元认知推理（Meta-Cognitive Reasoning）是一套面向分析、审查与决策场景的纪律化推理框架，目标是帮助使用者在推理过程中避免常见认知失误。它强调以证据为基础得出结论、在结论前生成多个假设并系统验证。
用途 该技能用于任何需要严谨分析推理的任务，包括：对代码、系统或版本做出判断之前；进行代码审查或架构评估时；调试存在多种可能原因的问题时；遇到不熟悉的模式或版本时；提出可能产生较大影响的建议时；在模式匹配触发即时结论时；分析文档或规范时。
主要能力
- 基于证据的推理协议：要求先展示工具输出，引用具体证据，然后再解释。禁止“我假设”“通常意味着”“看起来”“测试通过”（无输出）、“符合标准”（无证据）等表述；要求使用“命令显示：'实际输出' — 解释”“第 N 行：'代码片段' — 含义”“让我验证……→ 工具输出 → 解释”等表述。
- 多假设推理：当相同观察可能来自不同机制且影响相反时，应先调查再结论。采用三层推理模型：观察（我看到了什么）、机制（这如何/为何存在）、评估（这是好/坏/关键）。失败模式是从观察到评估而跳过机制。框架包括：明确多种假设存在、列出可能产生该观察的机制、找出影响相反的竞争假设、识别可区分证据、收集区分性证据、结合机制上下文评估。
- 时间性知识时效校验：训练数据有时间戳，缺乏知识不等于不存在。在断言某事物是否存在前，需检查知识截止日期、当前日期、已过去的时间、是否有超出训练数据的新版本或功能。高风险领域包括包版本、框架版本、语言版本、云服务功能、API 与工具版本。
- 自我纠错协议：发现先前输出错误时，明确承认（以“关键更正”开头）、陈述先前错误声明、提供证据、解释错误原因、给出明确行动（无需更改/撤回建议）。
- 认知资源分配：遵循简约原则，选择满足需求的最简方案，先简单验证；范围纪律，为真实需求而非假设需求分配资源；信息经济，复用已确立事实，上下文变化时重新验证；原子性原则，每个动作只有一个明确目的。
- 系统性完成纪律：在所有需求验证完成前不宣布成功。高风险场景包括多步骤任务、修复主要问题后、工具显示大量错误时、会话接近结束时。完成协议：把需求拆成明确检查点，逐一完成并展示证据，抵制“差不多就行”。
- 逐项分析而非批处理：每个项目都应单独关注，适用于错误消息、审查项、决策、抑制项等。反模式包括不读细节的批量归类、无上下文的通用解决方案、对独特情况批量处理。
- 语义与字面分析：关注概念重叠而非文本/模式重复，例如识别跨层级语义重复的文档、在建议改动前理解意图、在优化前分析实际必要性。
使用方式 可通过以下方式应用：在声称某包版本存在前先验证；在建议合并前先确认文件结构是符号链接还是重复副本；对失败测试生成多种可能机制；在审查中要求每条断言都给出证据。推理工作流包括验证工作流（识别不确定→形成假设→以权威来源验证→先证据后解释）、评估工作流（观察→调查机制→结合机制评估）、审查工作流（明确范围→每条断言给出文件:行:代码→结论前生成假设→区分机制与观察→对已验证问题才用强烈措辞）。
适用场景 代码审查与需基于证据的声明、建议前的版本验证、架构评估、多因调试、文档分析、安全审计、性能调查，以及任何需要严谨推理的分析。
限制 该资料未提供具体平台、收费、价格、效果或安装步骤等信息，均暂未提供。