名称: 类比推理 描述: 通过结构映射将知识从源领域迁移到新的目标情境。适用于面对新市场、新产品或新情况时，过去经验能提供相关模式的情况。产生带有明确映射和上下文调整的适应性解决方案。
类比推理
跨领域迁移结构化知识。模式识别与适应的逻辑。
类型签名
类比推理 : 源 → 结构映射 → 目标 → 适应方案
其中:
源 : 先前经验 × 相关性 → 源领域
结构映射 : 源领域 → (对象 × 关系 × 约束)
目标 : 结构映射 × 新情境 → 映射结构
适应方案 : 映射结构 × 情境差异 → 适应性解决方案
使用时机
在以下情况使用类比推理:
- 凭借在相似市场的经验进入新市场
- 凭借相似产品的经验构建新产品
- 面对与过去案例结构相似的新情况
- 需要在不同情境间迁移“剧本”或方法论
- 思考中出现“这就像…”的模式时
不要在以下情况使用:
- 因果关系链已知 → 使用因果推理
- 需要解释观察结果 → 使用溯因推理
- 需要解决对立观点 → 使用辩证推理
四阶段流程
阶段 1: 源检索
目的: 识别具有记录结果的相关先前经验。
源选择标准:
| 标准 | 问题 | 权重 |
|---|---|---|
| 结构相似性 | 问题/情境类型相同吗？ | 0.35 |
| 结果记录 | 我们知道发生了什么吗？ | 0.25 |
| 时效性 | 经验有多新？ | 0.15 |
| 成功程度 | 方法有效吗？ | 0.15 |
| 情境重叠度 | 约束/资源相似吗？ | 0.10 |
源检索过程:
检索:
查询: "进入B2B市场垂直领域"
候选:
- 源: "Shopify DTC 启动 (2024)"
相似度: 0.75
结果: "6个月内验证，20万美元年度经常性收入"
成功度: 高
- 源: "时尚品牌试点 (2023)"
相似度: 0.60
结果: "起步缓慢，两次调整方向"
成功度: 中
- 源: "企业SDK启动 (2024)"
相似度: 0.50
结果: "首单40万美元，强劲的销售渠道"
成功度: 高
选定: "Shopify DTC 启动"
原因: "最高的结构相似性（平台集成、API优先、自助式入门）"
输出:
源:
案例: "Shopify DTC 启动"
领域: "电商平台集成"
时间范围: "2024年第一季度至第二季度"
结果:
成果: "成功"
指标: "20万美元年度经常性收入，50家商户，6个月验证"
关键因素:
- "强大的应用商店存在感"
- "自助式入门流程"
- "集成优先的定位"
记录于: "threads/operations/shopify-dtc-launch/"
阶段 2: 结构映射
目的: 从源领域提取可迁移的结构。
映射组件:
| 组件 | 源示例 | 抽象化 |
|---|---|---|
| 对象 | Shopify 商户 | 平台用户 |
| 关系 | 商户 → 应用 → 客户 | 用户 → 集成 → 终端用户 |
| 约束 | 应用商店规则 | 平台政策 |
| 机制 | 应用商店发现 → 试用 → 购买 | 发现 → 试用 → 转化 |
| 成功因素 | 评论、特色展示位 | 社会证明、可见性 |
结构映射:
结构:
对象:
- 用户: "采用我们解决方案的实体"
- 平台: "我们集成的生态系统"
- 终端用户: "解决方案的最终受益者"
- 解决方案: "我们的产品/集成"
关系:
- 平台 ⊃ 市场: "平台具有发现机制"
- 用户 → 解决方案: "用户采用解决方案"
- 解决方案 → 终端用户: "解决方案服务终端用户"
- 终端用户反馈 → 用户: "价值展示"
机制:
获客:
- "平台市场发现"
- "同行推荐"
- "面向用户的内容营销"
激活:
- "自助式试用"
- "快速实现价值"
- "集成简单性"
留存:
- "嵌入工作流程"
- "创造转换成本"
- "持续价值交付"
约束:
- "需要平台批准"
- "必须遵守平台政策"
- "与平台收入分成"
成功因素:
- "市场排名/可见性"
- "用户评论/评分"
- "平台关系质量"
阶段 3: 目标应用
目的: 将结构映射到新情境，识别哪些可以迁移，哪些不能。
目标情境:
目标:
领域: "B2B市场集成"
平台: "Faire批发市场"
用户: "批发品牌"
终端用户: "零售商"
目标: "减少批发时尚品的退货率"
映射执行:
映射:
对象:
平台: "Shopify" → "Faire"
用户: "DTC商户" → "批发品牌"
终端用户: "消费者" → "零售商"
解决方案: "尺码推荐应用" → "批发尺码工具"
关系:
保留:
- "平台市场发现" (Faire有应用市场)
- "用户采用解决方案" (品牌安装集成)
- "对终端用户的价值" (零售商获得更好的尺码)
修改:
- "自助式试用" → "客户经理协助"
原因: "B2B决策流程不同"
- "个人购买" → "基于合同"
原因: "批发定价模式"
中断:
- "应用商店评论驱动采用"
原因: "Faire市场较少依赖评论驱动"
替代方案: "案例研究和推荐"
机制:
获客:
迁移: "平台市场存在感"
调整: "内容营销 → 贸易展会参与"
新增: "批发买家推荐计划"
激活:
迁移: "集成简单性"
调整: "自助式 → 协助式入门"
新增: "与单一零售合作伙伴进行试点"
留存:
迁移: "嵌入工作流程"
迁移: "价值展示"
调整: "个体指标 → 整体指标"
阶段 4: 适应
目的: 根据情境差异制定具体的调整计划。
情境差异分析:
差异:
关键:
- 名称: "决策流程"
源: "个体商户，快速"
目标: "采购委员会，缓慢"
适应: "增加销售支持，延长周期预期"
- 名称: "价值展示"
源: "每单指标可见"
目标: "跨零售商聚合"
适应: "为品牌构建分析仪表板"
中等:
- 名称: "定价模式"
源: "每店订阅"
目标: "基于用量或百分比"
适应: "探索基于用量的定价"
次要:
- 名称: "技术集成"
源: "Shopify API"
目标: "Faire API"
适应: "标准集成工作"
适应性解决方案:
适应:
策略: "平台辅助的B2B批发启动"
迁移内容:
- "集成优先的定位"
- "平台关系投资"
- "快速实现价值焦点"
- "嵌入工作流程的粘性"
调整内容:
- "自助式 → 带演示的协助式入门"
- "应用商店发现 → 贸易展会 + 推荐"
- "个人评论 → 案例研究"
- "每单指标 → 品牌级分析"
新增内容:
- "面向批发买家的销售流程"
- "多零售商聚合功能"
- "B2B定价模式（基于用量）"
执行计划:
阶段_1: "平台合作 + 3个试点品牌"
阶段_2: "案例研究开发 + 贸易展会参与"
阶段_3: "通过推荐 + 平台推广进行扩展"
预期时间线: "9-12个月（对比DTC的6个月）"
原因: "B2B销售周期更长，需要建立关系"
置信度: 0.70
不确定性:
- "Faire市场动态未知"
- "批发品牌决策流程可能不同"
- "基于用量的定价接受度不明确"
质量门控
| 门控 | 要求 | 失败处理 |
|---|---|---|
| 源质量 | 有指标记录的结果 | 寻找更好的源 |
| 结构清晰度 | ≥3个对象，≥3个明确关系 | 完善映射 |
| 映射覆盖率 | 所有源元素都已映射或标记为中断 | 完善映射 |
| 适应具体性 | 具体行动，非抽象 | 增加具体性 |
| 置信度阈值 | ≥0.6置信度 | 标记高不确定性 |
常见失败模式
| 失败模式 | 症状 | 修复方法 |
|---|---|---|
| 表面相似性 | 基于表面特征而非结构进行映射 | 关注关系，而非对象 |
| 过度迁移 | 假设所有内容都适用 | 明确检查每个元素 |
| 适应不足 | 未经调整直接复制粘贴 | 强制进行情境差异分析 |
| 单一来源 | 只考虑一个类比 | 检索多个候选 |
输出契约
类比推理输出:
源:
案例: 字符串
领域: 字符串
结果: {成果: 字符串, 指标: 字符串}
线程引用: 可选<字符串>
映射:
对象: {源名称: 目标名称}
关系:
保留: [字符串]
修改: [{从: 字符串, 到: 字符串, 原因: 字符串}]
中断: [{关系: 字符串, 原因: 字符串, 替代方案: 字符串}]
适应:
迁移: [字符串] # 直接适用的内容
调整: [字符串] # 需要修改的内容
新增: [字符串] # 真正全新的内容
计划:
阶段: [{名称: 字符串, 行动: [字符串]}]
时间线: 字符串
里程碑: [字符串]
置信度: 浮点数 # 0.0-1.0
不确定性: [字符串]
下一步:
建议模式: 推理模式 # 通常是因果推理
画布引用: [字符串] # 正在测试的假设
追溯:
考虑的源数量: 整数
映射覆盖率: 浮点数 # 源元素映射百分比
持续时间_毫秒: 整数
示例执行
情境: “扩展到家居用品垂直领域（目前在时尚领域）”
阶段 1 - 源检索:
选定: 时尚DTC成功案例（最高相似性）
考虑的替代方案:
- 美妆垂直领域（拒绝：退货动态不同）
- B2B批发（拒绝：买家不同）
阶段 2 - 结构映射:
对象: 时尚品牌 → 家居用品品牌
关系:
- 合身度问题 → 尺寸/空间问题
- 风格匹配 → 美学匹配
- 退货原因: 合身度 → 退货原因: 尺寸/兼容性
机制:
- 视觉AI → 迁移（图像分析）
- 尺码推荐 → 调整（尺寸推荐）
- 颜色匹配 → 迁移（调色板匹配）
阶段 3 - 目标应用:
保留: 视觉AI核心、推荐引擎、集成模式
修改: 合身度算法 → 尺寸/空间算法
中断: 身体测量输入 → 房间/空间测量输入
阶段 4 - 适应:
计划:
阶段 1: 与2个家居用品DTC品牌合作（家具类）
阶段 2: 调整算法以进行基于尺寸的推荐
阶段 3: 开发房间可视化功能（新能力）
时间线: 4-6个月（比时尚更快 - 测量更简单）
置信度: 0.75
关键不确定性: 房间可视化的技术复杂性