AI-NATIVE 系列 · 目的地,不是工具箱 · 第 1/3 集 · 原则一
智能体化软件给你选项,而非只给工具:重建办公室后我对 Max-Calling, Min-Cost 的新理解
1 分钟速览
这是什么 这是一篇写给产品创造者的随笔,也是一块可以亲自上手的演练场,探讨“只给你工具的软件”与“直接给你选项的软件”有何不同。它基于一次真实的重构:创始团队的办公室围绕一个决策循环重建。人只需写下目标,机器会自动剔除所有不合规的选项,对剩下的进行排序,挑出三个风格各异的方案,最后由人来定夺。
为什么重要 选择远比亲自写方案省力,而品味这件事,永远无法外包。某创始团队的看板上有 40 个逾期待办;逐条清点,11 个是这个设计能解决的决策或文档,其余 29 个需要实际操作。这套设计正是为那四分之一的工作量而生,主张的范围也恰如其分。背后的首要原则是:把「calling」最大化,把其他一切成本压到最低。
你可以怎么用这篇文章。 选一个你本周真实要做的决策,为它写一份「brief」(目标、两个硬性限制、一个正面例子、一个负面例子),在 Destination Playground 里反复尝试,直到机器的首选和你的选择不一致,再看看它给出的权重建议。
Destination, Not Toolbox — 系列脉络
▶ 看它实际运行:打开在线演示 公开 · 无需登录
- 智能体化软件给你的是选项,而不是工具 本集
- OEC 循环,层层递进 第 2 集
- 真理、爱与美:同一系统 第 3 集
核心问题:软件如何从工具箱变成智能体化?这样做的代价是什么?
本篇不会讲系统如何在上线后自我进化;那部分内容见第 2 部分,OEC 循环,贯穿各个层级。至于支撑整个工作的三种美德为何本质上是一体,详见第 3 部分.
这篇文章关注什么:智能体化软件,以及构建它的真实成本
本文讨论的是智能体化软件:你只需给出目标,剩下的路让软件来走。写给那些正在设计 AI 主导产品的开发者和创始人,也写给买了强大工具却只能看着它闲置的人。只需一个浏览器,四十分钟足够。
这篇文章基于一次真实的重构。2026 年 10 月,我把自己创始团队的办公室彻底重做了一遍:自托管文件盘、实时文档、聊天、表格和 AI 队友,所有功能都集成在一个文件里运行。六周以来,它一直只是个工具箱。直到重构那天早上,我数了数团队的任务板:51 个待办,4 个完成,40 个超期。第一个标题呼之欲出:瓶颈不是工具,而是决策。然后我照着本系列的要求,自己也认真数了一遍。看每个逾期事项的标题和完成标准,4 个是决策(定价、选渠道、决定先发什么、设支出上限),7 个是写作(方案、对比、清单、脚本)。剩下 29 个需要亲自去做:打电话、拜访、拍照、检查。分类多少有点主观,较严的读者可能会把两三项归类不同。但无论如何,原本的“瓶颈”其实只占了四分之一。本文讲的就是这四分之一:那些因为没人抽出半天时间把它变成十秒能选的短清单而一直搁置的工作。
这次重构把产品的核心彻底挪了位置。过去一切围绕工具,现在只剩一个循环:人写目标,机器筛出几个完全符合所有限制的选项,最后还是由人来做决定。 过去叫“功能”的那些(文件、聊天、表格、记录、管理后台)都变成了循环可调用的附加组件。
支撑这一切的,是本系列的第一个原则,我称之为max-calling, min-cost:把 calling「只有你能做、你存在的独特价值」发挥到极致,把其他一切成本——无论是时间、注意力、精力、空间还是机器智能——都压到最低。在初创团队里,calling 就是判断力。写、整理、检索这些都是成本,这个循环把这些工作交给机器。
这是三部曲的第一篇。第二篇,OEC 循环,层层递进,讲系统上线后如何持续自我进化。第三篇,真、善、美:一体的控制系统,讲的是是什么让整个工作有机联结,并用同一套原则贯穿全局。
整个系列有一张图就够了:烹饪阶梯。你可以为自己做饭、为家人做饭、为餐厅做饭、为快餐连锁做饭,甚至为全国的供应链做饭。每一层用到的厨房本领其实一样,但随着层级提升,决定菜单的人会变。
| 烹饪层级 | 谁来定菜 | 映射的软件形态 |
|---|---|---|
| 为自己 | 你说了算,也自己下厨 | 你亲手操作的工具 |
| 为家人 | 你猜他们喜欢什么 | SaaS 产品:你希望用户会用的功能 |
| 为餐厅 | 客人下单,厨房做菜 | agentic 软件:用户只需说出目的地 |
| 为连锁店 | 菜谱写成标准并反复验证 | brief 和 gate 变成代码 |
| 为供应链 | 数百万订单共同塑造菜单 | 团队口味的学习账本 |
在一家好餐厅,客人从不会走进厨房。他只需说:「来点鱼的,三十美元以内,不能有花生,像上次那道,但别像那道咸的。」这句话,就是一份 brief(需求说明)。本文余下的内容,就是讲如何搭建支撑这句话的厨房。
继续阅读前,先做个准备。你最终要把 brief 教给与你共决策的伙伴,用他们自己卡住的一个决策来练习。请以「两分钟内能讲明白」的标准来阅读。某项元分析发现:39在相关研究中,带着“要教别人”预期去学习,教学后的得分为 g = 0.48(某子组结果);而没有这种预期时,教学后没有可测量的提升(g = −0.02) (Kobayashi(2024),Educational Psychology Review(ERIC EJ1414484)).
活动 1 · 不进厨房,帮朋友点餐
站起来,找身边的人,扮演服务员。他是客人,你是厨房。客人不能告诉你菜谱,只能说想要的结果。
继续阅读前,写下客人需要说些什么,厨房才能端回三道他愿意选的菜。哪些是硬性要求,哪些是偏好,哪些是例子?
大多数人都会自然而然地说出四个部分:目标(「晚餐,要有鱼」);绝不能破的硬性限制(「不能有花生」「三十美元以内」);可以权衡的偏好(「便宜比快更重要」);还有例子,一个好的(「像上次那道」),一个坏的(「别像那道咸的」)。这四项就是 brief。注意缺了什么:客人从不说怎么做菜。这就是工具和 agent(智能体)的分界线。
brief 的要义:只说目的地,不谈做法
一句话总结:agentic 软件只向人要目的地,然后返回几种可行的选项供人选择。
在重构后的办公室里,brief 是一个两分钟就能写完的小文件。内容包括一句话的目标、一个目标项(要推高或压低什么,带权重)、硬性限制(绝不可破)、好的例子、必须避免的坏例子,以及要展示几个选项。下面是一个真实的 brief,用来挑选备选供应商:
goal: Pick a second supplier we can switch to within one season.
objective: [minimize unit_cost ×2, maximize rating, minimize lead_days]
hard limits: [moq ≤ 500, lead_days ≤ 45, ships_to_us = yes]
options: 3
这个思路其实并不新,值得交代一下它的来历。多年来,设计飞机支架和汽车零件的工程师一直用这种方式,叫做 generative design(生成式设计)。Autodesk 的定义是:「Generative design automates the exploration of design options by defining objectives, constraints, and a design space, then employing algorithms to generate a multitude of solutions within those parameters.(中译:生成式设计通过设定目标、约束和设计空间,自动探索各种设计方案,并用算法在这些条件下生成大量解决方案。)" (Autodesk(2025),What is Generative Design,autodesk.com(Wayback 快照 2025-12-20;实时页面禁止脚本抓取)」。它的帮助文档把输入叫做设计准则:「Design criteria are objectives and manufacturing constraints that are required to define the design goals for the solver.(中译:设计准则是为求解器定义设计目标所需的目标和制造约束。)" (Autodesk,Fusion Generative Design 帮助:Design criteria)。工程师并不亲自画出零件,而是只需明确目标、受力和需要保留或避开的区域,求解器会生成各种形状,工程师从中挑选。我的重构把这种流程搬进了办公室,并补上了 CAD 所没有的一环:记录人类选了什么,以及为什么这么选。
简报的四个部分各有分工:硬性限制负责把关,偏好用来排序,示例则起到引导作用。把这些混在一起,最容易导致选项质量变差。比如把“便宜”写进限制,你只会得到最便宜的供应商;把“能发货到美国”写进偏好,你可能选到一个很棒但无法发货的供应商。
闸门、候选清单,以及为什么要给三个选项
简报写好后,机器会做四步。先生成候选项:可以是模型生成的不同方案、团队表格的每一行,或是有人粘贴进来的选项。然后对每个候选项进行评估。接下来,机器会不同的策略、团队表格的行,或是粘贴进来的选项。它会对每一个进行测量。然后它会把关:任何违反硬性限制的候选项都会被剔除,并记录原因。没有被测量的值一律视为不合格,绝不算通过。只有通过这一关的,才会进入排序环节。
排序分两步。首先,每个目标在所有幸存者中缩放到 0 到 1 之间,然后用权重合成一个总分。第二步,机器会标记出帕累托选项。一个选项如果没有其他幸存者在所有目标上都至少一样好、且至少有一个更好,就叫帕累托最优。大英百科对这个经济学概念的定义也是同一个测试:“if and only if there is no alternative state that would make some people better off without making anyone worse off”(中译:当且仅当不存在另一个状态能让某些人变得更好、且不会让任何人变得更糟时,该状态才是最优的)。if and only if there is no alternative state that would make some people better off without making anyone worse off(中译:当且仅当不存在另一个状态能让某些人变得更好、且不会让任何人变得更糟时,该状态才是最优的)" (Encyclopaedia Britannica, Pareto optimality)。帕累托选项是真正的权衡。优先展示这些选项,意味着每个被展示的都是实打实的权衡;而下面的“近似副本”规则则保证它们彼此不同。
不过,也要诚实面对帕累托到底能筛掉多少。三个目标时,大多数幸存者其实都是帕累托最优:在下面的演练场里,6 个合格供应商有 5 个是帕累托的。所以光靠帕累托,并不能保证选项足够不同。真正起作用的是“近似副本”规则:如果某个选项和已展示的太像,就跳过。办公室里对草稿用这个规则;而演练场的供应商本身就各不相同,所以不需要这一步。
接下来是候选清单:只保留少数几个选项,先放帕累托,再按分数,近似副本跳过。为什么只给几个?著名的果酱实验发现,顾客“when offered a limited array of 6 choices rather than a more extensive array of 24 or 30 choices”(中译:只提供 6 种选择,而不是 24 或 30 种时)更愿意购买。when offered a limited array of 6 choices rather than a more extensive array of 24 or 30 choices(中译:只提供 6 种选择,而不是 24 或 30 种时)" (Iyengar & Lepper (2000), When choice is demotivating: Can one desire too much of a good thing?, JPSP 79(6), 995-1006。但后来的一个元分析(63 条件,N=5,036)报告:“we found a mean effect size of virtually zero but considerable variance between studies(中译:我们发现平均效应量几乎为零,但各研究之间的差异很大)" (Scheibehenne, Greifeneder & Todd (2010), Can There Ever Be Too Many Options? A Meta-Analytic Review of Choice Overload, J Consumer Research 37, 409-425。所以,实事求是地说,长名单并不总是坏事。更准确的说法是:比较大量选项确实会消耗注意力,这种成本在某些人、某些场景下是真实存在的,而一份彼此不同的短名单则更容易快速浏览。Herbert Simon 给“够好就行”的选择起了个名字,叫 satisficing(Simon (1956), Rational choice and the structure of the environment, Psychological Review 63, 129-138);他的观点可以总结为:people tend to make decisions by satisficing (a combination of sufficing and satisfying) rather than optimizing (Simon, 1956)(中译:人们往往是‘够好就行’地做决策(satisficing,兼有‘足够’和‘满意’之意),而不是追求最优(Simon, 1956))" (Simon (1956), Psychological Review 63, as summarised by BehavioralEconomics.com, Satisficing。这份短名单,就是为有判断力的 satisficer(够好主义者)准备的。
活动 2 · 画出你厨房的 pass(传菜台)
在纸上画两个框:餐厅(人)和厨房(机器)。画出 brief 进去、三盘菜出来。中间画出 pass——厨师检查每盘菜的传菜台。
在 pass 上写下什么情况下菜会被退回。然后圈出唯一一条只有客人能画的箭头:选择。
pass 就是闸门。在办公室里,它就是几行代码,先检查所有硬性限制,才开始排名。被圈的箭头代表选择,重构后有一条铁律:没有任何工具、按钮或 agent 可以替你做这个选择。AI 队友可以用自己的账号提选项,但就是没有让它选的工具。
重构带来了哪些变化,又坚持不变了什么
最初的办公室像个工具箱:每类事务一个包(账号、文件、聊天、表格、语音),再加一份 652 行的命令文件统管一切。重构后拆成了精简内核和八个插件。内核只保留循环本身:brief、候选项、闸门、排名、选择和账本。只用标准库,不做输入输出,始终控制在固定行数内。只要有一项不满足,测试就让构建失败。SaaS 产品所谓的“功能”全变成插件,每个插件的清单里都写明它替代了哪个 SaaS 功能:网盘和文档、消息、类表格底座、会议纪要、管理后台,还有三个新插件负责生成、评估和交付选项。
现在,选择直接出现在团队日常所在的地方。选项会作为编号消息发到团队聊天室,选择就是回复“2,因为本季交期更重要”。机器只读取第一个明确点名选项的人类回复,忽略自己的消息,也忽略诸如“迟到 5 分钟”这样的闲聊。这条规则来自一位外部评审,他发现第一版会把“迟到 5 分钟”当成投了 5 号选项。
重构还坚持不做一件事,这本身就是 min-cost 的一课。有人建议把所有旧名字都换成新名字。大部分是代码和文档,确实换了。但有些“旧名字”其实不是名字,而是活数据的身份。办公室的存储卷、服务器文件夹和备份都用旧名字做键。改名会让四个人的办公室直接变空。最省事的正确做法是:所有人能看到的身份都改名,所有数据依赖的身份都保留,并把两者分别记清楚。旧命令和旧设置依然能当别名用,没人需要改任何操作。
活动 3 · 写一份真实 brief
挑一个在你桌上搁了一周以上、迟迟没推进的决策。用六行写出它的「brief」:一句话目标、两个带权重的目标项、两个硬性限制(每个都写明理由)、一个正面例子、一个反面例子,以及你希望机器给出几个选项。
把它大声读一遍。如果有哪一行是在教机器怎么做,而不是说清楚要什么,把那行删掉。
每个硬性限制背后的理由,比你想象的更重要。比如「交付周期最多 45 天,因为旺季 11 月就开始了」,这样写,队友以后就能单独讨论这个限制,而不用把整个决策翻出来争论。办公室的 brief 解析器会一次性列出所有问题,并在执行前用白话读回 brief,让人确认机器理解的目标没偏。
max-calling, min-cost:设计背后的核心原则
原则很简单,直接说就是:把 calling(只有你能做的那部分工作)发挥到最大,其余一切成本都让 calling 来决定要压到多低。calling 是只有你能完成的工作;cost 是为此付出的任何代价:时间、注意力、精力、空间、物理资源,现在还多了机器智能(比如设计、规划、推理、训练、推断)。
这两者缺一不可。只会砍成本的团队,最后只剩下便宜和迷茫。我早期写 agent 的文章就追问过,一个系统到底在服务谁的目标,然后直白地说:「Capability without that is not agency — it is a very efficient way to arrive somewhere nobody wanted.(中译:只有能力而没有 calling,不叫智能体——那只是高效地把大家带到没人想去的地方。)" (The Sheep Does Not Need the Whole Map」。只顾 calling、不管成本的团队,最后会把自己耗光。重构时,这个原则被拆成了四个层面来落地。
- 人的时间。写一份供应商对比要半天,从三个选项里选一个只要一分钟。循环用机器的时间,省下创始人的时间。
- 注意力。三种彼此不同的选项,比十二个排名列表更省心,gate 会把那些本来就该被刷掉的直接挡在外面。
- 机器智能。不是每个候选都要用模型。表格行和粘贴进来的选项生成不花钱,语言模型只是四个生成器之一,只有需要起草时才用。我早期一篇文章对 prompt 也说过类似的话:「Context is a budget, not a container.(中译:上下文是预算,不是容器。)" (Context Engineering Is a Budget).
- 代码。核心只有几百行,因为每一行都是凌晨两点有人要读的成本。Gall 定律常被这样引用:「A complex system that works is invariably found to have evolved from a simple system that worked.(中译:一切能跑起来的复杂系统,必然是从能跑起来的简单系统演化来的。)" (Gall (1975), Systemantics, as quoted by Wikipedia, John Gall (author)」。精简的核心就是那个能跑的简单系统,add-on 才是它生长的土壤。
在追求“最小化成本”时,其实藏着一个陷阱——我在过往的文章里总是小心绕开。正如我曾写过:“it searches harder than any person for the cheapest way to hit the number(中译:它比任何人都更拼命地寻找达标的最低成本路径)" (Wu, P. J., Human Dynamics in Agentic AI, part 1”。一旦你开始最小化“检查本身的成本”,这事就变成了钻空子。所以这条原则必须有一道防线:只降低实现 calling 的成本,绝不能压低对 calling 诚实核查的代价。闸门、测量和外部复核,这些都不是可以精简的“成本”,它们本身就是 calling 的一部分。
活动 4 · 故意把演练场“玩坏”
打开Destination Playground。这里跑的,和办公室里一样,都是同一套闸门、打分和帕累托规则,只不过用的是十二个虚构的供应商。
第一步,把最小订单量调高到没有供应商能通过,看看它怎么反馈。第二步,选一个不是 1 号的选项,看看它建议怎么调整权重。第三步,把除了评分以外的权重都设为零,猜猜第一个选项会是谁(别偷看)。
当没有任何选项能通过时,演练场会直接告诉你,并且列出所有原因,而不是悄悄放宽限制。这也是办公室里的硬规则:空的候选名单加上每一条原因,就是最坦率的答案。当你推翻机器的首选时,ledger 会建议你微调那些你在意的权重(×1.1 上调,×0.9 下调),但它永远不会自动应用。方向始终由人来定。演练场里真实的部分:算法和建议规则。虚构的部分:供应商。
怎么判断机器真的在学你的品味
每次展示选项、每次人类做出选择,办公室都会往 ledger 里记一笔。回头看,这份 ledger 能回答 agentic 产品最关键的问题:top-1 agreement,也就是人类选了机器首推选项的比例。如果十次下来这个比例还很低,说明 brief 里的目标不是团队真正想要的,“why”那一栏会告诉你该怎么改。ledger 还会记录选项等人多久。如果一个循环的选项要等上一周,那它其实就是个多此一举的工具箱。(如果第一个聊天读取器上线了,ledger 现在大概已经学会这个团队最爱的选项其实是“迟到五分钟”。)
在重构上线前,我用 AI 队友的身份在真实办公室里跑了一遍。第一次线上运行就挂了:drive 拒绝把选项页保存到一个还不存在的文件夹里。所有离线测试都过了,因为测试里的假 drive 比真 drive 宽容多了。这个 bug 就是第二部分的主题。第二次运行就顺利了。真模型写了五个团队小结的草稿,有一个踩了硬限制,最后回来三个不同的选项,选择也被记录了。
同一个故事,五种出口
| 你的身份是…… | 这个决策会因此发生变化 | 本周你要做的一件事 |
|---|---|---|
| 学生 | “agent”到底指的是聊天机器人,还是能直接给出选项的系统 | 为你下一个小组项目的决策写一份「brief」,并展示给团队成员 |
| 工程师 | 你的系统里,gate 应该放在什么位置 | 把每条硬性约束都写进排名之前的代码里,任何“未测量”都直接判为不通过 |
| 创始人 | 你的产品核心究竟是一颗按钮,还是一次选择 | 列出你的五个功能,并写下每个功能所服务的目标 |
| 高管 | 如何判断一个“AI 来做事”的方案 | 问清楚人类还保留哪些决策权,以及他们和机器的选择有多一致 |
| 投资人 | 一个 agentic 产品是否具备护城河 | 要账本:top-1 agreement 随时间的变化,就是团队口味被机器学到的轨迹 |
本文里的真、善、美
- 真:这里的每一个数字都经过实际测量和界定。51 个待办事项中有 40 个逾期,是某天早晨在一个看板上的真实统计,基于它写的标题也被重新计数并缩减到 40 个中的 11 个。关于选择过载的说法保留了修正(平均“几乎为零”)。实测运行也包括了失败案例。
- 善:设计保护了使用者。数据的命名被保留,办公室不会因为重命名而变成空壳。每一次选择都由人来做,选项会推送到他们本来就在用的房间。
- 美:整个产品只围绕一个能画在餐巾纸上的循环展开。八个 add-on 挂在几百行代码的核心之上。
有一个视角是我自己的,我会标明。诗篇第 1 篇把丰盛的人生比作一棵树:"他要像一棵栽在溪水旁的树, 按时候结果子, 叶子也不枯干。 他所做的一切都必顺利。" (诗篇 1:3)。树从不费力去结果,只需扎根水边,顺应时节自有收获。对我来说,这正是“max-calling, min-cost”:根植于使命,对其他一切从容以待。即便没有这样的信仰,上述设计依然成立。
那些似是而非的误区
- “Agentic 就是让 AI 来做决定。” AI 的确承担了几乎所有工作,但最终拍板的还是人。真正的变化在于,决定成了人类唯一保留的权力。
- “选项越多越好。” 候选项越多越有益。但展示的选项如果不是实质性的不同,反而会适得其反。
- “Min-cost 就是选最便宜的。” 它的本意是用最低的代价实现使命。最省事地通过检查,恰恰是反例。
那些我一直在用却未命名的原则
重读为本系列写的旧文时,我发现自己其实早已反复用过三条原则,只是一直没给它们命名。每一条其实都是“max-calling, min-cost”的推论。
- 目标始终明确,路径可以灵活调整。 "behavior is editable, identity is not." (Keep Your Identity While Learning From Reality)。在这个系统里,brief 代表身份,候选项则是行为。
- 把记忆留在脑袋之外。 ledger 记录了团队的品味,无需再去回忆当初为何选择了那个供应商。
- 看结果,不看动机。 "Fruit is observable and motive is not" (Become Good Soil)。top-1 一致率和已完成的决策是结果;一份漂亮的功能清单只是动机。
现在,去教给别人
你的 teach-back。花十分钟,和一个与你共同决策的人面对面聊聊。请他/她说出一个已经搁置了一周的决策难题。用活动3的方法,把它的简要说明(brief)一起写在一页纸上,然后让他/她试试Destination Playground,直到机器给出的首选和他/她自己的选择出现分歧。
结果:他们能不用笔记,清楚说出硬性限制和偏好的区别,并且能在一天内为自己的实际决策选定一个选项。把他们的选择,以及最关键的那个硬性限制,作为评论发在本文下方。
为什么重要:五问追根
问题:某天早上,一个初创团队的看板上有51项待办,其中40项已过期,而这个办公室其实已经配齐了完成工作所需的所有工具。这40项过期任务里,有11项是决策或写作类。
- 为什么那11项会拖延?这些任务都不需要外出或打电话。每一项都在等人写点东西:对比选项、起草方案、定个数字。
- 为什么没人动笔?写一份对比分析要花掉一个下午,而“一个下午”正是创始人最稀缺的资源。
- 为什么办公室没能帮上忙?它只提供了工具,而工具终究还得人来操作。生成式设计给出了另一种思路:只需写明「Design criteria are objectives and manufacturing constraints that are required to define the design goals for the solver.(中译:设计标准是为求解器定义设计目标所需的目标和制造约束。)」,剩下的起草工作交给求解器来做(Autodesk, Fusion Generative Design help: Design criteria).
- 为什么没人做出这样的产品?产品的核心始终是办公室(文件、聊天、表格),每次改进都只是让工具箱更好,而不是让工作本身更容易推进。
- 根本原因:设计优化的是“存储工作”的成本,而不是“实现使命”的成本。修正之道,是把中心转向简要说明和选择,把每个工具都变成循环可用的附加组件。
实操:本周就用起来
- 先读一遍“教给别人”的那句话。
- 扮演一次服务员(活动1,5分钟),画出你的厨房传菜口(活动2,5分钟)。
- 写一个真实的简要说明(活动3,10分钟)。
- 用三种方式挑战 Destination Playground(活动4,10分钟)。
- 教会一位与你共同决策的人,并记录结果。
反馈:如何判断方法生效
- 你能准确说出 brief 的四个组成部分,并分清哪些负责把关、哪些用于排序。
- 你的搭档能在 brief 后一天内,为一个真实决策选出一个选项。
- 做满十个真实决策后,你的 top-1 agreement 就有了数据。如果低于三分之一,说明 objective 设得不对,「why」那一行会指明调整方向。
这个方法无法判断:你选中的方案在现实世界里是否真的有效。choices 的 ledger 记录的是品味,不是实际结果。需要和一个 outcome 指标配对,比如决策在 brief 前后在看板上停留的天数。
前馈:预设提醒,及时决断
- 如果两周内没有通过循环做出任何决策,说明瓶颈不在起草环节。 在继续开发前,先问本该做选择的人,是什么阻碍了他们。
- 如果你想放宽某个硬性限制以避免候选列表为空,先把原因写下来。 一个写明所有原因的空候选列表,本身就是有价值的信息。
- 如果核心代码超出行数预算,新功能应归入 add-on。
5S 自评
| S | 主张 | 证据 |
|---|---|---|
| 简明 | 正文难度不高于高三,整个设计就是一个循环。 | Flesch–Kincaid 等级:7.4(区间 ≤ 12),由 node scripts/check-numbers-four-ages.mjs --series agentic-collab |
| 扎实 | 每个被引用的主张都来自可查证的来源;choice-overload 的结论保留了修正。 | "we found a mean effect size of virtually zero but considerable variance between studies(中译:我们发现平均效应量几乎为零,但各研究之间差异很大)" (Scheibehenne 等,2010) |
| 犀利 | 降低达成 calling 的成本,但绝不压低面对 calling 真相的代价。 | 核心原则 · 闸门 |
| SMART | 本周实践:写一份「brief」,三种方式挑战 playground,教会一位伙伴。 | 实操 |
| 惊喜 | 我亲自核对了一遍,发现标题其实只剩了四分之一;而第一个 chat 读者把“5 分钟迟到”当成了对选项 5 的投票。 | 计数 · 重构 |
| 真 · 善 · 美 | 数据有据、范围明晰;用户数据和选择都被保护;整个主循环简洁到能画在餐巾纸上。 | 真、善、美 |
参考文献
- Autodesk. Generative design(2025-12-20 存档)。web.archive.org
- Autodesk Fusion 帮助:Design criteria。help.autodesk.com
- Britannica. Pareto optimality。britannica.com
- Iyengar, S. S. & Lepper, M. R. (2000). When choice is demotivating.J. Pers. Soc. Psychol. 79. PubMed
- Scheibehenne, B., Greifeneder, R. & Todd, P. M. (2010). Can there ever be too many options? A meta-analytic review of choice overload.J. Consumer Research 37. OpenAlex
- Simon, H. A. (1956). Rational choice and the structure of the environment.Psychological Review 63. Crossref
- BehavioralEconomics.com. Satisficing (summary of Simon).behavioraleconomics.com
- Gall, J. (1975).Systemantics, as quoted on Wikipedia.wikipedia.org
- Kobayashi, K. (2024). Interactive learning effects of preparing to teach and teaching.Educational Psychology Review. ERIC EJ1414484
- 诗篇 1:3bible-api.com
- Wu, P. J. The Sheep Does Not Need the Whole Map.agentic-portfolio
- Wu, P. J. Context Engineering Is a Budget.agentic-portfolio
- Destination Playground(本系列的在线演练场)。agentic-portfolio