你掌握多少种思维模式，AI 就有多大用

很多人用 AI，会有一种说不上来的不对劲：它好像总被你的问题牵着走。你问一句，它答一句，答得四平八稳，却很少主动把你没想到的角度顶到你面前，也很少带着你把一件事往深里想。它像一个知识渊博、却全程等着你发问的顾问。

这是为什么？常见的解释是模型还不够聪明。我不这么看。更贴切的原因是，它什么都学过，但学过不等于随时能调动起来。

这一点，其实我们自己身上就有。我们可能学过一大堆分析框架和模型，考完试，具体的定义和推导大多还给了老师。那些东西没消失，只是沉进了直觉里，被稀释得很淡。再遇到事情，你很少会特意想起「我该用哪个框架」，多半只是凭一个模糊的方向感在走。

AI 是同一回事，而且更极端。它是一个几乎把人类所有知识都学过的大脑，可正因为什么都学过，任何一个具体框架在它内部都被稀释得极淡。你不指定，它就不会主动用上，只会给你一个把所有情况都照顾到、于是对你这一种毫无用处的平均答案。

所以我越来越频繁地这样用它：与其反复追问，不如直接告诉它用哪个框架。

你可以自己试一次。拿一个真实问题去问 AI，比如「我的网店没什么生意，该怎么办」。它会给你一份四平八稳的答案：优化关键词、做社交媒体、把商品图拍好看、搞点促销。每一条都对，合起来又什么都没说。

然后换一种问法。把店铺情况交代清楚，末尾加一句「请用『人货场』这个框架，帮我拆一下根本原因」。同一个模型，立刻变了个样子。它会把注意力收进三个维度：人，你的客群是谁、从哪来、为什么不回头；货，商品和定价本身有没有竞争力；场，从进店到下单这条路，卡在了哪一步。原先那份「正确的废话」，收敛成了一张指向病灶的诊断图。

这就是我想说的那件事：我们脑子里那些沉淀成直觉的知识，真到用时，凭直觉仍然不如把那个分析框架的名字直接说出来。明确指定一个框架，是调动 AI、也唤醒我们自己记忆与智力的有效方法。人和 AI 在这一点上是一样的：知识早就在那，缺的只是一个清晰的指令。

为什么指定框架这么管用

原因不复杂。不管是人还是模型，默认都走最省力的那条路，去找一个「最像样」的平均答案。你不给约束，AI 就在它读过的成千上万篇「网店运营」里取一个最大公约数还给你。那个答案照顾了所有情况，于是也照顾不到你这一种。

框架的作用，是给出一个结构，把这条默认的高速公路拦下来。它给模型一副骨架，逼它沿着一条更窄、更具体的路走，把手里那些零散信息一格一格填进去。人也一样。当你指定一个框架时，你脑子里那套快忘光的东西也被重新激活了，你会跟着它把问题重新看一遍。

三类值得你记在脑子里的东西

值得我们记在脑子里、随时可以告诉 AI 的东西，我大致分三类。思维框架，拿来对一个问题做一次性的结构化拆解；原则，一句话的准则，需要时时刻刻守着，而不是用一次就收起来；做事习惯，关于「怎么做事」本身的章法。框架给你一次分析，原则给你一个持续的重力场，做事习惯则决定你每次怎么起手。

它们也有高下之分。人人都会的 SWOT，你告诉 AI，换回来的多半也是一份人人都能拿到的通用答案。真正拉开差距的，是那些更稀缺、更深、迁移性更强的东西。在我看来，最有价值的一批来自软件工程：这个行业几十年来一直在跟最复杂的系统较劲，被逼出一批关于复杂性本身的道理，几乎能原封不动搬到别的行业去。

下面把我常用的那些，一条条过一遍。每条我只讲个引子，真想弄懂就点开后面的延伸阅读——那些页面比我在这儿三言两语讲得透。你不用全背，挑几条顺手的，遇事记得用。

思维框架（拿来做一次分析）

MECE。 这是麦肯锡顾问归纳问题的一条铁律，全称 Mutually Exclusive, Collectively Exhaustive，「相互独立、完全穷尽」：把一个大问题拆成几块时，这几块彼此不能重叠，合起来又不能有遗漏。举个反例，把顾客分成「男性 / 女性 / 学生」，就既重叠（学生里有男有女）又不穷尽，看着全，其实没法用。让 AI 拆解前先自查这两条，它给你的分类会干净很多；不提醒，它常给你几条互相打架、又漏掉一大块的清单。想细看：MBA智库·MECE分析法、人人都是产品经理、知乎专栏。

金字塔原理。 麦肯锡的芭芭拉·明托提出的表达框架：先把结论放最前面，再用几组理由撑住它，每组理由下面还能继续往下拆，像一座金字塔从顶往下展开。它的反面就是我们常犯的毛病——按事情发生的顺序、从背景铺起，讲一大段才亮出观点。让 AI 按金字塔组织一份汇报或提案，读的人一眼抓到重点；不按它，你往往读到一半还不知道它到底想说什么。想细看：ProcessOn 知识社区、芒格学院。

第一性原理。 这个词来自亚里士多德，指一件事里最基本、不能再往下拆、也无需再证明的前提。用它思考，就是把问题剥到这些底层前提，再从头往上推，而不是照着现状和同行「微调」。马斯克算火箭成本时不看「市面上火箭卖多少钱」，而是问「造它的金属、燃料本身值多少钱」，这就是第一性原理。让 AI 从「这件事最底层不可否认的约束是什么」问起，常能绕开「大家都这么干」的惯性。想细看：36氪、人人都是产品经理。

议题树。 也叫逻辑树，就是把一个笼统的大问题，像家谱一样一层层往下分叉成更小、更具体的子问题，一直分到每个末端都能直接去查证或动手。比如「为什么不赚钱」先分成「收入为什么低」和「成本为什么高」，再各自往下分。让 AI 先搭这棵树再回答，你拿到的是一张能逐条排查的地图；不然它给你的多半是一段笼统感想，你都不知道从哪儿下手。想细看：人人都是产品经理、MBA智库·麦肯锡逻辑树分析法。

人货场。 这是阿里巴巴在「新零售」里提出、如今电商圈通用的一副骨架，把一门零售生意拆成三个要素：人（客群是谁、流量从哪来）、货（商品本身、供给、定价）、场（渠道、场景、从看到到下单的路径）。它的好处是把「生意不好」这种模糊的焦虑，逼到一个具体的位置上。前面那个网店例子就是它：不出单，到底是人不对、货不对，还是场不对。想细看：人人都是产品经理、36氪。

用户漏斗。 把一条转化路径想象成一个漏斗：一大批人从顶上进来（看到广告），一层层往下流失（点进来、加购、下单、复购），每层都比上一层少。它让你不再笼统地说「转化差」，而是去看具体漏在哪一环。让 AI 帮你把每一环的留存率摆出来，你常会发现问题只卡在某一步——该修的是那一步，不是全部。想细看：人人都是产品经理（AARRR）、MBA智库·AARRR模型。

精益 MVP。 MVP 是「最小可行产品」（Minimum Viable Product），出自埃里克·莱斯的《精益创业》。核心是：别憋一个大而全的版本，先做一个刚好能验证核心假设的最小版本，扔给真实用户看反应，再决定加倍还是掉头。它对付的是「我觉得这个想法很好」式的自我感动。让 AI 帮你把一个庞大计划压成「这周就能测的最小动作 + 一个明确要验证的假设」，能挡住你一头扎进几个月的空想。想细看：人人都是产品经理、MBA智库·最简可行产品。

组合矩阵与空白搜索。 学名叫形态学分析（天文学家茨维基发明）。做法是把一个领域里已经验证过的元素，沿几条轴列成一张表，交叉出所有组合，再去找那个还没人占的空格。很多爆款其实就是几个老元素的新组合，比如「助眠音频」可以按题材 × 形式 × 语言列开去找空位。它逼你系统地搜可能性，而不是干等灵感。选题、定位、找差异化都能用。想细看：MBA智库·形态分析法、博客园。

7 Powers。 投资人汉密尔顿·赫尔默在同名书里总结的七种「可持续竞争优势」：规模经济、网络效应、反向定位、转换成本、流程效能、品牌、垄断资源。关键词是「可持续」——不是你一时领先，而是对手明知道也很难抄走。让 AI 拿这七条挨个审你的生意，看你到底真占了哪一种，比空谈「护城河」落地得多。想细看：澎湃新闻、知乎专栏。

影响力六原则。 心理学家西奥迪尼在《影响力》里总结的六个让人点头的心理开关：互惠（收了好处就想回报）、承诺一致（说过的话想做到）、社会认同（别人都在做我也做）、权威、喜好、稀缺（快没了就更想要）。写文案、设计一次说服时，让 AI 对着这六条逐个想「这里能不能用上一个」，比让它「写得有说服力一点」具体太多。想细看：人人都是产品经理、MBA智库·《影响力》。

原则（时时守着的一句话）

快速失败。 一个反直觉的工程习惯：与其让系统带着错误硬撑、把问题拖到很晚才爆，不如让它一遇到不对就立刻、响亮地报错停下。因为错误越晚暴露，定位和修复的代价越大。放到做事上，就是别用各种兜底和「看起来没事」把真实的失败盖过去。让 AI 守着这条，它就不会悄悄替你把异常吞掉、递给你一个能跑的假象。坏消息越早到，越便宜。想细看：腾讯云开发者社区、博客园。

单一事实源（SSOT）。 Single Source of Truth——同一个事实只留一个权威出处，别让它在五个文档里各写一版。因为一旦有多个版本，它们迟早会不一致，然后没人知道该信哪个。让 AI 守着它，一发现信息多头就停下来提醒你确认哪份算数，能省掉大量「到底以哪个为准」的扯皮。想细看：华为云·汪子熙、CSDN。

名实相符。 语义变了，名字就得跟着变。这其实是个很老的东西，孔子叫它「正名」——名不正则言不顺。它看着小，却是我很喜欢的一条原则，因为它最极致的样子藏在侯世达那本《哥德尔、埃舍尔、巴赫》里：书里反复讲「怪圈」和自指，讲很多优美的系统都有一种同构——形式和内容、宏观和微观共享同一个结构，一层套一层地自我相似，这就是递归。有人把这套想法做成一个「分形文档系统」：代码是给机器看的一相，文档是给人和 AI 看的另一相，两相必须对得上，名和实一旦对不上，就算没做完。

换个人人都懂的例子——取名。给一家公司、一个产品取的名字从来不只是代号，它是对「实」的一次塑形，会通过一条看不见的回路反过来影响这东西往哪长。一支叫「长期资本管理」的基金，名字里就写着它的自我定位，会吸引某一类投资人，也会在诱惑面前给创始人多一分提醒；一家叫「快狗打车」的公司，日后想往高端货运走，这个太接地气的名字就成了甩不掉的包袱。所以把这条交给 AI，让它替你审产品名、项目名、甚至一份文档的标题和结构，它能帮你揪出名不副实、迟早出事的小裂缝。（那套分形文档系统本身比这深得多，感兴趣可以去看 chunxiang.space/geb-system。）想细看：「孔子为何要讲正名」（昆仑策）、GEB《集异璧》中文导读、豆瓣·GEB。

布鲁克斯定律。 出自软件工程经典《人月神话》：给一个已经延期的项目加人，只会让它更晚。因为新人要花时间上手、老人要花时间带，而且人越多，彼此之间要沟通的线头越多（大致按人数的平方涨），很快盖过多出来的那点产能。这条不只关于写代码——一家忙不过来的小店临时翻倍招人，后厨往往更乱。让 AI 记着它，它给你的「加人提速」方案会先掂量沟通开销。想细看：MBA智库·布鲁克斯法则、中文维基百科。

没有银弹。 也出自《人月神话》。「银弹」是传说里唯一能杀死狼人的子弹，这里指「一招解决所有问题的神器」。作者的判断是：软件的复杂里，一部分是问题本身固有、消不掉的（本质复杂），一部分是你用了笨工具、烂流程自找的（偶然复杂）；工具能消灭后者，对前者却无能为力。医生做诊断那份难是本质的，手写病历来回跑腿盖章是偶然的。AI 特别擅长清偶然复杂，但守着这条，你就不会天真地指望它把本质的难也一键解决。想细看：《人月神话》第16章中文全译、中文维基百科。

康威定律。 一个组织造出来的系统，结构会长得像这个组织的沟通结构。说白了，两个不怎么说话的部门，做出来的两个模块大概率也拼不到一起。部门墙越厚，产品越是几块割裂、体验各说各话。这条反过来用更有意思：想改产品的样子，往往得先改组织沟通的样子。想细看：人人都是产品经理、pdai.tech 全栈知识体系。

技术债。 为了赶一时之快抄的近路，就像借了一笔债——当下省了事，日后要连本带利还回去，利息就是它让后面每一步都更难改。这个比喻几乎能套到生活里一切的「借」：熬夜赶工是欠健康债，躲一次难谈的话而冷战是欠关系债。让 AI 帮你把一个方案在借哪种债、利息多高标出来，别只盯着眼前省下的那点。想细看：博客园·陈哥聊测试、CSDN。

做事习惯（怎么起手）

先找对标、先搜方法论。 动手前先默认「这事多半有人做过」。对标（benchmarking）就是先找到做得好的样本、量一量差距，再决定自己怎么做。让 AI 先去找对标、找现成的方法论和公开框架，拿一个能打六十分的打底再往上迭代，而不是对着空白页从零硬想。绝大多数时候，起点不该是空白。想细看：MBA智库·标杆分析法、北极星OKR管理学院。

做完复盘、把步骤固化。 一件事做完别急着翻篇。花几分钟回一遍：哪一步可以改，哪个反复做的手动动作能固化成一张清单或一个模板。这就是日语里说的「改善」（Kaizen），靠一点点小改进复利。让 AI 陪你做这个复盘，下一次同类的事就快了——这也正是这篇文章本身在说的：把好用的东西沉淀下来，随时能再用上。想细看：MBA智库·持续改善（Kaizen）、MBA智库·复盘。

如何使用：把这些写进你的常驻指令

框架和原则说了这么多，到底怎么用。

我的建议是把它落在自己的工作流里，而不是拿去诊断和改造一个组织。说句实在话，我这些想法更多是研究和推演出来的，没在组织层面真刀真枪验证过，这点得讲清楚。

一个最简单也最见效的做法，是把对你最重要的那几条，直接写进你和 AI 交互的常驻指令里。在我给 Claude 的默认指令文件（CLAUDE.md）里，就常驻着几条这样的话：守住 SSOT，发现一个信息有好几个出处，就停下来提醒我确认哪个算数；任何方案都要追一句它的取舍，别只报喜；我给出具体例子之前，不许泛泛而谈。写定之后，它就从一个有问必答的博士，变成一个带着我的方法论在替我想事的伙伴，我不用每次都重新提醒。

如果你也想这么做，最省事的一步，是把下面这段直接复制给你的 AI（agent）：

请通读我给你的这篇文章，然后帮我修改我的 CLAUDE.md / AGENTS.md（AI 常驻指令文件），把文章里提到的做法固化进去：

1. 当我问你分析或决策问题时，主动判断有没有合适的思维框架（例如 MECE、人货场、用户漏斗、第一性原理、7 Powers 等）可以套用。如果有，就用它来组织答案，而不是给我一段面面俱到的通用回复。必要时，主动问我缺少哪些信息。
2. 时时守住这几条原则：快速失败、单一事实源（SSOT）、名实相符、没有银弹（分清本质复杂与偶然复杂）、技术债意识。
3. 动手前先帮我找对标、搜现成方法论；做完帮我复盘，把可复用的步骤固化成清单。
   改完后，把你新增和改动的段落单独列出来给我确认。

最后

知识正在被彻底摊平。任何一个事实、一个概念，问一句就能拿到。但这不等于判断力不值钱了，恰恰相反。

AI 抹平了大家获取「知识点」的成本，却把另一件事凸显了出来：你能不能调动那些「知识结构」，调动得快不快、准不准。同样一个模型摆在所有人面前，有人只能问出正确的废话，有人能指定一个又一个框架，让它交出真东西。差别不在模型，在用模型的那个人，以及他脑子里有多少东西。

这大概就是 AI 时代，人和人之间真正拉开距离的地方。