My OS
公理层。这些是不需要论证的前提——所有具体判断都建立在它们之上。
证据先于直觉
当我的判断和实测数据冲突时,错的是我的判断。
这不是谦虚,是省时间。人对自己的第一直觉总是过于自信,而顺着一个错的直觉往下查,只会离答案越来越远。所以在问题能被稳定复现之前,我不允许自己开始猜原因——先做出一个「一跑就报错、修好就通过」的环境,再一次列出三到五种可能,逐一排除。
这条规矩的代价是慢。它换来的是:每一个结论都能指出依据,而不是「我觉得应该是这样」。
一个概念只有一种说法
同一件事出现第二种叫法的那一刻,理解就开始分叉。
分叉起初看不出来。两个人各自按自己的理解往下做,直到某个环节对不上才发现说的根本不是一回事——而那时返工的成本已经堆起来了。这是我见过最贵、也最容易避免的一类浪费。
所以我坚持给关键概念立一张表:一个概念一种说法,同义词进黑名单。谁用词不对,当场指出来,而不是心里嘀咕着继续做。听起来琐碎,但它挡住的是最贵的那种错。
顺手发现的问题不当场修
记下来,然后回到原本在做的事情上。
顺手多改一处,看起来是效率;实际上是把一次可验收的改动变成一团说不清的改动。出了问题不知道是哪一处引起的,想撤回也撤不干净。
真正的效率是让每一次改动都保持两个性质:能独立验证,能独立撤销。发现的问题写进待办,该做的时候单独做——它不会跑掉,而当下的专注会。
推翻代价高的决定必须留痕
不是所有决定都值得记录。只有两种值得:推翻它代价高昂的,和不写下来后人看不懂的。
其余一律不写。记录的价值恰恰来自它足够短——短到真的会被读。一份没人看的文档等于不存在,而堆满琐碎细节的文档就是没人看的那种。
每条留痕只回答两个问题:当时为什么这样选,推翻它要付出什么。做法本身在成果里看得见,不需要重复;半年后真正找不回来的,是当时的理由。
判断力由后果训练
判断力不是想出来的,是被后果训练出来的。
没有承担过后果的判断,只能叫意见。真正的训练回路只有一条:做出决定,把它放出去,挨它带回来的后果,然后修正下一次的决定。绕开这条回路的一切练习——课程、复盘模板、别人的经验——都只是在练习「把话说清楚」,而把话说清楚这件事,如今已经不值钱了。
所以我不问「你怎么看」,我问「你上一次为这类判断付过什么代价」。这条前提的完整论证,在 Thinking 的《AI 把「把话说清楚」白送了,判断力才值钱》里。
委托执行,不委托责任
可以外包的是执行和算力,不能外包的是承担结果的位置。
把活交给人也好,交给 AI 也好,签字的始终是我。工具越强,这条边界越容易被悄悄挪动——它办得越漂亮,我越想连「要不要办」也一并交出去。而那恰恰是唯一不能交的部分:选择做什么、认领它的后果。
所以每接到一个任务,先分诊:哪些让系统替我走完,哪些让它站在旁边,哪些必须自己攥着。分诊的方法写在 Thinking 的《3A 分诊法》里。
意图重于形式
观点先于界面。
「GUI 还是 CUI」「按钮还是对话」是伪问题。用户真正的分野只有一个:这件事上他要的是控制,还是被理解。要控制的地方,给他看得见、改得了、收得回的界面;要被理解的地方,让他说一句话就够。形式跟着意图走,而不是反过来。
一个产品最先定下来的不该是长什么样,而是它对「用户想要什么」持什么观点。界面只是这个观点的落款。
恰当信任优于最大信任
对系统的信任不是越多越好,是越准越好。
信任过了头,人会把不该交的事交出去,直到一次事故把信任整个摔碎;信任不足,再强的能力也只能闲着。两种失配都是设计失败。所以有时候,该做的恰恰是降低信任——把系统的边界摆到用户眼前,告诉他哪一步它不可靠,让预期落在事实所在的位置。
信任要分级,要可收回,要一级一级爬。这架梯子怎么搭,写在 Thinking 的《信任阶梯》里。