Claude Code 做架构决策？先让它生成 3 个竞争方案再选

Claude Code 写代码很强，但一到架构决策就容易”凭感觉”——模型锚定第一个想法，然后顺着走，最后出来的方案未必最优。FPF（First Principles Framework）就是为了解决这个问题。

它是什么

FPF 是 Context Engineering Kit 里的一个插件，核心就一件事：强制 AI 在做决策前先生成多个竞争性假设，再逐层验证，而不是一上来就选方案。

它用的是经典的 ADI 循环：

• Abduction（溯因）：生成 3-5 个候选假设，不偏袒任何一个
• Deduction（演绎）：检查每个假设的逻辑一致性和约束兼容性
• Induction（归纳）：通过测试或调研收集实证证据

怎么用

装上之后，几个核心命令：

• /propose-hypotheses [问题]：启动完整推理流程，从假设生成到决策记录
• /query [关键词]：搜索知识库里的历史决策和假设
• /decay：检查证据是否过期，要不要刷新
• /actualize：代码库变了，更新知识库里的假设有效性

典型用法：

/propose-hypotheses 用什么缓存策略比较好？
# AI 会生成多个候选方案，逐层验证，最后给出 DRR（Design Rationale Record）

为什么有意思

FPF 的杀手锏是把 AI 推理从”黑箱”变成可审计的透明链条。每个假设都经过 L0（猜想）→ L1（逻辑验证）→ L2（实证验证）的分层，最后给出一个带 R_eff 信任分数的决策建议。

还有一个原则叫 Transformer Mandate：AI 生成选项，人类拍板。架构决策让 AI 自主完成是”协议违规”。这很对——系统不能自己升级自己。

适用场景

• 技术选型：数据库、缓存、部署方式怎么选
• 架构决策：微服务还是单体、要不要引入某个中间件
• 需要留下可追溯决策记录的项目

不适用：简单 bugfix、明显可逆的决策、时间敏感的临时方案。

安装

/plugin install fpf@NeoLabHQ/context-engineering-kit

开发者工具方向的同学，这个插件把 AI 辅助决策的过程变得可丈量、可审计——比”让它直接写代码”高一个层次。1.3k Stars 的 context-engineering-kit 的一部分，质量有保证。

GitHub 地址 →

GitHub: https://github.com/NeoLabHQ/context-engineering-kit/tree/master/plugins/fpf