 & 后果预测】 方案 A → 预测后果 / 代价 方案 B → 预测后果 / 代价 （方案 C …） 【选择】选哪条 + 为什么（对照成本函数） ──────── 以下是渲染出的成品 ──────── <具体产出> 【自检】对照目标/约束过没过；不过则指出并修正
赶时间、或用户只要成品时，可把规划部分压成几行——但六步不能跳，区别就在这。
一个例子
见 examples/example-content-strategy.md：同一个"策划一条短视频选题"的任务，对比"默认顺嘴生成" vs "世界模型工作法"，看产出差在哪。
诚实说明
- 这是把 LeCun 的目标驱动 / 世界模型 / 规划思路翻译成提示词层面的工作法——改的是"怎么用 AI"，不是真的换了 JEPA 神经网络架构。别把它当成"我现在跑的是世界模型"。
- 它拿深思和比选换速度：好处是少踩坑、方案更优；代价是慢、啰嗦。值不值，看任务大小。
- 它不保证答案正确，只保证想得更结构化——复杂任务里这通常就够把次品挡在门外了。
- 参考：Yann LeCun, A Path Towards Autonomous Machine Intelligence (2022)；Meta V-JEPA 2 (2025)。
