❝

AI 的快速发展带来了强大的工具，能够处理海量数据、辅助决策。然而，AI 作为双刃剑，其在帮助人类的同时也有可能弱化我们的思考能力，尤其是深度思考。如果我们过度依赖AI，而不是将其作为工具来增强思考能力，深度思考的本质价值就会被削弱。

今天，本文将探讨如何利用AI工具，尤其是基于“六顶思考帽”理论的智能体，来辅助和促进人类的深度思考。通过构建一个“六顶思考帽”AI Agent，我们将展示AI如何成为深度思考的得力助手，而不是思考的替代者。

六顶思考帽：结构化深度思考的工具

❝

“六顶思考帽”是由爱德华·德博诺（Edward de Bono）提出的一种创新思维方法，通过分离不同的思考模式，帮助我们全面、系统地看待问题。

每顶帽子代表一种特定的思维模式，戴上不同的帽子时，我们会集中于特定的思考方向：

• 白帽：代表客观、事实导向的思维。着重收集和分析客观数据，避免主观判断。
• 红帽：代表情感、直觉的思维。允许感性和情绪表达，使决策过程更加人性化。
• 黑帽：代表批判性、审慎的思维。帮助我们发现风险和潜在问题，避免盲目乐观。
• 黄帽：代表乐观、积极的思维。鼓励我们寻找机遇和积极因素，促进正向思考。
• 绿帽：代表创造性、发散思维。帮助我们跳出框架，探索新的解决方案。
• 蓝帽：代表组织和控制思维的流程。管理整个思考过程，确保思考有序进行。

六顶思考帽的价值在于，它提供了一种多维度的思考方式，帮助我们避免片面性和情绪化。通过结构化思考，我们能够在应对复杂问题时更加全面和有条理。对于AI技术从业者来说，尤其是在设计和分析复杂系统时，六顶思考帽可以作为一种思维工具，帮助提升问题解决的效率和质量。

实战：构建你的“六顶思考帽”AI Agent

虽然“六顶思考帽”的思维框架适用于各类场景，但在针对性的构建agent时，我们要结合具体情况，调整思考帽的描述，以提升输出的价值以及准确性，这里我将以投资决策为例。

❝

在这个投资新项目的决策中，如果我们只用白帽思考，我们可能会只关注项目的客观数据，而忽略了潜在的风险和机会。如果我们只用红帽思考，我们可能会被自己的情绪所左右，做出不理智的决策。

运用“六顶思考帽”，我们就可以从不同的角度来审视这个项目，我们可以这么定义：

• 白帽： 收集项目的市场数据、成本数据、收益预测等客观信息。
• 红帽****： 分析自己对这个项目的感觉，是否有直觉上的偏好或担忧。
• 黑帽： 分析项目可能存在的风险，如市场风险、技术风险、资金风险等。
• 黄帽： 分析项目可能带来的机会，如潜在的市场增长、利润空间、品牌价值等。
• 绿帽： 思考如何改进项目，使其更具竞争力，或者是否有其他的创新想法。
• 蓝帽： 规划整个决策流程，总结各方面的分析结果，并做出最终的决策。

构建思路

下面我将详细叙述如何基于“六顶思考帽”构建投资决策 AI Agent，并解释不同思考帽之间的流程关系。

1. 明确 Agent 的目标：
1. 我们的 Agent 目标是辅助投资决策，通过多角度分析新项目，提供全面且结构化的评估，最终支持用户做出更明智的投资选择。
2. Agent 不是直接给出“投资”或“不投资”的决定，而是提供充分的分析，将决策权交给用户。
2. 定义每个思考帽的 AI 组件 (Node)：

1. 构建流程关系 (Graph)：

*   起始节点： 可以是一个初始提示节点，要求用户输入项目信息。

*   白帽节点： 获取初始信息后，首先进入白帽节点，收集客观数据。

*   分支节点： 白帽输出后，可以同时进入红帽、黑帽和黄帽节点，并行进行分析。

*   绿帽节点： 当红帽、黑帽、黄帽的分析完成后，进入绿帽节点，进行创新改进思考。

*   蓝帽节点： 最后，所有思考帽的输出结果都传入蓝帽节点，进行综合分析和决策建议。

*   退出节点： 将蓝帽的输出结果呈现给用户，完成整个流程。

1. 流程的详细解释：

1. 循环与迭代：
1. LangGraph 可以支持循环结构，允许 Agent 基于蓝帽的输出结果进行迭代分析，例如当蓝帽提出需要补充数据时，可以再次触发白帽节点。
2. 可以增加用户反馈环节，允许用户针对 Agent 的分析结果提出意见，使 Agent 能够学习和改进。

使用LangGraph构建投资决策的“六顶思考帽”

我们已经针对投资决策场景，定义了“六顶思考帽”的含义。接下来，我们将使用 LangGraph 这个强大的框架，将这些思考帽转化为一个可执行的 AI Agent。LangGraph 的优势在于其能够以图的方式定义 Agent 的状态和转换逻辑，使得构建复杂 Agent 变得更加清晰和易于维护。

1. 定义思考帽函数

首先，我们需要为每个思考帽定义一个函数。这些函数将接收项目信息作为输入，并返回相应的分析结果。 为了方便演示，我们这里采用简单的函数模拟，在实际的应用中，这些函数会调用LLM模型进行分析。

 from typing import Dict, Any

def white_hat(project_info: Dict[str, Any]) -> str:
    """白帽：收集客观信息"""
    return f"白帽分析：市场数据：{project_info.get('market_data', '无')}, 成本数据：{project_info.get('cost_data', '无')}, 收益预测：{project_info.get('profit_forecast', '无')}"

#···省略

def blue_hat(analysis_results: Dict[str, str]) -> str:
    """蓝帽：整合分析结果并做出决策"""
    summary = "\n".join([f"{key}: {value}" for key, value in analysis_results.items()])
    return f"蓝帽总结：\n{summary}\n根据以上分析，最终决策是： 待定（需要根据实际情况修改）"
    

2. 使用 LangGraph 构建 Agent

接下来，我们使用 LangGraph 来定义 Agent 的状态和转换逻辑。

from langgraph.graph import StateGraph
from typing import TypedDict, List
import asyncio

# 定义 Agent 的状态
class AgentState(TypedDict):
    project_info: Dict[str, Any]
    analysis_results: Dict[str, str]

# 创建状态图
workflow = StateGraph(AgentState)

# 添加节点：每个思考帽对应一个节点
workflow.add_node("white_hat", white_hat)
# ···省略

# 定义边：节点之间的跳转逻辑，这里我们按照顺序执行
workflow.add_edge("white_hat", "red_hat")
# ···省略

# 设置入口节点
workflow.set_entry_point("white_hat")

# 将思考帽函数的结果更新到状态中
def update_state(state, outputs):
    state['analysis_results'][outputs["__key__"]] = outputs["value"]
    return state

workflow.add_conditional_edges("white_hat", update_state, {"red_hat": True})
# ···省略

# 构建图
app = workflow.compile()
 

总结：

通过以上步骤，我们将“六顶思考帽”这个思维框架转化为一个可执行的 AI Agent，它可以从多个角度分析投资项目，提供更全面、客观、深入的评估，帮助用户做出更明智的决策。使用 LangGraph 框架，我们可以灵活地定义每个思考帽的 AI 组件，并构建它们之间的流程关系，实现复杂的 AI 协同工作。

AI与深度思考的未来

通过构建“六顶思考帽”AI Agent，我们展示了AI如何不仅仅是数据处理的工具，还可以成为我们深度思考的助手。AI和人类思维的结合，为解决复杂问题、做出明智决策提供了新的可能性。在未来，随着AI技术的不断进步，我们可以期待更多类似的智能体出现，它们将进一步推动人类思维能力的提升。