38 条方法论规则

IF: 任务连续 2 天以上出现在 todo 但未推进 THEN: 1. 用 5 Why 追问卡住的根因 2. 用 5W2H 拆解为可执行步骤 3. 只聚焦第一步，其他步骤暂时忽略 原理 大任务容易拖延的原因通常是： 范围模糊 → 不知道从哪开始 缺乏外部 deadline → 没有紧迫感 心理负担 → 看到就想逃避 拆解后聚焦第一步，把"完成大任务"转化为"只做一小步"，降低启动阻力。 证据 支…

IF: AI 需要决定是否执行某个动作 THEN: 用「能力 × 同意」二维矩阵做判断 有同意 无同意 ┌─────────────────┬─────────────────┐ 有能力 │ 直接执行 │ 请求同意 │ │ → 做完通知 │ → 同意后执行 │ ├─────────────────┼─────────────────┤ 无能力 │ 请求授权 │ Handover │ │ → 授权后…

IF: 发现自己在某个话题上"感觉什么都知道"，或者不愿意承认不懂 THEN: 主动暴露自己的无知——说出"我不知道"、"这点我可能理解有误"、"我的案例可能不全面" 原理 暴露自己的无知比假装什么都知道强。 无知是学习的起点：承认"我不知道"才能开始获取新知识 打破认知闭环：假装全知会让探索停止，承认无知打开新可能 邀请集体智慧：暴露无知让他人有机会补充，形成更完整认知 防止过度自信：知道认知边…

IF: 进入一个新领域学习 THEN: 执行边缘探测四步： 1. 识别边缘 — 这个领域的前沿在哪？谁在定义它？ 2. 找信息源 — 建立金字塔订阅（聚合源 → 专家 → 边缘探索者） 3. 提出问题 — 一个可能将边缘推进 1 厘米的问题 4. 设计实验 — 验证这个边缘想法的最小实验 原理 新领域学习的常见误区： 从基础教程开始 → 学了一堆已知，不知道前沿在哪 漫无目的收集信息 → 信息过载…

IF: 设计产品功能、系统行为或交互流程 THEN: 从用户的第一人称视角出发，而非技术/系统视角 1. 问感受：用户会怎么感受这个结果？ 2. 问理解：用户会怎么理解这个行为？ 3. 问心智：用户的心智模型是什么？ 原理 用户不关心系统怎么运作，只关心世界发生了什么。 用户在使用产品时，心智模型是"真实世界"——邮件是别人发的，日历是事件发生的时间，消息是朋友说的话。用户不会、也不应该关心"数据…

IF: 面临决策，且收益不确定但风险确定 THEN: 选择保守方案，避免确定的坏处 不确定的收益不值得用确定的风险去换 先保持现状，观察后再迭代 公式 收益不确定 + 风险确定 → 保守行事 收益确定 + 风险不确定 → 小范围验证 收益确定 + 风险确定 → 权衡取舍 原理 事情不能变坏。 人类对损失的敏感度高于对收益的敏感度（损失厌恶）。当收益是"可能有用"而风险是"一定会干扰用户"时，不应该…

IF: 设计系统行为或数据模型 THEN: 确保系统行为反映真实世界的因果关系，而非技术实现的偶然 用户看到的应该是"世界发生了什么"，而非"系统做了什么" 技术细节不应泄漏到用户体验层 原理 系统是世界的镜子，不是自己的回声。 用户在使用产品时，心智模型是"真实世界"——邮件是别人发来的，日历是事件发生的时间，消息是朋友说的话。 当系统行为违背这个心智模型时（比如把"标签变更"当作"新邮件"），…

IF: AI 要生成或修改代码 THEN: 必须先有明确的 Spec 定义行为契约 核心理念 编写精确的 Spec 比编写代码更重要——AI 可以从好的 Spec 生成好的代码，反之则不然。 原理 1. AI 的能力边界由上下文决定：Spec 是持久化的上下文 2. 对话会消散：聊天历史中的需求会丢失，Spec 不会 3. Spec 是指令集：给 AI 的版本化、可审查的指令 4. 人类控制杠杆：…

IF: 要构建超越当前范式的新系统（如超越 LLM 的关联计算边界） THEN: 用当前范式（LLM）作为 Bootstrap/冷启动，而非从零开始 原理 新范式不会凭空出现，而是站在旧范式的肩膀上： 1. 冷启动问题：新结构从零训练需要定义"好的表示"，但没有语义基础无法评估 2. 知识复用：LLM 已学会人类知识的统计结构，这是"免费的"语义初始化 3. 渐进演化：混合架构 → 逐步独立 → …

IF: 面对不确定的问题、需要学习新领域、或做出决策 THEN: 采用科学思维的假设验证循环 1. 提出假设：基于现有信息形成可检验的猜想 2. 设计验证：用最小成本验证假设 3. 收集反馈：观察实际结果 4. 更新认知：根据反馈修正假设，进入下一轮 原理 科学思维的本质不是"知道答案"，而是"有方法找到答案"。 假设让你有方向：比漫无目的探索高效 验证让你避免幻觉：现实是最好的老师 循环让你持续…

IF: 面对一个让你感到压力或想逃避的大任务 THEN: 1. 把目标拆解到只需要 5 分钟就能完成的第一步 2. 只聚焦第一步，其他步骤暂时忽略 3. 完成后再看下一步，逐步推进 原理 大任务让人拖延的原因： 认知负担：想到整个任务就感到疲惫 启动阻力：不知道从哪里开始 完美主义：担心做不好 化大为小的优势： 小胜利积累大信心 把"完成大任务"转化为"只做一小步" 一旦开始，惯性会推动继续 公式…

IF: 思考陷入僵局，或需要在抽象理解与具体行动之间转换 THEN: 主动切换思维维度——升维、降维或游走 三种操作 升维（简化） 从具体现象 → 探索本质 → 一般规律 → 本源 目的：找到底层规律，简化理解 信号：细节太多、看不清全貌、重复踩坑 问："这背后的一般规律是什么？" 降维（精化） 从抽象概念 → 行动 → 可操作性 目的：让想法落地，变成可执行的步骤 信号：道理都懂但不知道怎么做、…

IF: 需要选择做什么（项目/课题/投资/学习方向） THEN: 优先选择具有永恒价值的事，而非一时热门 问自己：这件事十年后还有价值吗？ 如果答案是"是"，优先做 如果答案是"不确定"，谨慎投入 前提条件 选择能力本身是努力的产物。 杨振宁之所以能"选对"杨米尔斯方向，是因为他在规范场论方向已经努力了很多年，积累了足够的判断力。 这不是二元对立，而是一个因果链： 努力探索（包括走弯路）→ 积累判…

IF: 学习了新知识/技能 THEN: 定期复习旧知识，防止"灾难性遗忘" 1. 学新时混入旧：学新内容时回顾相关旧内容 2. 建立核心集：保存最重要的知识点/案例 3. 定期重放：周/月复盘，重新激活记忆 原理 来自 AI 终身学习研究的启发： 灾难性遗忘：学新忘旧是神经网络和人脑的共同问题 记忆重放：最有效的对抗方法是定期复习旧数据 核心集策略：不需要复习全部，只需复习有代表性的样本 人类类比…

IF: 与 AI 协作完成任务 THEN: 基于认知机制分工——人负责元认知层，AI 负责信息处理层 ┌─────────────────────────────────────────────────┐ │ 人类负责（元认知层） │ │ · 定义问题 — 我们要解决什么？ │ │ · 判断方向 — 这条路对吗？ │ │ · 评估质量 — AI 的输出好不好？ │ │ · 识别错误 — 这里有问题…

IF: 在迭代式对话/学习/探索中，需要判断何时该停止 THEN: 观察三个收敛信号 1. 重复信号：回答开始重复之前的内容，换汤不换药 2. 偏离信号：回答开始偏离核心问题，引入无关话题 3. 边际递减：新信息的价值明显低于前几轮 出现任一信号 → 信息熵已最大化 → 停止迭代，进入输出阶段 原理 任何信息源在特定问题上的信息量是有限的。 持续追问不会无限产出新知，而是会触及边界后开始重复或发散…

IF: 想要查漏补缺、提升思维质量 THEN: 同时启动两个引擎—— 1. 逻辑链引擎：构建概念间的推导关系，暴露设计漏洞 2. 落地行为引擎：将结论转化为行动，暴露施工漏洞 原理 逻辑链是思维的静态框架；落地行为是思维的动态试炼。 二者结合，让思维既有严谨的结构，又有强大的进化能力。 引擎 作用 暴露的漏洞 逻辑链 组织和检验想法 概念模糊、逻辑跳跃、隐藏假设 落地行为 真实世界反馈 执行力不足…

IF: 需要做判断、比较或决策 THEN: 尽可能用数据和模型替代直觉 三个层次 1. 思考本质：建模 把问题转化为可操作的模型： 思维模型：用什么框架理解这个问题？ 模型精化：模型哪里粗糙？怎么改进？ 新有效模型：有没有更好的模型？ 问："我在用什么模型思考这个问题？" 2. 思考方式：量化 让比较有依据： 实例量化：能不能举出具体数字？ 数据对比：A 和 B 差多少？差在哪？ 问："这个判断有…

IF: 需要评估或提升思考质量 THEN: 用四个维度检查：深度、广度、完备性、密度 四个维度 1. 垂直深度 挖得多深？ 是停在表面现象，还是触及底层原因？ 问了几层"为什么"？ 有没有到达"不可再分"的本质？ 检验：能不能用第一性原理解释？ 2. 范围广度 覆盖多广？ 考虑了多少相关因素？ 有没有遗漏重要的视角？ 跨了几个学科/领域？ 检验：换个角色（用户/对手/旁观者）会怎么看？ 3. 完备…

IF: 遇到问题或需要做决策 THEN: 从四个维度扫描问题全貌，再动手 四个扫描维度 1. 任务维度 要解决的核心问题是什么？ 成功的标准是什么？ 约束条件有哪些？ 2. 环境维度 在什么背景/上下文中？ 涉及哪些人、系统、资源？ 有什么隐性规则或限制？ 3. 趋势维度 这个问题在变好还是变坏？ 外部环境在往哪个方向走？ 如果不管它，会怎样？ 4. 时间轴 过去：这个问题怎么来的？之前尝试过什么…

IF: 设计任何解决方案、工具、流程或系统 THEN: 必须明确回答三个问题： 1. 能解决什么：适用场景、预期效果、成功标准 2. 不能解决什么：排除的问题类型、失效场景 3. 为什么不能：局限性的根本原因 原理 不知边界的方案是危险的——要么被误用，要么被过度扩展。 清晰的边界带来： 正确的使用预期 合理的资源投入 避免过度承诺 便于后续迭代改进 局限性三分类 类型 说明 例子 技术限制 当前…

IF: 面对多个相关问题（a、b、c、d...）需要解决 THEN: 1. 分析共同本质：这些问题背后的共性是什么？ 2. 设计通用方案：能同时解决大部分问题（如 a、c、d） 3. 接受合理遗漏：特例（如 b）单独处理或暂时搁置 4. 明确边界：清楚说明能解决什么、不能解决什么 原理 一个解决 80% 问题的简洁方案，优于解决 100% 问题的复杂方案。 减少重复工作 降低系统复杂性 提高可维护…

IF: 遇到一个新领域的问题，或想深入理解某个概念 THEN: 寻找另一个领域的类似结构，借用其模型和语言 1. 识别本质结构：这个问题的核心机制是什么？ 2. 搜索类似领域：哪个熟悉的领域有类似结构？ 3. 映射概念：把源领域的概念对应到目标领域 4. 检验边界：类比在哪里成立，在哪里失效？ 原理 创新往往发生在学科交叉地带。 不同领域可能有相同的底层结构 熟悉领域的直觉可以迁移到新领域 类比是…

IF: 需要创造新事物（产品、方案、概念） THEN: 用三层递进方法替代随机试错—— 深度分解 → 定向搜索 → 迭代学习 原理 创造不是随机碰撞，而是在约束空间里的高效搜索。 随机拼装的问题： 组合爆炸，大量无意义尝试 仅记录结果，不归纳模式 要求模糊，评估主观 定向创造的优势： 用约束收窄搜索空间 从失败中提取规律 将模糊目标拆解为可测量条件 三层操作 层次 动作 要点 1. 深度分解 将概…

IF: 面对工作任务，尤其是"看起来不是自己职责"的事情 THEN: 问自己——"如果这个产品是我的，我会怎么做？" 然后按照这个答案去行动。 原理 无论任务最初来自哪里，最终的价值创造者是我们自己。 第一性原理追问：剥离所有岗位描述、职责划分和流程约束，研发工作的本质是什么？ 答案：创造有价值的产品。 从这个本质出发，任何能让产品更好的工作，都是"我的活"。 核心转变 维度 被动执行者 主动创造…

IF: 作为研发人员，正在开发或维护产品功能 THEN: 将"使用自己的产品"作为日常习惯，形成持续改进闭环 高频使用 → 深度体验 → 发现问题 → 改进优化 → 验证效果 → 继续使用... 原理 最好的产品，诞生于那些日夜与自己创造物共同呼吸的研发手中。 双重身份优势：既是创造者又是使用者，拥有独特的改进视角 真实反馈：自己使用比任何测试用例都更贴近真实场景 快速验证：改进后立即能感受效果，…

IF: 设定目标或思考改进方向 THEN: 问自己"如何实现 10 倍改进"，而非"如何实现 10% 改进" 原理 "10% 的改进意味着你和其他人一样，你们在做着同样的事情。你可能不会失败，但你也绝不会太成功。" "要得到'10倍速'的改进，需要对问题进行反思，探索技术上的可能性，并在此过程中感受到乐趣。" — 拉里·佩奇 为什么追求 10 倍？ 改进幅度 思维方式 结果 10% 渐进优化现有方…

IF: 设定目标、选择任务、分配资源 THEN: 刻意减少数量，聚焦于最重要的少数几项 原理 "只有当我们将目标的数量保持在很小时，才会真正聚焦于此。" "摇头说'不'和微笑着说'行'一样重要。关注所有事项和一件都不关注的结果是一样的。" — 安迪·格鲁夫 为什么少即是多？ 目标数量 结果 太多 注意力分散，每个都做不好 太少 可能遗漏重要事项 35个 最佳区间，真正聚焦 数学逻辑 假设你有 10…

IF: 评估人才（包括自己）或规划个人成长 THEN: 用 T 型模型评估——既要广度（通才），又要深度（专家） 原理 ━━━━━━━━━━━━━━━━━━━━━ 广度：在广泛的有价值事物上高度熟练 ┃ ┃ 深度：在狭窄学科内是领域内最好的 ┃ ┃ 为什么需要两者？ 类型 问题 纯专家（只有深度） 难以合作，视野狭窄，无法理解全局 纯通才（只有广度） 处于边缘，无法作为个人真正贡献价值 T型人才 …

IF: 团队出现协作问题（冲突回避、执行不力、推诿责任、各自为政） THEN: 先检查信任基础是否牢固，而非直接解决表面问题 原理 团队协作的五大障碍是层层递进的： 无视结果 ← 逃避责任 ← 欠缺投入 ← 惧怕冲突 ← 缺乏信任 缺乏信任是根因。如果团队成员不敢承认缺点、不敢暴露弱项，就不会有真正的辩论；没有辩论就没有真正的共识；没有共识就没有真正的投入；没有投入就没有相互问责。 信任的表现 有…

IF: 组织/项目/团队在成长过程中面临复杂性增加 THEN: 用提升人才密度来对抗混乱，而非增加规则和流程 核心公式 人才密度增长速度 复杂性增长速度 → 可以保持自由和创造力 人才密度增长速度 < 复杂性增长速度 → 只能靠规则维持秩序 原理 大多数组织的死亡螺旋 增长 → 复杂性增加 → 人才密度被稀释 ↓ 混乱出现 ↓ 流程出现阻止混乱 ↓ 流程驱逐创新人才 ↓ 市场变化时无法适应 ↓ 陷…

IF: 需要定义系统行为规范 THEN: 该规范有且仅有一个权威定义位置 核心理念 每个行为规范有且仅有一个权威定义——消除歧义、避免不一致。 原理 1. 避免分歧：多个来源 = 多个版本 = 矛盾 2. 降低维护成本：改一处 vs 改多处 3. AI 可依赖：AI 知道去哪找权威答案 4. 可审计：变更历史清晰可追溯 实践要求 信息类型 权威来源 禁止位置 系统行为 specs/ 散落在代码注释…

IF: 启动一个长期/重要任务之前 THEN: 强制安排不受打扰的时间，回答五个核心问题 五个问题 维度 核心问题 1 目标 最终要实现的状态是什么？（而非仅仅"做什么"） 2 价值 为什么这件事重要？不做会怎样？ 3 边界 不包含什么？避免范围蔓延 4 假设 当前计划基于哪些关键假设？如何验证？ 5 信息 需要获取哪些关键信息才能形成完整认知？ 原理 1. 方向先于速度：全局思考避免方向错误 2…

IF: 在讨论中感觉理解有 Gap，或对方表述较复杂时 THEN: 用自己的话复述对方观点，请求确认 话术模板 "我理解你的意思是……，对吗？" 原理 1. 消除偏差：强迫自己真正理解，而非假装听懂 2. 暴露盲点：复述不出来 = 没真正理解 3. 建立信任：对方感受到被认真倾听 4. 节省时间：早期纠偏，避免后续返工 使用场景 场景 示例 技术讨论 "你的意思是用缓存而不是数据库来存这个状态？"…

IF: 需要在不确定环境中做出重复性决策（投资、工作流程、习惯养成） THEN: 将决策规则化，用明确的 IFTHEN 规则替代临场判断 1. 定义明确的触发条件：什么情况下触发 2. 定义明确的执行动作：触发后做什么 3. 严格执行，不加主观判断 4. 定期复盘，更新规则 原理 用规则替代情绪，用系统替代意志力。 决策疲劳：每天的决策能量有限，规则化减少消耗 情绪干扰：临场决策容易被情绪左右 一…

IF: 需要深入理解问题、做出决策、或评估自己的工作 THEN: 用一系列追问来穿透表象，直达本质 1. 是什么：清晰定义问题 2. 为什么：追问根本原因 3. 怎么做：明确行动路径 4. 如何验证：设定检验标准 原理 苏格拉底不教答案，而是通过追问让人自己发现真相。 追问打破假设：很多问题源于未经检验的假设 追问暴露盲点：自以为懂的往往没懂 追问导向行动：从模糊到清晰，从想法到步骤 职业成长追问…

IF: 想要养成一个新习惯或开始一项任务 THEN: 把启动门槛降到不可能失败的程度 把"开始"变得极其容易 利用环境设计减少摩擦 重点不是完成多少，而是开始了 原理 重点在于"开始"，不在于"完成多少"。 行为心理学发现： 启动是最难的部分：一旦开始，惯性会推动继续 意志力是有限资源：降低门槛减少意志力消耗 环境设计 意志力：改变环境比改变自己容易 公式 行动概率 = 动机 / 启动阻力 启动阻…

IF: 你认为自己理解了某个概念/方法/问题 THEN: 尝试用一句话向一个外行清晰解释它 如果说不清楚 → 你的理解还不够透彻 如果能一句话说清 → 你抓住了本质 原理 能否用一句话说清楚，是检验你是否真正理解一件事的标准。 一句话强迫你提炼本质，去掉冗余 费曼学习法的核心：如果不能简单解释，说明你不懂 TLDR 思维：信息过载时代的核心能力 公式 真正理解 = 能用一句话说清楚 表面理解 = …