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
- RULER 情绪框架 — 情绪调节不是消灭情绪,是建立新关系。
- Culture as Actions — 文化是一套行动,不是一套信念。
上下文与产品
- 60% 上下文窗口警戒线 — 窗口大小不等于使用效率;60% 时主动管理。详见 claude-code/session-management-guide
- Context Rot 四种模式 — 中毒/分心/混淆/冲突。详见 harness-engineering/context-rot
- 工具软件 vs 活性软件 — 期望模型决定用户对不稳定性的容忍度。详见 product-trends/living-software-framework
- 目标 → 代码 → CLI → Prompt → Agent 五层决策层级 — 能在下层解决的绝不上推;80% 的 AI 需求 10 行 Bash 可搞定。
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)。