用途：cognitive-bias-detection 用于在评估、推荐或决策场景中审计推理过程本身，而不只是结论。它假设推理会被可预测的、无意识的错误系统性地扭曲，且最危险的往往是最笃定的分析。
主要能力：覆盖多类高影响偏差。评估与决策类包括确认偏差（只找支持既有信念的信息）、锚定（过度依赖最初数字或框架）、可得性启发（高估近期或生动事件）、沉没成本（因已投入而继续）、规划谬误（系统性低估时间、成本、风险）；社会与群体类包括群体思维、权威偏差、内群体偏差；框架与感知类包括框架效应、幸存者偏差、达克效应、近因偏差。每类偏差给出识别信号与纠正方法，例如确认偏差对应“寻找最强反方证据并指定人持反方立场”，沉没成本对应“如果此前毫无投入，今天还会开始吗”，规划谬误对应参考类预测（同类项目实际用了多久）。
使用方式：该技能给出结构化输出模板，包括偏差扫描表（偏差、是否存在、观察到的信号、严重度）、高风险发现（逐项列出偏差名称、如何显现、扭曲了什么、去偏动作）、去偏重估（去掉偏差后结论是否仍成立）以及置信度校准（无偏差时应有的置信度、需要验证什么）。它还包含元检查，提醒 Claude 自身是否在迎合用户、锚定用户最初的框架、高估最生动或最新的例子、或未经证据就假设用户一方更优。常用触发问题如“如果一开始就得出相反结论，现在会怎么看”“支持当前结论的最强反证是什么”“我们继续是因为对，还是因为投入太多”。
适用场景：任何可能被偏差影响的评估、推荐或决策环节，包括方案取舍、估算、项目是否继续、群体讨论与专家意见采纳等。
限制：资料未提供该技能的安装或调用方式、适用平台、是否收费及具体技术实现，这些信息暂未提供；其效果依赖使用者如实提供推理与证据。