hypogenic

hypogenic 技能概览

hypogenic 的作用

hypogenic 技能可以帮助你在表格数据或文本衍生数据集上，借助 LLM 生成并测试假设。它面向探索性数据分析场景，目标不是简单总结每一行，而是让模型提出可以验证的模式。它的核心价值，是把一个杂乱的经验性问题，整理成一套结构化的假设工作流。

最适合谁用

如果你在做 hypogenic for Data Analysis 这类任务，比如分类解释、内容分析、欺骗识别，或者任何需要把候选解释和数据对应起来的场景，这个技能都很合适。它尤其适合你已经有标注数据、想比较不同假设质量的时候；如果你只是想临时头脑风暴一下，它就没那么对口。

它和普通提示词有什么不同

这个技能比通用 prompt 更偏决策导向，因为它支持多条路径：基于数据的生成、结合文献的细化，以及两者混合的方法。也正因为如此，hypogenic 技能在你既需要速度、又需要可追溯性时特别有用，尤其适合你关心假设是否真正有证据支撑，而不只是“听起来合理”。

如何使用 hypogenic 技能

先安装，再先看文件

常规的 hypogenic 安装方式是先从 repo 中添加这个技能，然后在运行之前先检查核心文件。先看 SKILL.md，再打开 references/config_template.yaml，了解必需的配置结构以及你可能需要修改的默认字段。如果你是在更大的 agent 工作流里使用它，还要查看 repo 目录树，确认是否有与你任务相关的额外支持文件。

把模糊目标改成可用的提示词

这个技能最适合你的输入已经明确说明了数据集、标签和分析目标的时候。像“找一些有意思的模式”这种请求太模糊了。更好的 hypogenic 使用提示词可以是：“为一个二分类文本分类数据集生成 15 条可测试假设，类别是 deceptive 和 truthful；优先考虑可以从文本特征直接验证、并且之后能在留出数据上打分的假设。” 你应该同时写清楚想用的方法、假设数量，以及对证据或可解释性的约束。

推荐工作流

一个实用的 hypogenic 指南是：先定义数据，再选择生成模式，然后产出假设，最后测试或细化它们。需要数据优先的发现时用 hypogenic；如果你还有相关论文，就用 hyporefine；如果你想把文献思路和数据生成思路结合起来，就用 union。如果你在评估是否采用这个技能，关键问题是：你的数据集是否有足够的结构和标签，能支撑这个循环。

想让输出更好，需要提供什么

这个技能非常依赖具体输入：样本行、特征名、标签定义，以及任何应该用来排除弱假设的领域规则。如果你的任务依赖文献，请提供论文集合，或者提供配置中预期的文件夹路径。如果你的环境有 API 或缓存限制，也应该尽早设定，这样生成出来的工作流才现实，而不是理想化。

hypogenic 技能 FAQ

hypogenic 只适合数据分析吗？

不是。它在 hypogenic for Data Analysis 场景下最强，但也支持你在“文献 + 数据”双重锚定下进行假设生成的工作流。如果你的目标只是纯创意发散，别的技能会更合适。

我需要标注数据吗？

通常需要，至少对核心工作流来说是这样。这个技能是围绕表格数据上的假设生成与测试设计的，所以如果只有未标注文本，匹配度会弱一些；除非你仍然能定义一个清晰的测试目标。

它和普通 prompt 有什么区别？

普通 prompt 当然也能提出假设，但 hypogenic 的目的，是把流程组织成“生成—细化—评估”的闭环。这样在你需要可重复输出，或者想比较多个候选假设时，就能少很多猜测成分。

什么时候不该用它？

如果你需要的是最终的统计证明、完整的 ML pipeline，或者完全开放式、没有数据集约束的发散想法，就不要用 hypogenic 技能。它是用于发现假设的研究助手，不是实验设计或正式验证的替代品。

如何改进 hypogenic 技能

给模型更明确的证据

提升质量最大的办法，是补充更好的数据集上下文。提供类别标签、特征说明、样本行，以及你希望寻找的模式类型。比如，“重点关注词汇标记、情绪变化和来源归因”就比“分析文本”有效得多。

收窄假设空间

很多弱的 hypogenic 输出，问题都出在提示词过于宽泛。要明确要求数量、方法和评估视角。如果你希望假设更容易验证，就直接说：“生成只能用现有特征检查的假设”或者“避免需要外部领域知识的断言”。

第一轮之后继续迭代

把第一轮输出当成候选集，而不是最终答案。删掉模糊或不可检验的假设，然后带着更严格的排除条件，以及关于保留下来的内容的更多上下文，再跑一轮。实际使用中，最好的 hypogenic 改进循环，往往就是保留可测量的内容、删掉重复的内容，然后要求第二轮更窄、更可证伪。