Yousa Driven Development (YDD)

去年我花三个月做了一个 side project，一个小型信息聚合工具。每天下班写代码，周末调 UI，上线那天挺有成就感。然后呢？没人用，日活为零。我觉得「代码写完、部署上线就算闭环了」，心安理得丢在那里。半年后回头看，问题不是代码质量，是我从头到尾没问过一个问题，有人需要这东西吗？ 我跑完了开发流程，但从没跑完一次真正的闭环。 后来发现这不只是我的问题。读了100本书，收藏了200篇文章，买了5门课，觉得自己一直在学。办了健身房年卡，每周去三次，半年不记体重、不调计划。一年后生活几乎没变。说不清哪里不对，因为确实在努力。 我现在的理解是，闭环不是把事做完，是用结果修正判断。 大多数人的「闭环」只是任务完成，不是认知校准。只有输入，没有让现实给反馈。这有点像飞行员不看仪表盘凭感觉飞，短期可能没事，时间一长方向一定飘。 闭环长什么样？拿 AI 辅助编程举例。向 AI 描述需求，AI 生成代码，这是「生成」。跑测试查逻辑，这是「观测」。发现问题告诉 AI，AI 改，这是「矫正」。开环是生成代码直接复制粘贴，不验证，bug 悄悄堆起来。闭环是每轮生成后立刻验证，看起来慢，但每轮都在收敛。 这里有个容易混淆的点。输出不等于反馈。 代码 push 到仓库是输出。跑了测试、发现 case 挂了、根据报错改 prompt，这才是闭环。输出是动作，反馈是信息，中间隔着「观测」。 AI Coding 的反馈干净，测试要么过要么不过。现实信号模糊得多。文章阅读量低，到底是内容不行还是标题没起好？产品没人注册，是需求不存在还是落地页没写好？模糊不等于没用，但得做对照。办法是一次只改一个变量。连续三篇文章只改标题、内容不变，就能分离出标题的影响。每次什么都改，等于什么都没验证。 后来我慢慢意识到，闭环至少分三层。 任务闭环，事情交给我，一定做完。解决的是「做没做完」。让你可靠。 认知闭环，做了判断，观测结果，矫正下一次判断。程序员回头看上线后有没有 bug、用户用着顺不顺，然后调整技术选型。解决的是「做得对不对」。让你变准。 目标闭环，定期回头问「这个方向本身值不值得做」。以终为始解决终点，闭环解决偏航。你在飞行途中不断校准航线，但也得定期确认目的地没选错。让你不在错误的山头登顶。 回想我那个 side project，犯的错不只是没做认知闭环，连目标闭环都没有。很多人很可靠，方向却一直飘，因为只闭合任务，不校准认知，更不校准目标。 不是所有事都需要闭环。熟练的外科医生做标准手术不需要「快速试错」。但他能一次做对，是训练阶段已经跑了几千次闭环的结果。闭环真正管用的场景是你面对不确定性，不知道判断对不对。创业、学习新领域、写作、职业转型，这些都没有标准答案。能一次做对，说明闭环已经内化。还在摸索，就需要闭环帮你校准。 这个结构在不同领域反复出现。Dropbox 创始人 Drew Houston 没先写代码，而是拍了个3分钟演示视频放到 Hacker News 上，等待名单一夜从5000涨到75000。不过视频验证的不是「需求一定存在」，而是「有强兴趣信号」。愿意注册等待，不等于愿意付费。丰田把 PDCA 嵌进每个工位，一年收到改善提案约70万条，数万个微闭环汇成系统级优势。Barry Marshall 提出「胃溃疡由细菌引起」后说服不了同行，直接喝下幽门螺杆菌培养液，用自己身体跑完验证。光「想对了」不够，得跑完验证。 不过闭环不保证成功。大量创业团队严格跑 Build-Measure-Learn 还是死了。闭环保证的不是结果，是校准速度。方向错了，你比不闭环的人更快发现。 为什么开环这么普遍？人的认知天然有偏差。确认偏误、过度自信、后见之明，大脑不是为了「判断准」设计的，是为了「快速做出还过得去的判断」设计的。一个有偏的系统没法检测自己偏了多少，就像你不能用一把弯的尺子量自己弯了多少。得靠外部信号。现实本身也复杂，正确的方向、方法、时机没法一次想出来，所以得迭代。导师的判断力从哪来？也是从他自己多年的闭环迭代。Checklist、peer review、最佳实践，拆开看都是前人闭环经验固化成的制度。 闭环前期往往看不到回报。播客行业，44%的播客只发了不超过3集，90%没超过20集。坚持过20集的往往开始稳定增长。但「坚持」不等于「闭环迭代」。有些播客坚持了50集从不看数据，一样会死。能增长的不只是没放弃，是一直在根据反馈调内容。每一集都是一次闭环。 我写博客也是这样。一开始写完就发，不看数据，也不想看。后来开始看后台，发现有些选题阅读量是其他的三四倍，会有一瞬间想「是不是该多写这类」。但想了想，写博客对我来说首先是思考复盘的工具，我更在意的是每篇自己写完觉得值，能辅助我在 AI Coding 领域想清楚问题。先把质量做好，先做不 scalable 的事情，其他的以后再说。这其实也是一种目标闭环，确认自己校准的方向是对的，不被流量噪音拽着走。 回到标题的问题。读了100本书没变化，怎么闭环？ 我摸索出一个最小做法。读完一个核心观点后，用自己的话写几行，写的过程会逼你发现自己没真正理解。然后把观点用到一个具体场景。比如读了「沉没成本」，下次做决定时问自己，我是不是在被沉没成本绑架？一周后回来看，理解变了吗？用起来有效吗？三步就是一次「执行-观测-校准」。 闭环的最小单元可以很小。把学到的观点讲给同事听，看他什么反应。把对某个问题的判断写下来，三个月后回来看对不对。难的不是输出，是愿意把判断摊在现实面前。很多人不是做不到闭环，是不愿承受「发现自己错了」的不适感。 真正能持续进步的人，不是判断更准的人，是校准更快的人。判断准是结果，校准快才是原因。校准的前提是承认自己可能错了。承认会错，才会去验证。验证了，才有反馈。有反馈，才能矫正。 所以回到最初的问题。你读了100本书，生活没什么变化，不是因为读得不够多，是因为从来没让现实告诉你，读到的东西到底对不对。 我现在读书、做项目、写文章，都会问自己，这次闭环了吗？ 附录：闭环思维的适用边界 管用的场景 反馈信号可测量的探索性活动。A/B 测试、内容运营、增长实验，「执行-观测-校准」转得起来。容易「假努力」的长期积累领域。读书、写作、健身，人很容易陷入输入幻觉，闭环逼你用现实验证。多人协作需要对齐预期的场景。项目管理、产品迭代，闭环本质是不断用结果校准所有人的认知。 ...

AI Coding 一年实战：从效率幻觉到能力进化 一、你以为快了 20%，实验说你慢了 19% 16 个资深开源开发者，预注册随机对照实验，使用 AI 辅助编码后客观测量完成时间慢了 19%。但这些开发者自己觉得快了 20%。主客观偏差达 39 个百分点。 这不是某个科技博主的体感分享，而是 METR（一家专注于 AI 模型能力评估的研究机构）做的目前唯一一项预注册 RCT（随机对照实验）。预注册意味着实验设计提前锁定、不能事后改假设。随机对照意味着有控制组和实验组、不是自选分组。 16 个人确实不多。但这些都是在自己长期维护的开源项目上工作的资深开发者，不是实习生在做玩具项目。一个人在自己最熟悉的代码库上，用 AI 写代码，客观上变慢了，主观上还觉得快了。这个认知偏差比「慢了 19%」本身更值得警惕。 如果只有 METR 一份数据，完全可以归为噪声。但 Faros AI 用 10,000 多名开发者的遥测数据讲了同一个故事。 Faros 按 AI 采纳程度分组，高采纳团队的个体指标全面飘红：任务完成数 +21%，PR 合并数 +98%。但组织级的 DORA（Google Cloud 旗下的 DevOps 效能研究团队）四大交付指标（部署频率、前置时间、MTTR（平均恢复时间）、变更失败率）无一改善。 个体全面提升，组织纹丝不动。这个悖论怎么解释？ 答案藏在另外两个数字里：PR 体积 +154%，评审时间 +91%。 AI 帮你写了两倍的代码，打包成两倍大的 PR，然后扔给了同一个 reviewer。reviewer 的带宽没有翻倍，评审时间自然翻倍。上游加速产生的所有增量，被下游瓶颈原封不动地吃掉了。 再看信任层。三份大规模调查（DORA、Stack Overflow、JetBrains）交叉验证：90% 的开发者在用 AI，但只有 7% 总是使用，只有 3.1% 高度信任。不信任率 46%，首次超过了信任率 33%。 90% 都在用，3.1% 真信。这个漏斗的衰减速度比任何销售转化率都吓人。 1984 年，以色列物理学家 Eliyahu Goldratt 出版了商业小说《目标》。书中有个经典案例：一家工厂花重金引进了 NCX-10 数控机器人，该工位效率提升 36%，但整个工厂的交付周期和利润反而恶化了。原因很简单：NCX-10 不是瓶颈。瓶颈在热处理炉。让一个非瓶颈工位加速运转，唯一的效果是它前面堆积更多在制品，而瓶颈工位依然以同样的速度消化。系统的产出由瓶颈决定，不由最快的环节决定。 ...

AI Coding 融入后台研发全链路：现状、边界与讨论框架 定位：团队脑暴讨论材料，非结论性文档。核心目的是用行业数据拉齐认知、建立现状共识，为下一步行动提供讨论基础。 分析方法说明 本文的产出过程遵循 多源报告结构化分析 SOP，分为两个阶段： Phase 1 — 并行拆解：对 10 份行业报告各自独立分析，使用统一的 8 章模板（研究设计、数据采集、测量定义、统计方法、效度评估、局限性、可操作性、一句话总结），外加每份报告 3-5 个定制追问。10 份分析并行完成，互不参照。 Phase 2 — 串行聚合：单一 Agent 读取全部 Phase 1 产出，识别交叉模式、解决结论冲突、提取可迁移洞察，产出结构化数据矩阵和本文。 这套流程的核心价值：不是「读完报告写总结」，而是「先用统一框架拆解每份报告的方法论和证据基础，再系统性聚合」。方法论聚焦确保了我们不只看「报告说了什么」，更看「报告是怎么得出这个结论的」——后者才是判断数据可信度、解释结论冲突的关键。 详细的 SOP 流程和模板设计见：多源报告结构化分析 SOP。 第一章：背景与讨论框架 1.1 背景与目标 2025 年至今，AI 编码工具经历了从"Copilot 补全"到"Agentic 自主执行"的代际跃迁。行业采用率已达 84-90%（DORA/Stack Overflow/JetBrains 三方交叉验证），但围绕真实效率、代码质量、技术债的争议同样在加剧。 我们团队已在多个环节使用 AI 工具，并有两块方向在推进（AI CR 工具、需求→结构化 spec 工程）。这次讨论的核心目标： 用行业数据建立共识，识别团队最值得投入的环节与最需要防范的风险，推动 2-3 个可落地的试点动作。 一个关键前提：AI 的输出质量取决于我们提供的上下文是否结构化、约束是否明确、验证是否自动化。 提效的重点不只是"换更强的模型"，而是把 AI 接入工程流程并配套质量闸门。 1.2 数据来源与阅读指引 本文基于 10 份行业报告的数据矩阵整理，覆盖 2024-2026 年。 # 报告 发布方 时间 可信度 偏见方向 1 Anthropic Agentic Coding Trends AI 模型厂商 26年1月 🟡 倾向展示 AI 变革性价值 2 Faros AI — The AI Productivity Paradox 工程效能平台 25年7月 🟢 倾向强调可观测性需求 3 GitClear — AI Copilot Code Quality 代码质量工具 25年2月 🟡 倾向放大质量下降信号 4 GitHub Octoverse 2025 Copilot 提供商 25年10月 🟢 倾向正面呈现 AI 影响 5 Google DORA 2025 Google Cloud 学术项目 25年9月 🟢 相对中立 6 JetBrains State of Developer Ecosystem IDE/AI 工具厂商 25年10月 🟢 AI 叙事有利益关联 7 METR — AI on OSS Developer Productivity 独立 AI 安全评估 25年7月 🟢 偏向 AI 风险/局限评估 8 MIT Technology Review 独立科技媒体 25年12月 🟡 倾向有张力的叙事 9 SonarSource State of Code 2026 静态分析工具 26年 🟡 倾向强调代码验证需求 10 Stack Overflow 2025 Developer Survey 社区平台 25年7月 🟢 相对中立，样本偏 SO 用户 阅读图例： ...

多源报告结构化分析 SOP 定位: 一套可复用的方法论，用于从 N 份异质来源报告中，系统性地提取、分析、对比某一维度的信息，并产出结构化的交叉分析文档。 抽象自: 2026-02-27「AI Coding 报告测量方法论分析」项目实践。该项目从 10 份 AI Coding 研效报告中分析了测量方法论，产出了 10 份 per-report 分析 + 1 份聚合对比分析。 适用工具: Claude Code + Agent Team（并行调度） 一、这套 SOP 解决什么问题 1.1 核心问题 当你面对 N 份关于同一主题的报告/论文/调研时，常见痛点： 痛点 表现 信息过载 每份报告几十页，10 份就是几百页，人工逐一精读不现实 结论冲突 不同报告对同一问题给出相反结论，不知道该信谁 比较困难 各报告结构不同、术语不同、测量口径不同，无法直接对比 深层原因不可见 表面结论容易获取，但「为什么得出这个结论」（方法论、样本、统计方法）藏在细节中 提炼效率低 手动整理笔记 → 对比 → 写报告，链路长、易遗漏 1.2 核心思路 不是「读 N 份报告然后写总结」，而是「用统一的分析框架逐一拆解，再系统性聚合」。 关键设计： 统一模板：所有报告用相同的 8 章结构分析，确保可比性 先拆后合：Phase 1 独立分析每份报告（并行），Phase 2 聚合交叉对比（串行） 报告特定问题：在统一模板之上，每份报告有定制的「重点追问」，抓住该报告独特的方法论特征 方法论聚焦：不只看「说了什么」，更看「怎么得出这个结论的」——后者才是判断可信度和可复用性的基础 1.3 产出价值 产出物 价值 N 份 per-report 结构化分析 每份报告的「方法论透视」，快速理解其证据基础和局限 1 份交叉对比分析 解释冲突结论的方法论根源，提取可复用的最佳实践 分析框架本身 团队建立自己的度量/评估体系的参考模板 二、适用场景 2.1 直接适用 场景 示例 行业报告对标 收集 N 份同主题行业报告，系统性提取和对比 技术选型调研 N 份技术方案/框架的评测报告，对比其评测方法论 竞品分析 N 份关于竞品的分析/报告，统一维度对比 学术文献综述 N 篇论文的研究方法和发现的系统性比较 度量体系设计 分析「别人怎么测量的」，为团队设计自己的度量方案 2.2 核心适用条件 N ≥ 3：少于 3 份来源时交叉对比价值有限，手动处理即可 异质来源：来源越多样（不同机构、不同方法），交叉分析越有价值 有对比需求：不只是「分别了解每份报告」，而是需要「跨报告比较」 有某个分析维度：需要一个明确的分析视角（如「测量方法论」「数据质量」「适用条件」） 2.3 不适用 仅 1-2 份报告：直接精读即可，不需要这套流程 来源高度同质（如同一机构的系列报告）：交叉对比价值低 无明确分析维度：如果只是「帮我看看这几份报告」，先明确你想分析什么 三、前置准备 3.1 输入物清单 输入物 必需? 说明 N 份原始报告（或结构化摘要） 必需 可以是 PDF、网页、或已有的结构化分析文档（ver1/ver2） 分析维度定义 必需 明确「你想从什么角度分析这些报告」——如方法论、数据质量、适用场景等 来源索引 推荐 每份报告的元信息（发布机构、时间、可信度、偏见方向）。如果已有就复用，没有就在 Phase 1 中顺便产出 已有交叉分析（如有） 可选 如果之前已做过内容层面的分析，方法论分析可以解释其中的冲突 3.2 分析框架设计 这是整个 SOP 中最需要人工判断的环节。 在执行前，你需要定义： ...

省10秒，赔一个早上 春节那天晚上吃火锅，吃到最后桌上一片狼藉。我端起锅，把剩下的汤底倒进了厨房水槽。 这个动作顺手得不能再顺手，就像吃完泡面把汤倒掉一样。我还开了水龙头冲了一会儿，心想「冲一冲就好了」。然后关灯，睡觉。 第二天早上，水槽里的水一动不动。 我拿筷子戳了一下下水口，很浅的位置就碰到一层硬邦邦的东西。火锅汤里的油脂在管道里凝固了，堵得死死的。加水没用，开水也没用，水槽里积着水，开水倒下去还没到油脂层就凉了。最后我拆了下水管，戴着手套把凝固的油脂一块一块抠出来。 一整个早上，就交代在这件事上了。 起因是我昨晚省了大概10秒钟。 读到这里你大概会想：粗心了呗。 我一开始也这样给自己定性。粗心，下次注意。 但越想越不对。我不是粗心。犯错有两种。一种是你明明知道正确答案，手一滑做错了，比如考试时把6写成9，或者回微信点错了对话框。脑子知道该怎么做，手没跟上。另一种更麻烦：你的判断本身就是错的，但你完全不觉得自己在犯错。那天晚上我不是手滑，我是真心觉得「冲一冲就能走」。大脑给了一个非常确定的判断，我完全没有怀疑。 问题不是我「没注意」，是我压根不觉得这里有什么要注意的。 这两种错误需要完全不同的应对。手滑的话，「下次注意」有时候确实管用，绷一下就行。但如果判断本身就是错的呢？你怎么「注意」一件你认为完全没问题的事？ 就像让一个以为自己走对路的人「注意别走错」，他会很困惑，因为在他看来自己没走错。 你回微信消息的时候，检查过对话框是不是对的人吗？大多时候没有。因为你「觉得」自己在对的地方。直到有一天，吐槽老板的话发到了工作群里。 你提交代码的时候，每次都跑测试了吗？大多时候没有。因为你「觉得」改的这一行不影响别的。直到线上报错，一整个下午在回滚和修复。 你跟朋友约「周末见」，确认过是周六还是周日吗？大多时候没有。因为你「觉得」对方肯定知道你说的是哪天。直到那天你在咖啡馆等了一个小时，对方在家里等了一个小时。 这些我们都叫「粗心」，然后说「下次注意」。但你回想一下，同类错误是不是一直在发生，只是换了个场景？对手滑和走神，「绷一下」偶尔有效。但对那些你压根不觉得自己在犯错的时刻，光靠「注意」几乎没用。 后来我花了一些时间琢磨这件事，发现有个区分特别有用。 生活里有两种「知道」。一种是真的知道：你说得出依据，经得起追问。比如开水能泡茶，你亲手泡过无数次，没什么好怀疑的。另一种是「以为自己知道」：你有一个模糊的感觉，但要是有人追问「你怎么确定的？」，你只能说「应该是这样吧」「感觉没问题」。 火锅油那件事，我「知道」油脂低温下会凝固，初中化学讲过。但我「以为我知道」火锅油冲一冲就能走，这个判断我从来没验证过。大脑做了一件很巧妙的事：它把「没有反对的证据」当成了「有支持的证据」。因为之前往水槽倒东西没出过事，它就自动把「倒油」归进了「安全操作」。 手机要换新的时候也一样。你觉得重要照片「应该都同步到云端了吧」，直接把旧手机重置了。然后发现三年前的旅行照片全没了。你不是忘了备份，是「以为」自己备份了。「以为备份了」和「确认备份了」之间的距离，就是那些照片的命。 我后来找到一个判断方法，就一句话：「如果有人问我’你怎么确定的’，我能给出依据吗？」 「你怎么确定火锅油冲一冲就能走？」我给不出任何依据。我只是「觉得」。 但在端着锅准备倒汤的那个瞬间，大脑不会自动跳出来问这句话。「我觉得没问题」和「我确认没问题」，在你自己的感受里几乎一模一样。大脑把前者伪装成后者的能力，强到你自己都察觉不了。 如果「多想一步」就能解决问题，人类早就不犯错了。每一本自助书都在说「三思而后行」，如果这话真管用，就不需要那么多本自助书了。 大脑特别会偷懒。大多数时候它靠直觉出答案，几乎不花精力。只有在你主动喊停的时候，它才会切换到认真检查的模式。问题是，只要一件事看起来「没什么风险」，大脑就直接跳过检查，走那条最省力的路。你端着火锅汤站在水槽前，大脑根本不觉得这是一个需要动脑子的场景。你越累、越赶时间，它就越懒得检查。 还有一层。当一个有风险的做法以前没出过事，大脑会把它标记为「安全」。你之前可能也往水槽倒过油，没堵过，也许量少，也许天暖油脂没完全凝固。但每一次侥幸都在强化一个错误信念：这样做没问题。这个认知陷阱有多古老？公元79年，庞贝城的居民对维苏威火山爆发前的频繁地震毫不在意。小普林尼记载：「这些地震并不特别令人惊慌，因为在坎帕尼亚很常见。」两千年后，NASA的哥伦比亚号航天飞机栽在了同一个坑里。发射时一块泡沫材料脱落撞了机翼，工程师提出担忧，管理层说「泡沫脱落以前也发生过，没出过事」。事故调查报告记录得很清楚：泡沫脱落被逐步从「安全问题」降级为「维护问题」，最终归类为「可接受风险」[1]。16天后，哥伦比亚号在重返大气层时解体，七名宇航员遇难。 倒火锅油和航天事故，后果当然不在一个量级。但触发它们的认知机制是同一个：过去的侥幸不是安全的证据，是风险在悄悄积累。 想明白这一层之后，我发现真正的问题不是「我为什么犯了这个错」，而是「为什么我会反复犯同一类错」。 这类错误有个共同点：做对了没有奖励，做错了代价巨大。你不会因为「今天没把油倒进水槽」而觉得自己做了一件了不起的事。但你倒了就要花一整个早上修。「正确行为」在大脑里没有被标记为「值得重复」，因为没有正反馈。下次遇到类似场景，大脑还是走那条阻力最小的老路。 这也是「下次注意」总不管用的原因。「注意」靠意志力撑着，意志力是有限的。你累了，赶时间了，心情不好了，意志力就掉线了。但大脑的省力捷径永远在线。 想了很久，我觉得有两个方向可能真的有用。 第一个，不是事事谨慎，而是学会一个很快的判断：「做错了，能在5分钟内恢复原状吗？」 5分钟只是个粗略的门槛，不用较真。关键是眼前这件事能不能低成本地撤回。能撤回，放心做，错了也不怕。不能撤回，就值得多想一下。 这个判断花不了3秒。 发一条朋友圈，发错了可以秒删，不用纠结。把火锅油倒进下水道，倒了就收不回来，值得停一下。提交代码，如果部署了很难回滚，提交前跑一下测试。 不是要变成一个对什么事都小心翼翼的人，那会什么都做不了。只是在那些没法撤回的操作前，让脑子里快速闪过几个念头：对象对吗？做错了能撤回吗？最坏情况影响谁？ 不需要每个问题都正式回答一遍，让它们在脑子里晃一下就够了。 说实话，我自己也不确定这个方法每次都管用。你很累的时候，赶时间的时候，大脑已经把这个操作归类为「安全」的时候，这个念头可能根本闪不过来。 所以第二个方向更重要。 与其改自己，不如改环境。让正确的做法变成阻力最小的路，让犯错变得更难。 我现在的做法更简单：吃完火锅，不收锅。锅就搁在灶台上，汤底放一晚上。第二天油脂凝成一整层固体，用筷子沿着边一撬，整块揭下来扔垃圾桶，剩下的汤倒掉，锅丢进洗碗机。两分钟搞定。不需要我记住什么，不需要调动意志力。当晚想收拾的冲动才是危险的，而「不动」比「动」容易多了。 这个思路可以用在很多地方。 给自己留撤回窗口：写完重要邮件设成延迟2分钟发送，系统自动给你反悔的机会。删文件怕删错，先扔进回收站。把草稿先存起来，让别人看一眼再发。 或者让系统替你把关：提交代码总忘跑测试？CI流程里加一步自动测试，你忘了系统不会忘。转账怕转错？输两次金额再确认。 医疗界很早就想通了这件事。手术部位标记制度出现之前，错部位、错患者手术虽然不算高频，但后果严重到不可接受[2]。后来WHO引入术前核查清单，让团队在每台手术前逐项确认。它做的事很简单：把「人的记忆」换成「系统的确认」。 我自己的感受是，「吃完火锅不洗锅」和WHO的核查清单，看着不是一个量级，但背后的逻辑是一样的：别赌自己在关键时刻不犯错，想办法让犯错变难。 前几天又吃了一次火锅。吃完收拾桌子的时候，照旧有一瞬间想端起锅去水槽冲一冲。 但我就是没动。锅搁在灶台上，我去看了会儿手机，睡觉了。 第二天早上，锅里的油脂凝成了厚厚一层红褐色的固体。我拿筷子沿着边一撬，整块揭了下来，扔进垃圾桶。剩下的汤倒掉，锅塞进洗碗机。两分钟搞定。 说实话，脑子里没有闪过什么「这是不可逆操作」的念头。我只是懒得当晚洗锅而已。但这次懒对了。 我不知道这算不算学到了教训。大脑的老路还在那里，意志力有掉线的时候。但至少目前，我不再觉得「下次注意」是个靠谱的方案了。 [1] Columbia Accident Investigation Board Report, Chapter 6 [2] WHO Surgical Safety Checklist [3] James Reason, “Human error: models and management”, BMJ 2000 ...

不要让 AI 批改自己的试卷 —— 一次 16 处遗漏的协作复盘 Tokscale 是一个开源的 AI 编程助手用量统计工具。它扫描本地各 AI 编程助手（Claude Code、Codex CLI、Gemini CLI 等）的会话文件，解析每次对话的 token 消耗量并汇总成本。技术上，Rust Core 负责解析各家助手的本地会话格式并提取 token 数据，TypeScript CLI/TUI/Frontend 负责过滤、展示和提交统计结果。 TypeScript 编译零错误，clippy 零 warning，CLI 返回正确数据。AI 报告「代码完成」。 submit 功能完全失效。前端校验拒绝含新数据源的提交请求。文档多处描述与代码不一致。这些问题在首轮验收中全部隐形——不是检查者忽略，而是现有验证手段从结构上无法触及。 测试全绿只证明覆盖了多少，不证明质量。一个新增枚举值需要在 26 个触点注册，约 8 个缺失会触发编译错误，剩余 18 个全部遗漏也编译照过、测试照绿，功能链路静默断裂在中间层。遗漏是一种 absence——在缺乏穷尽匹配约束的代码层中，absence 不报错。 本文解剖一个真实任务：为 Tokscale 添加第 10 个数据源（Kimi），28 个文件修改、约 300 行新增 Rust 代码、横跨 6 个架构层。AI 首轮交付后，第一轮验收发现 0 个问题，第二轮发现 12 处遗漏，第三轮追出 3 处——每一层用不同的验证方法捕获前一层的盲区。 本文同时复盘了每一轮验收背后的 Prompt——人类如何提问，直接决定了 AI 能暴露多少盲区。同一个 AI，面对不同的提问方式，交出的答案质量天差地别。 读完本文你会了解：测试全绿为什么不等于功能完整；四层互补的验收手段如何系统性地捕获遗漏；哪些 Prompt 策略有效、哪些无效；以及如何在设计阶段就预防大部分问题。 ...

从一个 WebSocket 到四个组件：多端操控 AI Coding CLI 的架构演化 手机远程操控电脑上的 AI Coding CLI，直觉上只需一个 WebSocket。CLI 在电脑上跑着，手机连上去，发消息，收输出，结束。 Kimi CLI 的 Web UI 做到了这一步。执行 kimi web，本地起一个 HTTP + WebSocket 服务，浏览器打开就能用。底层 Wire 协议（JSON-RPC 2.0）支持多个 WebSocket 客户端同时接入，消息通过 BroadcastQueue 广播给所有订阅者。手机套个 WebView 就行了？ 但 Happy 项目把同样的需求拆成了四个独立组件：CLI、Daemon、Server、App。四个进程，三种 Socket 连接类型，一套 RPC 转发机制，外加端到端加密（E2EE）。 为什么？ 这篇文章用两个真实项目的源码回答。从最简的直连方案开始，每遇到一个绕不过去的约束就加一个组件。四层方案逐层淘汰，最终会发现：四组件不是过度设计，而是五个硬约束逐层叠加的必然结果。 读完后能得到： 每个组件存在的「不可替代的理由」，以及没有它会怎样 Happy 和 Kimi CLI 在消息路由、进程管理、控制权协调上的关键设计细节 一棵决策树，根据自己的场景判断需要几个组件、哪些可以省 现有 Wire 协议哪些能复用、哪些必须新增的分层分析 阅读路线： 只想知道为什么不是一个 WebSocket → 第 1 节 + 小结 想理解 Happy 的核心机制 → 第 4 节（scope / RPC / 租约 / E2EE）+ 第 5 节（Daemon） 想设计自己的远程操控系统 → 第 6.3 节（五维度扫描）+ 小结决策树 想做协议复用 / 迁移评估 → 第 7 节 1. 五个硬约束 拆解方案之前，先定义检验标准。「手机远程操控电脑上的 AI Coding CLI」拆成五个约束： ...

用 300 行 Swift 让 iPhone 变成 Kimi CLI 控制台 你在咖啡馆喝完拿铁，突然想起 Mac 上挂着的 Kimi CLI 正在跑一个代码分析任务。你掏出手机，打开一个原生 App，看到 Agent 的输出正在实时滚动，已经跑完三分之二。你追加一条新指令，然后继续刷朋友圈。 这不是科幻场景。只需要约 300 行 Swift 代码，零第三方依赖，就能把 iPhone 变成功能完备的 Kimi CLI 控制台。手机端并不是把 CLI 跑在手机上，而是给 Kimi 已有的 Web UI 套一层原生壳，借助 WebView 直接复用现有界面。这个项目的特点是代码量少，更多时间花在理解架构和拆解任务上。 TL;DR — 读完你会得到什么 理解 Kimi CLI 的「内核 + 多前端」架构，以及 Web UI 为什么能让移动端封装变得低成本 掌握 useSessionStream 中两个关键设计：wsRef 连接守卫 + Ref 流式累积 知道 WKWebView 封装的三个必踩坑：ATS 权限 / JS 弹窗 / 真机网络 获得一个可复用的工程模式：「本地 Web 服务 + WebView」 学到一套面对不确定目标的拆解方法：把大问题拆成可验证的小实验 阅读路线：如果你只想 30 分钟做一个 iOS 壳，直接跳到第 4 节 + 第 5 节 + Quick Start。如果你想理解 Web UI 的通信机制或基于 Wire 协议做自定义客户端，重点读第 2 节。 ...

「选工作最重要的是跟对人。」 这句话你一定听过。不止听过，大概率还深信不疑。因为有切身体会。 你有没有经历过这样的时刻：换了一个领导之后，同样的工作突然变了味道。之前觉得干什么都拧巴，每天上班像在水里走路。换了一个人带你之后，信息开始透明，你知道自己在干什么、为什么干、干好了会怎样。你甚至觉得自己变聪明了，但其实不是你变了，是你上面那个人变了。 好领导的作用不止「让你舒服」。一个好的领导会改变你的判断力本身。他让你看到更大的系统，而不只是手头的任务。他做决策的时候，你在旁边看着，学到的不是他做了什么决定，而是他怎么想问题。这种东西，换一个人带你，接触不到。 在中国职场，「跟对人」更不是一句鸡汤。人治成分依然很重的环境里，好的领导能帮你绕过制度性的障碍，能把资源往你手里倾斜，能在关键时刻替你挡压力。这是中国组织生态里一个冷冰冰的现实。所以你告诉我「选工作最重要的是跟对人」，我不会反驳。我甚至觉得你可能还低估了这件事。 在大组织里，你的直属上级就是你的「微型生态系统」。他决定了你能看到什么信息，接触什么项目，得到什么反馈。你以为你在一家大公司工作，其实你在你领导构建的那个小世界里工作。创业场景里这一点放大到极致。五六个人的团队，创始人就是一切。「跟对人」几乎等于「选对一切」。 但也正因为「人」在这个等式里权重这么大，你对「人」的判断质量就变得生死攸关。 这就是为什么，当你遇到一个「看起来对的人」时，你会那么兴奋。 你遇到了一个人。简历亮眼，聊起来逻辑清晰、视野开阔，对行业的理解让你觉得「他确实想清楚了」。你们聊了一个多小时，他谈起自己想做的事情的时候眼睛里有光，不是浮夸的激动，而是经过思考的笃定。散场的时候直觉告诉你：就是他了。 你甚至觉得自己做了充分的判断。回去问了两三个朋友，评价都不错。看了融资新闻，投资方的名字你认识。又深聊了一次，信心又涨了一层。心里已经开始规划入职之后要做的第一件事了。 你签了 offer。你觉得这一次，终于跟对了人。 三种判断方式，三个结构性盲区 但这里有一个问题。一个你可能没注意到，但会决定这个选择最终走向的问题。 你判断「这个人对不对」，用的是什么方法？ 仔细想想，大多数人判断一个人靠不靠谱其实只有三招。第一招是直觉：「我跟他聊下来感觉很靠谱。」第二招是光环：「他的履历很强，背后的投资人也很好。」第三招是口碑：「我认识的几个人都说他不错。」 这三招在日常场景里好使。但恰恰在「选团队」这个场景里最容易失灵。因为这三招识别的都是信号，而信号和系统之间的距离，比你以为的大得多。 我不是说你错了。这套方法在别的场景下有效，但在这个场景下有结构性的盲区。一个个来看。 先说直觉。你觉得「跟他聊完感觉很靠谱」，这个判断是怎么形成的？ 心理学家 Chase 和 Simon 在 1973 年做过一个经典实验。他们让国际象棋大师看一眼真实的棋盘，凭记忆复原棋子位置。大师几乎能完美复原，远超新手。但接下来研究者把棋子随机摆放，不符合任何真实棋局的规律。这一次，大师的记忆力突然跌到和新手一样。 为什么？因为大师的「超能力」不是记忆力，而是模式识别。他记住的不是一个一个棋子，而是棋局的「叙事结构」。棋盘符合已知模式时，大脑自动补全。模式被打乱，能力就失效了。 这跟你选团队有什么关系？关系太大了。 「大厂高P出来创业，拿了一线基金，做的是热门赛道。」这些信号组成了一个你熟悉的「成功模式」。你的大脑自动启动补全机制：现金流？「一线基金投了，没问题。」决策质量？「大厂管过几百人的团队。」你以为自己在判断，其实在做模式匹配，把缺失的信息用「合理推断」填上了。 但创业不是随机摆的棋子，它有它的规律。问题在于，这个规律的变量比棋盘多太多了，结果的分布更极端，反馈周期也长得多。你从一个人的履历、融资这些有限信号里推断「这个团队能运转」，误差会被放大到你想象不到的程度。你的模式识别能力，在这里不是帮你判断，而是帮你跳过判断。 更麻烦的是，一旦大脑倾向于一个选择，认知能力不会帮你找反对理由，它会帮你找支持理由。你越聪明，找到的理由越像样。公司突然裁掉一个干得不错的人，没给任何说法。你心里不舒服，但转念一想：「他管过那么大的团队，判断维度肯定比我多。」你用自己的聪明帮他合理化了一个本该让你警觉的信号。能力没有成为纠错器，反而成了偏见的放大器。 聪明人踩的坑有一个特殊性：每一个错误决策都穿着「逻辑自洽」的外衣。不是盲目相信，是「理性地」说服了自己。这种错误特别难修正，你很难从一个自认为「理性」的错误中学到教训。 再看光环。 光环的问题不在于「没有信息量」，而在于它提供的信息量和它在你脑中占据的权重不成比例。 一个很多人没想过的问题：大厂教会一个人的能力，和创业需要的能力，是同一种东西吗？ 在大组织里，成功的底层逻辑是「优化已知」。方向是上面定的，用户基数是平台给的，增长预算是公司批的。你的厉害之处在于把转化率从3%做到5%，把日活从一千万拉到五千万。但这有一个隐含前提：有人已经替你验证了方向是对的。 创业需要的是「验证未知」。方向本身不确定，没有用户基数，没有现成资源。你要做的不是把对的事做得更好，而是在一堆错的事里找到那件对的。这不是难度不同，是物种不同。 有一种创业团队特别常见：创始人从大厂出来，核心班底全是老同事，融资 PPT 第一页就是一排大厂 logo。但他们的默契建立在大厂的资源、流程和安全网上。离开那个系统，面对的不再是从80分到90分的优化题，而是从0到1的生存题。过去的默契不但帮不上忙，甚至变成路径依赖。他们会本能地用大厂的方法论去解一个根本不是大厂的问题。 打个比方，光环可能把创业成功率从3%提高到了5%。这不是精确统计，只是为了说明一个感知上的落差：光环带来的实际优势远没有你以为的那么大。但人们心里感知到的提升是从30%到70%。这个感知差距，就是聪明人反复踩坑的心理基础。 我不是说光环毫无价值。这些信息不是零。但看到光环之后不要停在那里，继续追问背后的东西。只看光环就做决定，那做的不是判断，是自动补全。 最后一招：口碑。 你入职前找了三个人打听。三个人一致说「老板人很好，很有格局」。你放心了。后来才知道，这三个人都是创始人从老东家带过来的嫡系。那些待了半年就走的人，你一个也没问到。你的「尽调」样本，被幸存者偏差扭曲了。 口碑的问题还不止于此。哪怕你问到的人是客观的，「他人很好」本身信息量也有限。因为信号的伪造成本和验证成本不对称。「我们的文化是扁平、透明、尊重人」，说出来十秒钟，验证它需要你在里面工作六个月。 这里要说一件事。这篇文章不是在说创始人是骗子。大多数创始人是真诚的。但真诚不等于正确，善意不等于能力。一个「真诚地相信明年能融到钱所以今年先不发年终奖」的创始人，和一个刻意画饼的创始人，对你的实际影响没有区别。你的年终奖都没了。所以你要判断的不是「他是不是好人」，而是「这个组织的系统能不能运转」。好人在烂系统里，也会做出让你付出代价的决策。不是因为他变坏了，是因为结构在奖励那种行为。 没人想戳破的信号泡沫 但为什么偏偏是这三招成了你最依赖的判断方式？ 答案让人不太舒服：因为双方都从中获益。不是一方在骗，另一方在被骗。是双方都有动力让这个游戏继续。 创始人一方，包装光鲜信号收益大、成本低、风险小。讲一个好故事不花钱，大多数候选人在入职前根本不会追问到系统层面。 你这一方，也有动力去相信。相信意味着可以跳过繁琐的尽调，意味着做了一个「聪明」的选择，意味着即将加入一个有前途的团队。而质疑呢？质疑意味着要面对焦虑，要放弃让你激动的机会，要承认自己的判断可能有问题。当你已经在心理上倾向于接受一个 offer 的时候，大脑的首要任务不是「找出问题」，而是「确认它是对的」。 卖方有动力包装，买方有动力相信。一个稳定的「信号泡沫」就这么形成了。你的加入还会强化泡沫。「连他都去了，说明真的不错。」更多人被吸引进来，泡沫越滚越大，直到有一天现实击穿叙事。 朋友圈还是体检报告 那到底该看什么？ 用一个类比来说。判断一个人的健康状况，你看他的朋友圈还是体检报告？朋友圈是「展示出来的健康」：跑步打卡、晒健康餐、精神饱满。体检报告是「运行中的健康」：血压、血糖、肝功能。朋友圈可以完美无缺，体检报告一塌糊涂。 判断团队也一样。创始人的演讲风格、融资新闻、办公室氛围，这些是朋友圈。工资是否按时发、加班制度有没有白纸黑字、「融资不顺怎么办」能不能用数字回答，这些才是体检报告。大多数人选团队的方式，就像看着一个人的朋友圈判断他还能活多久。我知道这个类比听起来刺耳，但信息不对称的本质就是这样。 选团队说白了是在「信息极度不对称下做高风险投资决策」。你投入的不是钱，而是比钱更不可逆的东西：一到三年的时间、职业声誉、身心健康。投资人可以做组合，投一百个项目有一个成了就够回本。你不能做组合，两到三年只能 all in 一个团队。从风险管理的角度说，你应该比投资人更审慎。但现实反过来：投资人有尽调流程，你靠感觉。 这就引出了一个根本性的区分。信号，是别人想让你看到的东西。系统，是你需要自己去验证的东西。你不可能通过堆积更多信号来替代对系统的验证。信号不是垃圾，它是你的起点。但起点不等于终点。你需要用系统层面的验证去更新你最初的判断，而不是停在起点上不动。 三个系统：信用、决策、经济 那「系统」具体是什么？拆成三个部分。 先说一句：这套框架不是放之四海皆准的。它对「组织越小、信息越不对称、创始人权力越集中」的场景越关键。在成熟的大组织里，很多系统级的保障已经内置了，HR、合规、流程都在替你做一部分把关。但哪怕在大公司，「直属上级就是你的微型生态」这个逻辑仍然成立。你的上级怎么用权力，这套框架一样适用。 第一个，信用系统。核心问题：这个组织是用契约在运转，还是用话术在运转？ 举一个你可能经历过的场景。谈 offer 的时候你问年终奖怎么算，HR 说「看公司情况，一般两到四个月」。你追问能不能写进 offer，HR 笑着说「这个真写不了，但我们从来没少发过」。你签了。年底，拿到了零。找 HR 理论，对方翻出 offer 说「上面确实没写」。 ...

为什么有些人越忙越穷，有些人越闲越富？ 四个故事 下面这些故事，是我从身边和网上常见的模式里拼出来的，细节做了简化。 小雨每天学到凌晨一点。笔记记了十二本，错题本工工整整抄了三遍。她妈妈心疼，但也骄傲，至少孩子在努力。她的同桌小凡每天十一点就睡了，但小凡做了一件不同的事。把每次模考的错题按知识漏洞分类，每一类只做三道典型题，然后讲给同桌听。期末考试，小凡比小雨高了40分。 这个例子不涉及钱。但它说的那件事，出了学校同样成立。 张琳是一家中型公司的市场总监。周五晚上十一点，她还在改第二天要给老板汇报的PPT，措辞改了五遍，每个像素都调到完美。第二天老板花三分钟翻完，说了句「方向可以，推进吧」，然后去打高尔夫了。她改到凌晨，他三分钟定方向。到底谁的时间更值钱？ 不只是打工人。自己单干也一样。 设计师小陈在闲鱼接logo设计，一单500块，改三次，前后花两天。一个月满打满算15单，7500块。春节想多挣点，把自己逼到每天只睡五小时，差点进医院。他的一个朋友做了一套Figma设计模板放在Gumroad上，定价99美元，每月被动收入两三千美元。那朋友现在每天下午三点去咖啡馆坐着。一个在用命换钱，一个睡着都在赚。 再看一个你每天路过的场景。 你家小区门口有个煎饼摊。大叔凌晨四点半出摊，站到上午十一点，一天卖150个煎饼，一个赚两块，日入300。他干了八年，每天都是这个数字，因为他的产能上限就是一双手、一口锅、七个小时。抖音上有个人拍了一条「教你在家摊煎饼」的视频，三分钟，播放量两百万。他靠这个号接了一个厨具品牌的年度代言，五十万。 同样的知识。一个被一双手和一口锅锁死，一个被算法放大了几百万倍。 你有没有注意到一件反常的事？在这四个故事里，最忙的那个人，收入最低。看起来最闲的那个人，收入最高。 这不是巧合。努力和产出之间，从来不是一比一的关系。 两种努力 要理解为什么忙碌不等于高产出，得先分清两种根本不同的努力。 第一种叫线性努力。你投入多少时间，产出多少成果，一比一绑定。多干一小时，多赚一小时的钱。第二种叫杠杆化努力。你做一次，被放大一万次。投入和产出脱钩了，不在同一个维度上。一个人每天工作十六小时，没有杠杆，上限就是十六小时的劳动成果。另一个人每天工作四小时，但他写的代码在替一百万人解决问题。 厨师一天最多炒三百盘菜。无论他多勤奋，上限就卡在那里。但如果他把最拿手的菜谱写成标准化流程、教会五十个学徒，这个系统每天能产出一万五千盘。手艺没变，变的是放大倍数。 麦当劳的创始人雷·克罗克不会做汉堡。但他设计了一个让任何人都能做出标准汉堡的系统，每天替他服务近7000万人。麦当劳不是餐饮公司，是系统复制公司。克罗克本人很闲，但他比任何一个忙碌的厨师都富。 其实杠杆不是一个开关，不是「有」和「没有」两种状态。它更像一道阶梯。 最底下一级是纯执行。一双手，一口锅，干一小时算一小时，杠杆倍数是零。往上走一级，你把干活的经验记下来了，变成笔记、变成模板。下次再干同样的事，快了一倍，这就有了一点点杠杆。再往上，模板变成流程，流程交给别人跑，你用人力把自己复制了出去。再往上，流程写成代码，或者做成产品，它不需要任何人盯着就能跑，一天跑二十四小时也不累。最顶上那一级是资本和媒体，钱在替你做决策，内容在替你触达陌生人，你睡着的时候它们还在干活。 代码、媒体、流程、人力、资本，这五种东西本质上都是杠杆，只是放大倍数不同。设计师从接单到做模板，就是从纯执行跳到了产品那一级。煎饼大叔如果把手艺写成流程、教会十个人，就是从零杠杆跳到了人力那一级。每往上走一级，你的时间和产出就脱钩一点。不用一步到顶。先把今天干的事记下来，就已经在爬了。 一个残酷的测试 有一个残酷的测试可以判断你在哪条轨道上。如果你明天倒下了，收入会不会也跟着倒下？ 如果会，不管你名片上印的是「自由职业者」还是「CEO」，你卖的都是时间。很多人以为自己跳出了卖时间的陷阱，其实只是换了一个更贵的时薪在卖。从按月卖变成按小时卖，从卖给一个老板变成卖给十个客户。模式没变。 真正从「卖时间」跳到「卖系统」的人，做了一件不同的事。把自己解决问题的方式变成了一个产品。一段代码、一套流程、一个品牌。产品的特征是你造了一次，它可以卖一万次，不需要你在场。Eric Barone一个人、一台电脑、四年半，做出了全球销量超4000万份的星露谷物语。代码在替他7×24小时卖货。同样是忙四年，有人忙出了一份工资，有人忙出了一台永不停歇的印钞机。区别就在这里。你忙的那件事，做完之后还在不在替你工作？ 你可能在想，星露谷物语、麦当劳，这不都是幸存者偏差吗？没错，这些是极端值。用了杠杆不保证你成功。但我想说的不是「用杠杆就能暴富」，而是「不用杠杆就一定有天花板」。这是两个完全不同的命题。前者是彩票逻辑，后者是物理约束。一天只有24小时，你的产出上限就卡在那里。杠杆不保证你赢，但没有杠杆，保证你赢不大。 不过事情没那么干净。杠杆放大的是能力，如果能力本身还没长出来，放大一万倍也是零。在练基本功的阶段，老老实实把手艺磨扎实，就是对的策略。杠杆不能替你跳过那一步。 另外，不是所有行业的杠杆都长得像代码和短视频。一个外科医生的杠杆可能是流程和团队，一个手工匠人的杠杆可能是品牌和学徒体系。形态不同，但逻辑一样，都是把个人能力从一双手里解放出去。 还有一件容易忽略的事。杠杆在放大收益的同时，也放大了波动。写代码做产品可能花半年一分钱没赚到，发内容可能两百条都没人看。不是每个人当前的处境都适合承受这种不确定性。承认这一点，不丢人。 这里有个问题。权力、人力、资本这些杠杆都需要许可。你得先当上领导、先有钱、先有信用，才能动用。 但代码、AI和社交媒体不需要。你今晚就可以开始写一个小程序、发一条内容、用AI搭一个自动化工作流。没有人需要给你一把钥匙，钥匙已经放在桌上了。这是人类历史上第一次，几种强大的杠杆工具，门槛低到接近免费。考公上岸的同学需要层层审批才能做一个决定。做短视频的同学一个人、一台手机，前一年半零收入，被父母天天骂不务正业，最近半年突然爆了，一条广告报价五万。他用的就是不需要任何人许可的媒体杠杆。 我猜你现在想说。道理我都懂，但我连睡觉的时间都不够，哪有空建系统？ 这个反驳是对的。不是所有人都有「停下来」的条件。有些人的忙碌不是选择，是没有选择。但没有人要求你明天辞职去创业。杠杆可以从极小的地方开始。你每天重复做的那件事，能不能写成一个模板？你踩过的坑，能不能记下来变成别人也能用的经验？从「完成任务」到「积累资产」，有时只差一个意识的转变。 如果你还是觉得太抽象，试试这样。学生党，把这学期反复出错的那类题整理成一页速查表，发到班群里。你自己搞懂了，同学也省了翻课本的时间，这张表就是你的第一个杠杆。上班的，想想每周重复做的那份报告，能不能花一个下午写成自动化模板？搭一次，以后每周省两小时，一年省掉一百小时。自由职业的，你一定有一个问题被客户反复问。把回答写成一篇FAQ文档，下次直接甩链接，省下来的时间去接下一单。 方法很简单。每周列一下自己重复在做的事，挑最烦的那件，写成模板或文档，下周看看是不是真的省了力气。如果省了，恭喜，你有了一个可复用的资产。如果没省，换一件再试。一周一个小实验，成本几乎为零。 判断标准也很简单。杠杆不是做更大的事，而是让同一件事下次更省力，能被更多人复用。 但这还不是全部。如果杠杆的逻辑这么清楚，线性努力有天花板，杠杆化努力的天花板高得多，为什么大多数人还是困在第一种模式里？ 三把锁 不是因为笨，也不是因为不想改变。真正卡住人的，是比「知不知道杠杆」更深一层的东西。 第一把锁，大脑。 人的大脑偏爱确定性和即时反馈。线性努力恰好满足这两点。你多干一小时，多赚一小时的钱，大脑的奖赏回路持续激活。而杠杆化努力的早期是反馈黑洞。你花六个月写一个产品，可能一分钱没赚到。你发了两百条内容，播放量还是个位数。大脑讨厌这种延迟回报。这不是意志力问题，是进化留下的神经机制。狩猎采集时代，「这棵树上有果子」比「半年后那块地会长出庄稼」重要一万倍。我们的大脑还在用旧世界的评分系统给新世界的选项打分。 所以线性增长让人上瘾。每年涨薪10%，每月多接几个客户，你觉得生活在变好。但如果你画出那条曲线，它是一条直线。直线的特征是有尽头。你一天能工作的时间是有限的，那就是你的产出天花板。无论你多勤奋，你都不可能把一天活成四十八小时。 线性增长不是增长，是一种伪装得很好的天花板。但因为它有即时反馈，人们宁愿在天花板下安心地忙碌，也不愿走进那条看不见终点的隧道。 第二把锁，文化。 「勤劳致富」是工业时代的逻辑。工厂需要工人按时到岗、按件计酬，所以「投入时间＝创造价值」在那个时代是成立的。整个社会的道德体系、教育体系、评价体系都围绕这个等式搭起来。学校按出勤打分，公司按工时考核，社会按「看起来忙不忙」评价一个人。「我很忙」成了一种社交货币，暗示你被需要、有价值。知识经济早就改变了游戏规则，但我们的道德直觉没有跟上。 我们把忙碌当成勤奋的勋章。但仔细看，它更像一份诊断报告。一个人必须事事亲力亲为，不是因为他不可替代，而是因为他还没有建起任何一个替他工作的系统。CEO可以去度假三周，公司照常运转。不是因为他懒，是因为他花了多年搭了一个不依赖他在场的组织。 忙碌不是价值的信号。它是系统还没建好的信号。 第三把锁，参考系。 煎饼大叔每天出现在你面前，你看到他的辛苦。但那个拍煎饼视频赚五十万的博主，你看不到他前一年半零收入、被父母骂不务正业的阶段。杠杆的建造过程是不可见的，只有结果是可见的。所以大多数人的参考系里，根本没有「杠杆化努力」这个选项。你不知道它存在，不去寻找相关信息，社交圈也都是卖时间的人，就更加确信努力是唯一的路。这是一个自我加强的闭环。 三把锁同时锁住。大脑、文化、参考系，都在把你推向同一条路。更忙、更累、更多时间换更多产出。 怎么打开 要打开这些锁，第一步不是找工具，不是学技术，而是接受一个听起来很荒谬的说法。 真正的勤奋，不是永远在忙，而是让自己闲下来。 这里说的「闲」，不是什么都不做。而是把忙的内容从「执行」迁移到「建系统」，让系统替你执行。 有一种勤奋是每天忙到深夜，日程排得密不透风，倒头就睡，第二天再来一遍。还有一种勤奋是花大量时间思考一个问题。我怎么才能不再需要做这件事？前者的结局是越来越忙。后者的结局是越来越闲。但那个闲不是偷来的，是建出来的。 我知道你在想什么。这不是给懒惰找借口吗？ 这个担心合理。但懒惰是逃避投入。我说的「闲」不一样。你先拼命建了一个系统，然后系统替你忙。一个是起点的闲，一个是终点的闲。区分方法很简单。懒的人闲完之后什么都没留下，建系统的人闲完之后多了一个替他工作的东西。 还记得那个改PPT到凌晨的张琳吗？ 她的问题不是不够努力。她可能是整个公司最努力的人。但她所有的努力，都花在杠杆的长臂末端，做的是最容易被替代的执行工作。也许有一天，她不是在改PPT，而是在设计一个让团队自己就能做出好PPT的流程。那时候她也许会更闲。但那个闲，不是因为她放弃了，而是因为她终于建好了一个不需要她在场的系统。 我不确定每个人都能找到自己的杠杆。但我确定的是，如果你从来没想过这个维度，你连找的机会都没有。也许真正难的不是找到杠杆，而是放下「忙碌＝有价值」这个让你安心了二十年的等式。