Skip to content
Back/Mental Models

Mental Models — Overview

View in Graph
Updated 2026-10-25
2 min read
396 words

Mental Models — Overview

Mental Models 是思考、推理与决策框架的 MOC,不限于 AI——任何能磨快问题视角的框架都收在这里。判断状态默认为 ai_draft,应用验证见 self/overview 与 self/patterns。

Core Questions

  • 人机分工:哪些认知该卸载给 AI,哪些必须保留在人类侧(判断、理解、design)?
  • 稀缺性:当所有人都能用 AI 快速产出"还不错",什么能力真正稀缺?
  • 长周期工作:如何组织跨度数周数月的知识工作(地图、反馈循环、上下文管理)?
  • 野心设定:AI 把"想得更大"的成本降低后,个人野心应如何分类与扩张?
  • 判断力保鲜:在加速时代,如何知道自己何时出错(warrant)?

Key Concepts

AI 时代的判断力

  • AI Wisdom Gap — AI 给你速度和自信,悄悄带走判断自己何时出错的能力;多数 AI 错误看起来不像错误。
  • AI Capability Gap — 能力认知两极分化:免费/旧模型用户与前沿用户看到完全不同的 AI。
  • Cognitive Surrender — 认知卸载 vs 认知投降:73% 参与者在 AI 给错答案时接受了它。
  • Distance Bias — CEO 离一线太远,只看到 happy path,忽视转化 AI 产出所需的后续 10-20 步。
  • Slot Machine Effect — 尝试成本趋零导致"再试一次"无限循环;LLM 成了制造者的社交媒体 feed。

工作与学习

  • Deep Work — AI 时代最稀缺的职业资本;当"还不错"免费时,"非常好"才稀缺。
  • Building Software Is Learning — 构建新软件即学习;唯一能控制的杠杆是缩短反馈循环。
  • Wayfinder — Matt Pocock 的地图与战争迷雾:大任务空间的跨拍编排隐喻。
  • AI 一对一学习系统 — 探测/规划/教学三阶段;信任必须工程化。
  • Creativity and Knowledge — Deutsch:进步源于产生"难以随意改变"的好解释。
  • Interrogatory LLM — 把 LLM 当审问者而非答题者:问出隐藏假设。

决策与沟通

  • Premortem — 假设项目已失败,绕过乐观偏差做风险分析。
  • Purpose vs Task — AI 消灭可自动化的任务,不消灭工作的目的;任务自动化释放目的价值。
  • Task-Driven vs Goal-Driven — 前者让系统能跑,后者让系统持续向前。
  • Uncertainty vs Complexity — 业务与开发者活在两个循环里;把方案包装成"试个更快的办法"。
  • Ambition Taxonomy — Speed/Altitude/Depth/Range:把"更 ambitious"拆成可操作方向。

情绪与组织

上下文与产品

Main Tensions

  • 认知卸载 vs 认知投降:用 AI 但保留判断是卸载;AI 输出悄然变成你的输出且不再想核查,就是投降。
  • 速度自信 vs 判断失真:AI 交付越快,wisdom gap 越深——"能跑但脆弱"的代码、"不错但没有你的声音"的文章。
  • 想得更大 vs 失真更远:Altitude(升抽象层)扩大机会,也放大了 distance bias——离执行越远,越只看 happy path。
  • 层级节制 vs 能力用进废退:下层能解绝不上推是对的;但长期选择轻松逃避,专注力与判断力会流失。
  • 确定性需求 vs 真实不确定性:premortem 与 warranted research 要求承认"我可能错",与 AI 给出的流畅自信相抵触。
  • 一对一学习的信任工程:AI 教学便宜可行,但没有师生关系的时间积累——验证机制缺位时"照单全收"是风险。

Current Judgments

均为 ai_draft,来自各 concept 页的源材料。

  • 深度工作与理解力是 agent 时代不可转移的核心资产:产出速度已被 AI 摊平,理解现状与做 design 必须自己来(Deep Work;self/patterns 模式 7)。
  • "多数 AI 错误看起来不像错误"是默认假设:warranted research 三阶段(Discovery / Research / Decision)作为流程对策,关键是 warrant——什么证据会改变判断。
  • 构建软件即学习:1 小时原型、fake demo、写 spec 的全部意义是更快获得"这不是我想要的"反馈。
  • 80% 的 AI 需求不需要模型:五层层级中能在下层解决的绝不上推——每上一层,不确定性与成本各增一个量级。
  • AI 消灭任务不消灭目的:黄仁勋放射学例子——任务自动化后从业者反被更多雇佣;野心设定应升层(Altitude)而非加速(Speed)。
  • 老虎机效应是注意力风险:当"离完美只差一个 prompt",需用外部约束(时间盒、人类样本基准线)终止再试循环。

To Read / To Verify

  • 应用验证:RULER、premortem、Wayfinder 在 Jean 实际项目中的使用记录待积累(见 self/patterns 的 reset ritual 是否可对接 RULER)。
  • wisdom gap 对策:warranted research 流程尚未形成个人 SOP;待补充。
  • ai-one-on-one-learning:信任工程化的验证机制在 Jean 的学习流程中未实践。
  • creativity-and-knowledge:Deutsch 框架与 AI 研究自动化的关联(Clark 的"研究自动化需创造力"之争)待展开。
  • 反方证据:cognitive-surrender 的 73% 来自单一研究,需第二来源;distance bias 的 Levie 单源同理。
  • 待补充:更多非 AI 经典决策模型(inversion、second-order thinking)尚未入库。

Output Directions

  • 入库路径:新模型先进本页 Key Concepts 分组;单模型积累多源后升级为独立 concept 页(含 What it is / Why it matters / Evidence / Open questions 结构)。
  • 知识流向:写作时引用概念一律用 wikilink;与 self/patterns 联动——模式中命名的问题应链接到对应 mental model 作为对策。
  • 应用产出:把"对策层"模型(premortem、warranted research、reset ritual)整理为可执行 checklist 属一次性输出,进 outputs/。
  • 关联 MOC:writing/overview(表达侧)、self/overview(个人模式侧)、forecasts/overview(判断对象侧)。

Sources

Synthesized from 4 sources

Evolution

1 event
  1. absorbed

    Derived from source material

    This page is currently synthesized from 4 sources.

    From 2026-04-18 Living Software, AI Briefing 2026-05-04 Morning, AI Briefing 2026-09-17 Afternoon, 2026-09-17-01-54To Mental Models — Overview
    Sources: raw/newsletters/Every/2026-04-18 Living Software.md · raw/briefing/AI Briefing/2026-05-04-13-34.md · raw/briefing/AI Briefing/2026-09-17-01-54.md · /Users/jean/Documents/Obsidian Vault/raw/briefing/AI Briefing/2026-09-17-01-54.md

Linked from