ljg-analogy
基于结构映射理论,为场景或两个对象的差异寻找精妙类比与关系隐喻,保留关键关系、解释增量与迁移边界。USE WHEN 用户说「找个类比」「打个比方」「有什么精妙的隐喻」「用类比讲清两者区别」「换个场景理解」或调用 ljg-analogy。NOT FOR 只解释现成比喻、纯修辞润色、理论定义或把类比当作事实证明。
Install / Use
npx skills add lijigang/ljg-skills --skill ljg-analogyInstalls into whichever agent you are using.
SKILL.md
Installable skill definition
Quality Score
Category
AutomationSupported Platforms
Tags
Our assessment of ljg-analogy
ljg-analogy scores 85/100 on our quality scale, 2003rd of 2,900 Automation skills we index.
Its SKILL.md is 3.3 KB long, well organised into 9 sections and no code examples: a solid amount of guidance for an agent.
With 7,394 GitHub stars, it is one of the more widely adopted skills in the catalogue.
Maintenance, license and trust
- The repository was last updated 22 days ago, so ljg-analogy is actively maintained.
- It is released under the MIT license, a permissive license that allows use, modification and commercial use with attribution.
- Its trust signals score 100/100, with no cautions. These come from repository metadata, not a code audit — read the skill file before letting an agent act on it.
ljg-analogy compared with similar skills
All 4 of these similar skills score higher than ljg-analogy; compare them before choosing.
| Skill | Score | Stars | Updated | Format |
|---|---|---|---|---|
| ljg-analogy (this skill)by lijigang | 85 | 7.4k | 22d ago | SKILL.md |
| Agent-Reachby Panniantong | 100 | 94.1k | today | CLAUDE.md |
| Scraplingby D4Vinci | 100 | 86.4k | today | MCP Server |
| rufloby ruvnet | 100 | 74.1k | today | MCP Server |
| algorithmic-artby anthropics | 100 | 177.9k | 16d ago | SKILL.md |
Frequently asked questions
- How do I install ljg-analogy?
- Run
npx skills add lijigang/ljg-skills --skill ljg-analogy. The install tabs above show the steps for each supported agent. - Which AI agents does ljg-analogy work with?
- It is written for Universal, as a SKILL.md file. Other agents that read the same format can often use it too.
- Is ljg-analogy safe to use?
- It is MIT-licensed and scores 100/100 on trust signals. Skills are instructions an agent will follow, so read the file before installing it and do not approve commands you do not understand.
- Is ljg-analogy still maintained?
- The repository was last updated 22 days ago, so ljg-analogy is actively maintained.
Skill content
View source on GitHubname: ljg-analogy description: 基于结构映射理论,为场景或两个对象的差异寻找精妙类比与关系隐喻,保留关键关系、解释增量与迁移边界。USE WHEN 用户说「找个类比」「打个比方」「有什么精妙的隐喻」「用类比讲清两者区别」「换个场景理解」或调用 ljg-analogy。NOT FOR 只解释现成比喻、纯修辞润色、理论定义或把类比当作事实证明。 metadata: version: "1.1.0"
ljg-analogy:让关系在另一个场景里显形
用户给出一个场景,交付一个让人先看见画面、再认出关系、最后对原场景多懂一点的类比。物件可以相距很远,关系却对得很近。新奇不能抵消失真;熟悉的物件也能承载出人意料的关系。
术语方向固定:用户想理解的场景是目标域;借来帮助理解的场景是基域。 搜索从目标域出发寻找基域,知识迁移从基域回到目标域。用户用词相反时按实际意图工作,不为术语打断创作。
Workflow Routing
| 请求 | 处理 | |------|------| | 给一个场景,寻找类比或隐喻 | 按下文的成品标准交付一个主类比 | | 比较两个对象、产品或机制 | 用共同的关系框架,同时保留共同点与关键差异 | | 指定受众、领域、文风或只要一句 | 保留结构约束,服从用户的呈现要求 | | 要多个方案或比较已有候选 | 比较不同关系焦点,点出推荐项与取舍 |
Gotchas
- 「都很复杂」「都是网络」「都需要平衡」适用面太宽,不能单独支撑类比。关系要说清谁对谁做了什么,哪些条件限制它,怎样产生结果或形成布局。
- 多个对象配对只是字典。优先保留受同一个因果、约束、比例或空间结构统辖的关系,不能以共同点数量充当系统性。
- 「更高阶」指关系之间的关系,不等于更抽象、更宏大,也不限定为因果链。比例、空间和情感关系同样可以承重。
- 一套映射中角色要稳定,不能为了下一句方便,让同一对象偷偷换身份;确需比较不同侧面时,明确换了一套映射。表面属性不随关系自动迁移。
- 基域是找来的,目标域事实是用户给的。不能为了让比方成立,替目标域补出动机、因果或结局;缺项只能作为明确的假设。
- 类比带来候选推论,不能证明目标域必然如此。尤其不要从自然过程推出社会行为的必然性、正当性或某个人的意图。
输入是否够用
至少能认出场景里发生了什么,以及用户希望照亮的关系。只有一个词而无可辨认情境时,问一个能改变类比选择的问题;词语有多种常见指向时,先确认它指什么,问题中的选项也不能默认某一种含义。已有可用场景时直接工作。未指定受众,默认面向普通中文读者,优先选少解释也能想象的生活场景。
类比对准读者当前要完成的理解任务:辨认什么、区分什么,或预测哪种变化。用途、组成、运作方式与体验是不同的解释焦点;读者问两者怎样不同,分别概括它们的用途可能答非所问。结合提问与已有上下文选焦点,必要时用一句「这里着重看……」交代,不把这项检查变成每次都向用户补问。
用户强调的目标、权力差异、时序和约束不能在抽象时被抹掉。版本与状态也是对象身份的一部分:新证据改变角色、流程或依赖关系时,重新检查取景与主类比。若原候选已不能保留承重关系,就换掉它,不能只在末尾补一句版本差异。
什么样的类比值得交付
任务吻合。 映射保留的是读者这次需要理解的关系。一个比方能解释对象的某个特点,仍可能与眼前的问题无关;关键看它能否改善当前的辨认、区分或理解。
关系成立。 两边都存在同一条有信息量的关系骨架。读者能把人物或物件逐一放回各自角色,核对作用方向、先后顺序、依赖条件与反馈。允许只解释局部,但不能用一句泛泛的「只是类比」掩盖承重关系相反。
关系连得起来。 有一组相互支持的对应,而非为了凑数收集的相似点。若一处改变会牵动另一处,说明这条依赖怎样在两边重现。简单的比例或空间对应已经足够时,不必硬加因果或凑满关系数量。
画面能独立站住。 基域里有具体对象和动作,普通读者不用先听一遍新理论就能理解。可以用明确标为「设想」的构造场景;不能编自然机制、历史事件或名人故事当事实。
多照出一点。 类比至少让一项原先不显眼的关系变得可见:盲点、约束、代价、后果或可区分两种判断的条件。这个增量要能从映射推出。验收解释性类比时,用一个未直接照抄原描述的小情境,检查它能否帮助读者辨认差异、推测结果或选择下一步;只能复述名称与特点的候选仍然偏弱。这是内部内容检查,不必每次给用户出题,也不等于读者实测。文学隐喻可以改变读者看待一种关系的方式,不强加操作性检验或科学实验。
候选经得起比较。 当不同候选都能说通时,用同一个理解任务比较它们:谁保留了更关键的关系,谁能支持更具体的区分或推论,谁需要额外解释得更少。只有喻体名词不同、关系骨架相同,不算另一种结构。关系可信与受众可理解是底线;熟悉的近域对应可以优于新奇的远域对应,距离本身不计作质量。候选探索留在内部,用户未要求时只交付最强方案;没有合格候选就说明具体缺口。
边界具体。 指出基域哪个醒目的特征不能带过来,或哪项目标域条件变化后,对应关系就会断开。用与本次类比有关的一句话完成,避免通用免责声明。
比较两个对象时
优先在同一熟悉领域中找一组场景,用同一套角色与关系描述两边,使共同点保持可比、关键差异清楚显现。分别给 A、B 找到贴切形象,仍不足以说明 A 与 B 怎样不同;可借用的是一组有区别的运作关系。若跨两个基域更准确,也应保留共同的比较依据,不强凑同域。
检查两种对应是否有区分力:交换喻体以后,如果不用改变承重关系仍能轻易圆回来,它们可能只命中了共同属性。把一个新输入或条件变化放进两边,读者应能从类比看出各自怎样处理、会出现什么不同。若不同答案全靠另外补写目标域事实,喻体本身就没有提供足够帮助。仅按原文换名词,或把优劣标签塞进比方,也不能替代这项检查。
成品怎样说
默认直接在对话交付,不自动创建笔记、图片或文件。通常用几段话说透一个主类比,篇幅随场景伸缩:
- 先给类比本身。 用一句有画面的中文,让人立即知道拿什么来比什么。把真正承重的关系带进这句话,避免空泛的「X 就像 Y」。
- 让对应运行。 把基域中的具体局面讲明白,再接回用户的场景。复杂对应可以用短表,表里写「关系怎样对应」,不能只填名词对名词。
- 落回新增理解。 说清这个比方让原场景哪一点变得更清楚,以及最容易被误带过去的那一点。不要只换词重述开头。
以上是信息要求,不是固定标题模板。用户只要一句时,只交付一句;用户要可直接引用的成稿时,先给干净成稿,不把验收语言塞进正文。隐喻可以省去「像」,结构对应仍须成立。
理论与事实边界
本技能借用 Gentner(1983)的关系映射与系统性原则。理解任务、双对象对照、候选淘汰、受众熟悉度、认知增量与具体边界,是为创作任务增加的设计标准,不宣称出自论文或已被论文验证。
关于定义、非因果关系、隐喻与理论外推有疑问时,读 Theory.md。维护或试跑时使用 EvalCases.json;这些用例只定义输入和验收依据,不规定唯一的正确比方。
日常构造场景不必联网。最终类比若依赖某项不确定的科学、历史或行业事实,先用当前可用检索工具核对一手材料;核对不了,就换成事实可靠的基域,或明确限定为假设场景。
Examples
- 「收藏了很多文章,真遇到问题却找不出来,给个精妙类比。」成品应照亮存入与取用之间的关系,映射到具体情境,不能只用「知识宝库」赞美数量。
- 「两个工具都能完成任务,一个由我逐项开会话安排,另一个从主会话接收需求并分派、汇报。用类比讲清区别。」成品要保留入口、分流与协调的差异;不把二者泛分成执行工具与资料容器,也不预设唯一的正确喻体。
- 「离家多年后,听见一句乡音就觉得有人在等我。只要一句隐喻。」成品保留声音、归属与关系被唤起的结构,只给一句,不自动加表格或行动清单。
Related Skills
Agent-Reach
94.1kGive your AI agent eyes to see the entire internet. Read & search Twitter, Reddit, YouTube, GitHub, Bilibili, XiaoHongShu — one CLI, zero API fees.
Scrapling
86.4k🕷️ An adaptive Web Scraping framework that handles everything from a single request to a full-scale crawl! Don't be shy, join here: https://discord.gg/EMgGbDceNQ and follow here for daily tips and tricks: https://x.com/Scrapling_dev
ruflo
74.1k🌊 The original agent harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, federation, vector RAG integration, and native Claude Code / Codex / Hermes and many more Integrated
algorithmic-art
177.9kCreating algorithmic art using p5.js with seeded randomness and interactive parameter exploration. Use this when users request creating art using code, generative art, algorithmic art, flow fields, or particle systems.
Languages
Trust signals
From repository metadata: license, adoption, age and documentation. Not a code audit — see the Safety scan above for what the skill file itself contains.
