深度思考不再是少数人的专利！这款名为"第一性：真相挖掘Agent"的创新智能体，通过AI驱动的自我追问循环，将马斯克推崇的第一性原理思维变得触手可及。它能自动完成四层递进式挖掘——从现象拆解到关联断裂，从公理化到重构验证，帮你穿透表象直达问题本质。本文将揭秘这款融合工作流架构与LLM能力的智能体，如何通过可视化过程呈现系统性思维，并为每个问题生成可执行的行动方案。

想了解马斯克如果遇到你的问题，会如何思考？

不是简单的类比和表面分析，而是从最根本的原理出发，层层追问，直到找到问题的本质。这就是第一性原理思考——很多顶尖思考者的核心能力，但门槛很高。

这就是我最近搭建的智能体：”第一性：真相挖掘Agent”。

这篇文章分享一下这个智能体的搭建过程，既有技术实现细节，也有产品设计思考，帮助大家了解如何用工作流架构和LLM能力，打造一个能够自动层层追问、挖掘第一性原理的智能体。

智能体的体验链接在文章最后。

为什么做这个？

1. 痛点：治标不治本的困境

我们生活中经常遇到这样的困惑：明明知道问题在哪，却总是找不到根本原因。孩子沉迷游戏，表面是”不听话”，背后可能是成就感缺失、社交需求未被满足。我们习惯性地只问一层”为什么”，却很少继续追问”为什么会有这个原因”。

所以我做了这个智能体：通过AI自动层层追问，用第一性原理的思维方式，帮你从现象到本质，找到行为背后的底层逻辑。

2. 产品出发点：让深度思考变得简单

第一性原理思考是很多顶尖思考者的核心能力，但门槛很高：需要持续追问、需要系统性思维、需要方法论指导。我想做的是：用AI能力降低第一性原理思考的门槛，让每个人都能轻松体验深度思考的乐趣，同时保持思考的深度和系统性。

核心价值：

• 自动层层追问：AI自己主动层层下钻，自己追问自己，直到找到第一性原理
• 可视化过程：实时展示每一层的挖掘结果，让用户看到思考的过程
• 系统性思维：从现象拆解、关联断裂、公理化到重构验证，完整的四层下探方法论
• 可执行方案：基于第一性原理，给出具体可执行的行动建议

3. 核心差异：AI自我追问循环

这个智能体的核心差异在于：不是“用户问，AI答”的单次交互，而是“AI自己主动层层下钻，自己追问自己，自己挖掘真相”。

传统AI问答：

用户：为什么孩子沉迷游戏？

AI：可能是因为游戏有趣、缺乏监督等原因。

真相挖掘Agent：

用户：为什么孩子沉迷游戏？

AI（第1层）：现象拆解

– 孩子沉迷游戏的表现是什么？

AI（第2层）：关联断裂

– 为什么游戏能提供这些体验？

AI（第3层）：公理化

– 人的核心需求是什么？

AI（第4层）：重构验证

– 从核心需求出发，如何解决这个问题？

这是一个”自我追问”的过程，而不是”用户被追问”。AI会自动完成整个挖掘过程，用户只需要看到结果。

定位&整体交互

产品定位

目标用户：想要深度理解问题本质的人、对第一性原理思考感兴趣的人、想要提升系统性思维能力的人、遇到复杂问题需要系统性分析的人

核心价值：通过AI自动层层追问，用第一性原理的思维方式，帮你从现象到本质，找到行为背后的底层逻辑，并给出可执行的行动方案

整体交互设计

交互流程非常简单直观：

工作流架构设计

整个智能体基于工作流架构搭建，分为两个核心模块：

工作流1：主工作流（入口与报告生成）

输入：用户问题（如”为什么孩子一回家就打游戏？”）

处理流程：

1. 开始节点：接收用户问题
2. 深度探究循环节点：循环调用子工作流，完成四层下探
3. 报告编写节点（LLM）：基于完整的探究历史，生成Markdown格式的探究报告
4. 输出最终结果节点：展示报告给用户

流程非常简单，一路走到底型：

工作流2：深度探究循环体（子工作流，核心挖掘模块）

输入：循环变量（context_data、current_layer、user_query、should_continue）

这是整个体验的核心，通过循环节点调用这个子工作流，最多循环4次（对应4层下探）。

子工作流的处理逻辑：

关键技术点：

1. 状态管理：状态完全在循环体内管理

• 第一次循环时，初始化状态（current_layer=1，context_data={“digging_history”： []}）
• 每次循环结束后，状态在状态更新节点中更新
• 更新后的状态通过输出变量传递给下一个循环
• 循环结束后，最终状态传递给报告编写节点

2. 四层下探方法论：

• 第1层：现象拆解 将复杂问题/现象拆解为基本要素
• 第2层：关联断裂 切断传统认知的类比链条，追溯起源
• 第3层：公理化 识别第一性原理（不可删除、不可违背、不可推导）
• 第4层：重构验证 从第一性原理向上推演，验证结论

3. Plan节点的智能规划：

• Plan节点负责规划下一步行动（ask_user、search、answer、null）
• 第一次循环时，必须询问用户澄清（action： “ask_user”）
• 根据当前层级和上下文，决定是否需要搜索资料
• 当具备足够上下文时，调用Answer节点回答问题

4. 工具调用的灵活性：

• 每次循环最多调用一个工具（ask_user、search、answer）
• 工具调用由Plan节点决定，不是固定的流程
• 支持在任意层级进行搜索，获取相关资料

技术实现细节

接下来逐个功能点拆分。

1. 循环节点的状态传递

循环节点的设计，本质上是让你用工作流构造一个”工具插件”，循环调用、处理每一层下探。

关键设计：状态完全在循环体内管理，不依赖循环体外的全局变量。

状态管理方式：

• 第一次循环时，在循环开始节点初始化状态（current_layer=1，context_data={“digging_history”： []}，should_continue=“true”）
• 每次循环结束后，状态在状态更新节点中更新
• 更新后的状态通过输出变量（context_data、current_layer、should_continue）传递给下一个循环
• 循环结束后，最终状态会传递给报告编写节点

循环变量的设计：

由于平台限制，循环过程变量必须作为工作流输出参数传递。因此，我们设计了4个循环变量：

1.context_data：所有上下文信息（对象，序列化为JSON字符串）

• 包含digging_history数组，记录每一层的挖掘结果
• 每次循环都会append新记录，而不是覆盖

2.current_layer：当前挖掘层级（数字，int类型）

• 1 → 现象拆解
• 2 → 关联断裂
• 3 → 公理化
• 4 → 重构验证

3. user_query：用户原始问题（字符串）

4. should_continue：是否继续循环（字符串，”true”或”false”）

• 由Plan节点决定
• 当第4层完成Answer后，Plan节点会设置should_continue： false

2. Plan节点的智能规划

Plan节点是整个循环的核心，负责规划下一步行动。

Plan节点的职责：

• 分析当前层级和上下文
• 规划下一步行动（ask_user、search、answer、null）
• 输出current_question，指导Answer节点回答问题
• 判断是否继续循环（should_continue）

关键设计点：

1. 第一次循环必须询问用户澄清：

• 当current_layer === 1且digging_history为空时，必须设置action： “ask_user”
• 提供2-4个澄清选项，每个选项是用户第一人称的陈述（如“我更关注产品曝光不足”）

2. 层级限制：

• 系统最多只有4层
• 当current_layer === 4且已有answer_content时，立即设置should_continue： false，action： null

3. 智能判断是否需要搜索：

• 根据当前问题和上下文，判断是否需要搜索相关资料
• 如果需要，设置action： “search”，并输出search_query

4. 判断是否可以回答：

• 当具备足够上下文时（用户已澄清、或已搜索、或已有历史记录），设置action： “answer”
• 输出current_question，指导Answer节点回答问题

Plan节点的输出格式（JSON）：

{

“thinking_process”:”思考过程（50-100字，用户友好）”,

“goal”:”当前目标（20-30字）”,

“plan”:”执行计划（1、2、3、4编号列表）”,

“current_layer”:1,

“current_question”:”当前层的问题（用户友好，避免技术术语）”,

“should_continue”:true,

“action”:”ask_user” | “search” | “answer” | null,

“need_user_clarification”:true | false,

“clarification_options”:[“选项1″,”选项2″,”选项3”],

“tool_call”:{

“tool_name”:”ask_user” | “search” | “answer” | null,

“input_params”:{

“clarification_options”:[…],

“query”:”…”

}

}

}

3. 状态更新节点的设计

状态更新节点负责将当前轮次的结果保存到digging_history中。

关键设计：每次循环都创建一条新记录，append到数组，而不是更新已有记录。

状态更新节点的代码：

import copy

defmain(params: dict) -> dict:

#

1. 获取长期保存变量（从循环参数）

context_data = params.get(‘context_data’, {})

loop_current_layer = params.get(‘current_layer’, 1)

user_query = params.get(‘user_query’, ”)

# 确保context_data是字典类型

ifnotisinstance(context_data, dict):

context_data = {‘digging_history’: []}

# 确保loop_current_layer是int类型

ifnotisinstance(loop_current_layer, int):

try:

loop_current_layer = int(loop_current_layer)

except (ValueError, TypeError):

loop_current_layer = 1

# 从context_data中提取digging_history

digging_history_raw = context_data.get(‘digging_history’, [])

ifnotisinstance(digging_history_raw, list):

digging_history = []

else:

# 创建列表的深拷贝，确保不会意外修改原始数据

digging_history = copy.deepcopy(digging_history_raw)

#

2. 获取当前轮次的结果

plan_current_layer = params.get(‘plan_current_layer’)

if plan_current_layer isnotNone:

ifnotisinstance(plan_current_layer, int):

try:

plan_current_layer = int(plan_current_layer)

except (ValueError, TypeError):

plan_current_layer = loop_current_layer

current_layer = plan_current_layer

else:

current_layer = loop_current_layer

current_question = params.get(‘current_question’, ”)

# 获取should_continue：直接透传字符串值，不做任何处理

should_continue = params.get(‘should_continue’, ‘true’)

plan = params.get(‘plan’, ”)

thinking_process = params.get(‘thinking_process’, ”)

goal = params.get(‘goal’, ”)

# 获取各分支的新结果

user_selection_new = params.get(‘user_selection_new’, ”)

search_query = params.get(‘search_query’, ”)

search_results_new = params.get(‘search_results_new’, ”)

answer_content_new = params.get(‘answer_content_new’, ”)

#

3. 创建当前轮的新记录并追加到digging_history

# 创建当前轮的新记录

new_layer_item = {

‘layer’: current_layer,

‘layer_type’: [‘现象拆解’, ‘关联断裂’, ‘公理化’, ‘重构验证’][current_layer

– 1] if1 <= current_layer <= 4else’未知’,

‘user_selection’: user_selection_new if (current_layer == 1and user_selection_new) elseNone,

‘question’: current_question if current_question else”,

‘plan’: plan if plan else”,

‘thinking_process’: thinking_process if thinking_process else”,

‘goal’: goal if goal else”,

‘search_query’: search_query if search_query elseNone,

‘search_results’: search_results_new if search_results_new elseNone,

‘answer_content’: answer_content_new if answer_content_new elseNone

}

# 追加到digging_history数组

digging_history.append(new_layer_item)

#

4. 确定输出的current_layer

if plan_current_layer isnotNone:

output_current_layer = plan_current_layer

else:

output_current_layer = loop_current_layer

#

5. 重新构建context_data对象

context_data = {

‘digging_history’: digging_history

}

result = {

‘context_data’: context_data, # 直接输出对象

‘current_layer’: output_current_layer, # 使用Plan节点决定的层级，或保持原值

‘user_query’: user_query,

‘should_continue’: should_continue # 直接透传字符串值

}

return result

关键点：

• 使用copy.deepcopy确保不会意外修改原始数据
• 每次循环都append新记录，而不是查找并更新已有记录should_continue
• 直接透传字符串值，不做任何类型转换current_layer
• 由Plan节点决定，状态更新节点只负责保存

4. 第一性原理的四层下探方法论的实现

四层下探方法论是整个智能体的核心逻辑，通过Plan节点的提示词来实现。

第1层：现象拆解（解构）

• 目标：将复杂问题/现象拆解为基本要素
• 方法：物理拆解、功能拆解、成本拆解
• Plan节点会规划：“需要拆解这个现象的基本要素”

第2层：关联断裂（溯源）

• 目标：切断传统认知的类比链条
• 方法：质问“为什么不能”、识别假设、追溯起源、5Why分析法
• Plan节点会规划：“需要追溯这个现象的起源，切断传统认知链条”

第3层：公理化（第一性原理浮出水面）

• 目标：识别第一性原理
• 标准：不可删除、不可违背、不可推导
• Plan节点会规划：“需要识别第一性原理，判断是否满足三不可检验标准”

第4层：重构验证

• 目标：从第一性原理向上推演，验证结论
• 方法：压力测试、最小可行性验证
• Plan节点会规划：“需要从第一性原理向上推演，验证结论的正确性”

循环终止规则：

• 当current_layer === 4且已有answer_content时，Plan节点会设置should_continue： false，action： null
• 循环节点检测到should_continue === “false”时，终止循环

实际效果展示

• 用户输入“我工作很努力，成果也不错，但为什么年终述职时领导总是不满意？”
• 第1层：现象拆解（Plan结果展示）
• 第2层：关联断裂（Plan结果展示 + Search结果展示）
• 第3层：公理化（Plan结果展示 + Answer结果展示）
• 第4层：重构验证（Plan结果展示 + Answer结果展示）
• 最终报告（完整的探究报告）

体验一个完整流程后，用户能够：

• 看到每一层的挖掘过程和结果
• 理解为什么这样下探
• 获得第一性原理结论
• 获得可执行的行动方案
• 感受到深度思考的乐趣和系统性思维的魅力

关于智能体平台

搭建这个智能体使用的是工作流平台，它提供了完整的工作流搭建能力：

• 可视化工作流：通过拖拽节点就能搭建复杂的业务流程
• LLM节点：内置多种大模型，支持灵活的提示词工程
• 代码节点：支持Python代码，实现复杂的数据处理逻辑
• 循环节点：支持循环调用子工作流，实现批量处理
• 变量管理：完善的状态管理和变量传递机制
• 工具节点：支持搜索工具、用户输入节点等

最关键的是，你可以把搭建好的智能体直接发布到小程序，不需要自己搞备案、买服务器，用户体验流畅，价值完全不同。

（主工作流）

（子工作流）

写在最后

这个智能体的核心价值不在于技术有多复杂，而在于它把”第一性原理思考”这件事的门槛降低了。

通过AI自动层层追问，我们可以在几分钟内完成一次深度的第一性原理分析，从现象到本质，找到行为背后的底层逻辑。这种体验虽然不能完全替代人类的深度思考，但足以让我们获得宝贵的洞察和可执行的行动方案。

如果你也想搭建类似的智能体，或者对技术实现细节感兴趣，欢迎交流。

体验链接：https://yuanqi.tencent.com/webim/#/chat/PedpBb?appid=2006613871076734592

欢迎体验“第一性：真相挖掘Agent”，并反馈任何建议或BUG。