去年带团队做一个新产品复盘时发现两个连续的战略误判我们预测用户会为A功能付钱实际他们只愿意为B功能掏钱我们假设竞品会在三个月后跟进结果第二周他们就上线了几乎一模一样的功能。数据没错执行也没问题问题出在大家脑子里那套“关于用户、市场、行业如何运转”的简化地图集体失效了。那次复盘让我彻底意识到我们缺的不是方法是一个真正有效的世界模型。1. 世界模型的两个含义与一个共同内核这几年“世界模型”在AI领域和认知科学领域都被频繁提及但它指的并不完全是同一件事。我先把两个含义讲清楚因为它们有一个共同内核而这个内核恰恰是个人可以拿去用的。1.1 AI领域的世界模型内置模拟器在机器学习语境下世界模型指的是智能体对它所在环境的内置预测模型。DeepMind的Dreamer系列、Meta相关研究、以及各类基于模型强化学习的工作核心思路都是让智能体在行动前先在内部模拟环境会如何反馈。换句话说智能体不必真的在现实里撞几次墙才能学会避墙它可以在脑子里把墙撞一遍用撞墙后的虚拟结果来更新策略。这里的关键词是“预测”。世界模型不是对过去的记忆库不是拍照片一样保存所有见过的状态它是一个生成式的模拟器能够根据当前状态和候选动作输出未来状态的推测。就像你玩赛车游戏的时候屏幕上还没出现的弯道你已经凭前几局的经验知道那里要提前减速了。1.2 个人认知层面的世界模型底层假设集合个人层面的世界模型对应的是心理学里常说的心智模型、图式或信念系统。你从小到大经历的事、读过的书、验证过的判断在你脑子里沉淀成了一套关于世界如何运转的假设集合。这套假设集合平时不会显式跳出来但它无时无刻不在替你代答朋友发来一条晚回的消息“他是真的在忙”还是“他不想理我”模型不同你的情绪反应就不同新功能上线后数据平平“是需求本身不存在”还是“推广力度不够”模型不同你的下一步动作完全不同。1.3 统一的内核用压缩的表征做预测AI世界模型和个人世界模型本质都是同一件事把复杂现象压缩成关键变量和因果关系然后拿这套压缩表征去预测未来。AI压缩的是图像、状态、奖励信号人压缩的是经历、事件、情感反馈。打个比方。世界模型就像你的导航软件地图不是真实道路它是对真实道路的高度简化但只要你用的是同一套坐标系它就能帮你预测前方哪个路口应该转弯。个人没有地图面对岔路就只能靠直觉和勇气硬闯。这个内核统一之后你会发现构建世界模型这件事是可以被工程化的不是玄学。下面我讲的方法就是把构建过程拆成可执行的动作。2. 你早就在用世界模型做决策只是没意识到很多人听到“构建世界模型”会觉得这是一件特别宏大、特别理论化的事要么觉得没必要要么觉得无从下手。我的看法是它没那么玄你早就在用只是你的模型通常是零散、暗隐、没有版本管理的。2.1 一个通勤案例里的两种模型假设从家到公司有两条路线。新手通勤者每天靠导航哪条路绿就走哪条。他的决策是无模型的只响应当前信号不看趋势不记规律。老司机呢他会知道周五下午第三条辅路一定堵、雨天隧道口容易积水、暑假期间校园周边明显好走。这些规律就是世界模型他会据此提前一天规划路线。同样的逻辑放大到创业、写代码、学外语、教育孩子全部成立。你每一次“我觉得这次应该会这样”的判断背后都是一个模型在运转区别只是这个模型是靠得住、可解释、能更新的还是靠不住、凭感觉、永远死板的。2.2 无模型决策的真正代价很多人以为“想到什么做什么”是灵活是拥抱不确定性。我不否认灵活的价值但长期无模型决策的代价是被同一块石头反复绊倒。一个我观察了很久的现象很多内容创作者反复踩同一个坑选题完全靠当天感觉火了一次不知道为什么火扑了一次不知道为什么扑创作了几年水平和第一年几乎没区别。反观做得好的创作者都会在复盘里提炼类似“封面字大的视频完播率高”“开篇前5秒不抛结论就走人”这样的小规律。这就是在建模。这些规律不是真理甚至可能过时但它们是修正世界的参考系。没有这个参考系每一次成功和失败都是孤立事件你不会因为多活了几年而变聪明只是变老了。2.3 从“事后解释”升级到“事前预测”人与人的认知差距并不是谁的解释能力更强而是谁能把解释能力前置成预测能力。事后解释的时候模型是叙事工具它帮你让故事听起来合理但无法证明模型的预测效力。真正有效的世界模型标准很简单你有没有在事情发生之前做出过一个明确、可被检验的预测如果有而且你的预测命中率随着时间提升说明你的模型在进化如果没有那你说的一切认知都只是“合理化”而已。我建议你从今天起记录自己每一个比较重要的判断。不用多一周三条就够。写下来“我预测会发生什么、依据是什么”。一个月后回看你会被自己的预测准确率吓一跳而且大概率是被它的低吓一跳这个惊吓本身就是构建模型的起点。3. 把世界模型从“模糊感觉”变为“可更新系统”理解了什么是世界模型、为什么需要它之后重点就来了具体怎么构建我把它拆成五个动作你不需要等整套方法论完备了才开始任何一个动作单独先做起来都会立刻带来变化。3.1 输入减噪决定模型上限的不是信息量是信噪比世界模型是吃数据长大的你的数据来源决定了模型天花板。大部分人构建世界的信息源已经严重污染了情绪化的内容、断章取义的标题党、只讲个案的爽文。减噪不是让你只看权威、只看经典那样太枯燥也太封闭。我给自己的标准是信息源必须满足两个条件之一提供可复现的逻辑链或者提供可核实的一手事实。纯观点、纯情绪、纯猎奇的内容一律不进缓存。具体操作上我做了一张“信息源体检表”每季度更新一次列出这个季度我主要摄入的信息渠道按“可信度”“实用性”“对自己模型的影响”三个维度打分。低于均值的渠道下季度直接砍掉用省下来的时间读一本系统性的书或做一个专项调研。3.2 画因果链把事件翻译成“因为所以”同一件事停留在“这件事发生了”和“因为A变化所以B发生了未来可能引发C”是两个认知层级。第二个层级才是世界模型的建筑材料。具体操作挑一件最近让你困惑的事不要超过一个屏幕能写完的量在纸上从事件结果倒推一层层问“为什么”。每问一层把当前答案写成“因为X所以Y”句式的卡片。推理到推不动为止标出哪一步是事实哪一步是假设。这套操作的本质是在训练你把隐含假设显性化。你的大脑平时会把大量假设当成事实来用画因果链强制你把这些假设翻到台面上供你自己审视。3.3 记录可证伪的预测模型的唯一考核标准是命中率构建世界模型最容易犯的错误是做了一堆解释却没有产出过任何一条预测。解释不承担风险预测承担风险只有承担风险的输出才能暴露模型缺陷。方法极其简单准备一个“预测本”或电子表格每条记录包含预测内容、预测依据即当前模型里哪些假设支撑这条预测、置信度、结果、延迟复盘时间。这里有几个使用细节我有切身体会。置信度一定要写而且写的时候最好从60%-70%起步不要每次都是90%置信度和结果之间的校准关系是衡量你自我认知的重要指标。另外预测内容务必具体不要写“下周涨跌可能较大”这种话要写“下周该产品日活可能突破10万”可检验性决定模型能否迭代。3.4 建立反馈闭环在固定周期内完成“预测-结果-反思”循环没有反馈闭环的记录本质上是在写日记不能叫模型。我给你一个节奏参考短周期判断每周末复盘中等周期的业务判断每月复盘重大人生决策每季度复盘。复盘时不要只看结果对错更要看依据的质量。你很可能经常遇到这种情况预测对了是因为运气好依据根本是错的预测错了但当时依据里有几个关键变量判断是对的只是权重分配出了问题。这两类情况单看“对了没”都会被错误归因只有同时记录预测依据才能区分。3.5 压缩抽象从具体事件里提炼可迁移的杠杆最后这一步是把碎片化的预测整合成若干条“如果…那么…”的抽象规则放进你的模型库。好的世界模型不会是一个包含几百条相互矛盾规则的杂货铺它会在不断碰撞中收敛成一个更小、更稳定的核心规则集合。例如你可能从职场、副业、股票投资三个场景里分别提炼出三条看似无关的规则但再抽象一层发现它们共同的底层结构是“当期现金流意义被高估未来期权价值被低估”。这条高抽象规则可以指导很多决策。压缩的过程不用刻意求快每季度做一次模型库合并就够了。4. 搭建过程中最常踩的四个坑与避坑方法方法论的坑比执行力更隐蔽。我自己的模型迭代过程中踩过这些坑身边朋友也反复中招我把表现、后果和处理方式都写清楚。4.1 把相关关系当因果关系这是新手最典型的错误。你发现“我每次早起的那天工作效率都特别高”于是把早起当作高效率的原因开始逼自己早起。后来仔细记录才意识到真正原因是前一晚早睡了早起只是早睡的衍生物而早睡带来的充足睡眠才是效率因子。处理办法画因果链时每个“所以”后面都追问一句“还有没有其他变量也能导致这个结果”如果至少找不出一个替代解释那你对这条因果链的置信度应该自动减半。4.2 用一次成功作为模型升级依据个人决策里的一次成功往往混杂着运气和不可控外部条件把它当成确定规律下次必然栽跟头。经典的“新手的运气后紧接着的惨败”几乎都是这个坑。识别信号也很明显当你开始跟别人说“我上次就是用这个方法做成的所以这次也肯定行”时警惕你就是那个正在过度拟合的人。正确做法是至少积累三次同类成功并且三次的成功路径在逻辑上不互相复制才值得把它写进模型库。4.3 只收集支持自己模型的信息心理学管这个叫确认偏误我管它叫“世界的回声壁”。一旦你的世界模型里有一个特别坚定的判断你会自动注意那些支持它的证据忽略反对它的信号结果模型越用越瘸。破除方法每次做一个重要预测时额外加一条作业——列出最有可能推翻这个预测的一条证据然后主动去搜寻它。你搜到了说明你省下了一笔惨重的学费你没搜到你对预测的置信度也可以更踏实一分。4.4 模型复杂度失控第一年建模时我的预测记录表里堆了四十多条规则覆盖各个领域。结果到了真正要做决策的时候根本不知道该抽用哪一条每一条又都有例外。后来我狠心做减法只留下满足两个条件的规则被验证过至少三次的和能直接指导未来两季度主要决策的。从四十多条砍到九条世界瞬间清爽了。这条经验也验证了奥卡姆剃刀在认知领域的价值如果你有两个模型能解释同一批历史数据永远选择更简单的那个。简单的模型更好维护、更容易出错、也更容易被升级复杂模型往往死于前期的自我陶醉。5. 让世界模型成为你的统一决策接口最后一个问题费那么大劲构建世界模型怎么让它真正在日常决策里起作用而不是放在笔记软件里吃灰我的答案是给它一个决策接口让每一次选择都能调出对应模型并得到可操作输出。5.1 决策前必答五问这套问题我在个人和团队场景都在用成本很低效果明显。任何相对重要的决策先花五分钟回答这五个问题这个决策涉及哪些关键角色它们各自的目标和约束是什么我在用模型的哪几条规则来预测它们的可能行为这些规则上一次被验证是什么时候哪一个证据如果出现的话会让我立刻推翻我的判断如果我的模型错了最早会在什么时候、以什么形式暴露按计划复盘的话我应该看哪些指标而不是凭感觉评价结果前两个问题帮你把隐性的模型显性化第三个问题强制对抗确认偏误第四个问题让你给错误预留改错机会第五个问题保证决策有闭环。5.2 一个可抄走的决策记录模板下面是我目前在用的简化模板你可以直接复制到自己的笔记工具里字段填写内容示例决策事项是否从公司辞职去做独立开发核心假设独立开发能在第9个月达到月入与工资持平预测前三个月没有稳定收入但用户积累速度达到每月3000置信度60%推翻指标第三个月末注册用户数低于1000复盘时点第4个月末依据MAU和付费转化率做判断备选方案同步接外包保证现金流边界条件是每周不超过15小时这个模板的关键不是字段有多全而是它逼你在决策时就把未来的自己绑在船票上。填写的过程越痛苦说明你对这个决策的思考越浅正好提前暴露风险。5.3 定期做一次“模型库合并”与“版本归档”最后模型库本身也值得维护。我建议你像管理代码版本一样管理自己的世界模型。每季度挑一个完整的时间块翻一遍全部预测记录做三件事删除已经失效的旧规则合并语义重复的规则剩下的规则按抽象程度重新排序。版本的更新日志不用写长一句话说明“这个季度我删掉了一条什么规则、因为什么证据、新增了一条什么规则”就够了。常年累月下来你会得到一条清晰的思想进化轨迹。这个轨迹的价值不在于它记录的成败而在于它证明了你的判断系统确实在随着经验迭代而不是在同一个水平面上循环消耗。一开始建模时我的预测准确率惨不忍睹甚至怀疑自己是不是特别不适合做判断。坚持了半年之后才慢慢好转现在的体验是准确率未必提升得多快但方向已经对了。你不需要等自己的模型完美了才开始用它就像你不需要等身体完全健康才开始锻炼。找一件最近要做的决策套上面的五问走一遍走完记录到本子里。第一个模型永远是最糙的但它会是你所有后续模型的起点。 
长河君 · 2026/9/16 1:20:03 · 阅读 1.2k 构建个人世界模型：从预测到决策的系统方法
去年带团队做一个新产品复盘时发现两个连续的战略误判我们预测用户会为A功能付钱实际他们只愿意为B功能掏钱我们假设竞品会在三个月后跟进结果第二周他们就上线了几乎一模一样的功能。数据没错执行也没问题问题出在大家脑子里那套“关于用户、市场、行业如何运转”的简化地图集体失效了。那次复盘让我彻底意识到我们缺的不是方法是一个真正有效的世界模型。1. 世界模型的两个含义与一个共同内核这几年“世界模型”在AI领域和认知科学领域都被频繁提及但它指的并不完全是同一件事。我先把两个含义讲清楚因为它们有一个共同内核而这个内核恰恰是个人可以拿去用的。1.1 AI领域的世界模型内置模拟器在机器学习语境下世界模型指的是智能体对它所在环境的内置预测模型。DeepMind的Dreamer系列、Meta相关研究、以及各类基于模型强化学习的工作核心思路都是让智能体在行动前先在内部模拟环境会如何反馈。换句话说智能体不必真的在现实里撞几次墙才能学会避墙它可以在脑子里把墙撞一遍用撞墙后的虚拟结果来更新策略。这里的关键词是“预测”。世界模型不是对过去的记忆库不是拍照片一样保存所有见过的状态它是一个生成式的模拟器能够根据当前状态和候选动作输出未来状态的推测。就像你玩赛车游戏的时候屏幕上还没出现的弯道你已经凭前几局的经验知道那里要提前减速了。1.2 个人认知层面的世界模型底层假设集合个人层面的世界模型对应的是心理学里常说的心智模型、图式或信念系统。你从小到大经历的事、读过的书、验证过的判断在你脑子里沉淀成了一套关于世界如何运转的假设集合。这套假设集合平时不会显式跳出来但它无时无刻不在替你代答朋友发来一条晚回的消息“他是真的在忙”还是“他不想理我”模型不同你的情绪反应就不同新功能上线后数据平平“是需求本身不存在”还是“推广力度不够”模型不同你的下一步动作完全不同。1.3 统一的内核用压缩的表征做预测AI世界模型和个人世界模型本质都是同一件事把复杂现象压缩成关键变量和因果关系然后拿这套压缩表征去预测未来。AI压缩的是图像、状态、奖励信号人压缩的是经历、事件、情感反馈。打个比方。世界模型就像你的导航软件地图不是真实道路它是对真实道路的高度简化但只要你用的是同一套坐标系它就能帮你预测前方哪个路口应该转弯。个人没有地图面对岔路就只能靠直觉和勇气硬闯。这个内核统一之后你会发现构建世界模型这件事是可以被工程化的不是玄学。下面我讲的方法就是把构建过程拆成可执行的动作。2. 你早就在用世界模型做决策只是没意识到很多人听到“构建世界模型”会觉得这是一件特别宏大、特别理论化的事要么觉得没必要要么觉得无从下手。我的看法是它没那么玄你早就在用只是你的模型通常是零散、暗隐、没有版本管理的。2.1 一个通勤案例里的两种模型假设从家到公司有两条路线。新手通勤者每天靠导航哪条路绿就走哪条。他的决策是无模型的只响应当前信号不看趋势不记规律。老司机呢他会知道周五下午第三条辅路一定堵、雨天隧道口容易积水、暑假期间校园周边明显好走。这些规律就是世界模型他会据此提前一天规划路线。同样的逻辑放大到创业、写代码、学外语、教育孩子全部成立。你每一次“我觉得这次应该会这样”的判断背后都是一个模型在运转区别只是这个模型是靠得住、可解释、能更新的还是靠不住、凭感觉、永远死板的。2.2 无模型决策的真正代价很多人以为“想到什么做什么”是灵活是拥抱不确定性。我不否认灵活的价值但长期无模型决策的代价是被同一块石头反复绊倒。一个我观察了很久的现象很多内容创作者反复踩同一个坑选题完全靠当天感觉火了一次不知道为什么火扑了一次不知道为什么扑创作了几年水平和第一年几乎没区别。反观做得好的创作者都会在复盘里提炼类似“封面字大的视频完播率高”“开篇前5秒不抛结论就走人”这样的小规律。这就是在建模。这些规律不是真理甚至可能过时但它们是修正世界的参考系。没有这个参考系每一次成功和失败都是孤立事件你不会因为多活了几年而变聪明只是变老了。2.3 从“事后解释”升级到“事前预测”人与人的认知差距并不是谁的解释能力更强而是谁能把解释能力前置成预测能力。事后解释的时候模型是叙事工具它帮你让故事听起来合理但无法证明模型的预测效力。真正有效的世界模型标准很简单你有没有在事情发生之前做出过一个明确、可被检验的预测如果有而且你的预测命中率随着时间提升说明你的模型在进化如果没有那你说的一切认知都只是“合理化”而已。我建议你从今天起记录自己每一个比较重要的判断。不用多一周三条就够。写下来“我预测会发生什么、依据是什么”。一个月后回看你会被自己的预测准确率吓一跳而且大概率是被它的低吓一跳这个惊吓本身就是构建模型的起点。3. 把世界模型从“模糊感觉”变为“可更新系统”理解了什么是世界模型、为什么需要它之后重点就来了具体怎么构建我把它拆成五个动作你不需要等整套方法论完备了才开始任何一个动作单独先做起来都会立刻带来变化。3.1 输入减噪决定模型上限的不是信息量是信噪比世界模型是吃数据长大的你的数据来源决定了模型天花板。大部分人构建世界的信息源已经严重污染了情绪化的内容、断章取义的标题党、只讲个案的爽文。减噪不是让你只看权威、只看经典那样太枯燥也太封闭。我给自己的标准是信息源必须满足两个条件之一提供可复现的逻辑链或者提供可核实的一手事实。纯观点、纯情绪、纯猎奇的内容一律不进缓存。具体操作上我做了一张“信息源体检表”每季度更新一次列出这个季度我主要摄入的信息渠道按“可信度”“实用性”“对自己模型的影响”三个维度打分。低于均值的渠道下季度直接砍掉用省下来的时间读一本系统性的书或做一个专项调研。3.2 画因果链把事件翻译成“因为所以”同一件事停留在“这件事发生了”和“因为A变化所以B发生了未来可能引发C”是两个认知层级。第二个层级才是世界模型的建筑材料。具体操作挑一件最近让你困惑的事不要超过一个屏幕能写完的量在纸上从事件结果倒推一层层问“为什么”。每问一层把当前答案写成“因为X所以Y”句式的卡片。推理到推不动为止标出哪一步是事实哪一步是假设。这套操作的本质是在训练你把隐含假设显性化。你的大脑平时会把大量假设当成事实来用画因果链强制你把这些假设翻到台面上供你自己审视。3.3 记录可证伪的预测模型的唯一考核标准是命中率构建世界模型最容易犯的错误是做了一堆解释却没有产出过任何一条预测。解释不承担风险预测承担风险只有承担风险的输出才能暴露模型缺陷。方法极其简单准备一个“预测本”或电子表格每条记录包含预测内容、预测依据即当前模型里哪些假设支撑这条预测、置信度、结果、延迟复盘时间。这里有几个使用细节我有切身体会。置信度一定要写而且写的时候最好从60%-70%起步不要每次都是90%置信度和结果之间的校准关系是衡量你自我认知的重要指标。另外预测内容务必具体不要写“下周涨跌可能较大”这种话要写“下周该产品日活可能突破10万”可检验性决定模型能否迭代。3.4 建立反馈闭环在固定周期内完成“预测-结果-反思”循环没有反馈闭环的记录本质上是在写日记不能叫模型。我给你一个节奏参考短周期判断每周末复盘中等周期的业务判断每月复盘重大人生决策每季度复盘。复盘时不要只看结果对错更要看依据的质量。你很可能经常遇到这种情况预测对了是因为运气好依据根本是错的预测错了但当时依据里有几个关键变量判断是对的只是权重分配出了问题。这两类情况单看“对了没”都会被错误归因只有同时记录预测依据才能区分。3.5 压缩抽象从具体事件里提炼可迁移的杠杆最后这一步是把碎片化的预测整合成若干条“如果…那么…”的抽象规则放进你的模型库。好的世界模型不会是一个包含几百条相互矛盾规则的杂货铺它会在不断碰撞中收敛成一个更小、更稳定的核心规则集合。例如你可能从职场、副业、股票投资三个场景里分别提炼出三条看似无关的规则但再抽象一层发现它们共同的底层结构是“当期现金流意义被高估未来期权价值被低估”。这条高抽象规则可以指导很多决策。压缩的过程不用刻意求快每季度做一次模型库合并就够了。4. 搭建过程中最常踩的四个坑与避坑方法方法论的坑比执行力更隐蔽。我自己的模型迭代过程中踩过这些坑身边朋友也反复中招我把表现、后果和处理方式都写清楚。4.1 把相关关系当因果关系这是新手最典型的错误。你发现“我每次早起的那天工作效率都特别高”于是把早起当作高效率的原因开始逼自己早起。后来仔细记录才意识到真正原因是前一晚早睡了早起只是早睡的衍生物而早睡带来的充足睡眠才是效率因子。处理办法画因果链时每个“所以”后面都追问一句“还有没有其他变量也能导致这个结果”如果至少找不出一个替代解释那你对这条因果链的置信度应该自动减半。4.2 用一次成功作为模型升级依据个人决策里的一次成功往往混杂着运气和不可控外部条件把它当成确定规律下次必然栽跟头。经典的“新手的运气后紧接着的惨败”几乎都是这个坑。识别信号也很明显当你开始跟别人说“我上次就是用这个方法做成的所以这次也肯定行”时警惕你就是那个正在过度拟合的人。正确做法是至少积累三次同类成功并且三次的成功路径在逻辑上不互相复制才值得把它写进模型库。4.3 只收集支持自己模型的信息心理学管这个叫确认偏误我管它叫“世界的回声壁”。一旦你的世界模型里有一个特别坚定的判断你会自动注意那些支持它的证据忽略反对它的信号结果模型越用越瘸。破除方法每次做一个重要预测时额外加一条作业——列出最有可能推翻这个预测的一条证据然后主动去搜寻它。你搜到了说明你省下了一笔惨重的学费你没搜到你对预测的置信度也可以更踏实一分。4.4 模型复杂度失控第一年建模时我的预测记录表里堆了四十多条规则覆盖各个领域。结果到了真正要做决策的时候根本不知道该抽用哪一条每一条又都有例外。后来我狠心做减法只留下满足两个条件的规则被验证过至少三次的和能直接指导未来两季度主要决策的。从四十多条砍到九条世界瞬间清爽了。这条经验也验证了奥卡姆剃刀在认知领域的价值如果你有两个模型能解释同一批历史数据永远选择更简单的那个。简单的模型更好维护、更容易出错、也更容易被升级复杂模型往往死于前期的自我陶醉。5. 让世界模型成为你的统一决策接口最后一个问题费那么大劲构建世界模型怎么让它真正在日常决策里起作用而不是放在笔记软件里吃灰我的答案是给它一个决策接口让每一次选择都能调出对应模型并得到可操作输出。5.1 决策前必答五问这套问题我在个人和团队场景都在用成本很低效果明显。任何相对重要的决策先花五分钟回答这五个问题这个决策涉及哪些关键角色它们各自的目标和约束是什么我在用模型的哪几条规则来预测它们的可能行为这些规则上一次被验证是什么时候哪一个证据如果出现的话会让我立刻推翻我的判断如果我的模型错了最早会在什么时候、以什么形式暴露按计划复盘的话我应该看哪些指标而不是凭感觉评价结果前两个问题帮你把隐性的模型显性化第三个问题强制对抗确认偏误第四个问题让你给错误预留改错机会第五个问题保证决策有闭环。5.2 一个可抄走的决策记录模板下面是我目前在用的简化模板你可以直接复制到自己的笔记工具里字段填写内容示例决策事项是否从公司辞职去做独立开发核心假设独立开发能在第9个月达到月入与工资持平预测前三个月没有稳定收入但用户积累速度达到每月3000置信度60%推翻指标第三个月末注册用户数低于1000复盘时点第4个月末依据MAU和付费转化率做判断备选方案同步接外包保证现金流边界条件是每周不超过15小时这个模板的关键不是字段有多全而是它逼你在决策时就把未来的自己绑在船票上。填写的过程越痛苦说明你对这个决策的思考越浅正好提前暴露风险。5.3 定期做一次“模型库合并”与“版本归档”最后模型库本身也值得维护。我建议你像管理代码版本一样管理自己的世界模型。每季度挑一个完整的时间块翻一遍全部预测记录做三件事删除已经失效的旧规则合并语义重复的规则剩下的规则按抽象程度重新排序。版本的更新日志不用写长一句话说明“这个季度我删掉了一条什么规则、因为什么证据、新增了一条什么规则”就够了。常年累月下来你会得到一条清晰的思想进化轨迹。这个轨迹的价值不在于它记录的成败而在于它证明了你的判断系统确实在随着经验迭代而不是在同一个水平面上循环消耗。一开始建模时我的预测准确率惨不忍睹甚至怀疑自己是不是特别不适合做判断。坚持了半年之后才慢慢好转现在的体验是准确率未必提升得多快但方向已经对了。你不需要等自己的模型完美了才开始用它就像你不需要等身体完全健康才开始锻炼。找一件最近要做的决策套上面的五问走一遍走完记录到本子里。第一个模型永远是最糙的但它会是你所有后续模型的起点。