Is tuke-reading free to use?

Yes. tuke-reading is freely available on TokRepo. Check the Source & Thanks section on the asset page for the specific open-source license.

How do I install tuke-reading?

Visit the asset page on TokRepo and click "Copy for agent" to get the installation instructions. Most assets can be installed with a single command.

tuke-reading 读书深度学习 Skill

这是什么

把一本书/文章/文档通过 7 个 Phase 深度加工的学习 skill：

Phase 0  内容标定（类型/难度/目标）
Phase 1  费曼简化（理解基线）
Phase 2  精细提问（理解型深挖）
Phase 3  批判性质疑（假设/反例/盲区）
Phase 4  抽象提炼（可迁移公式）
Phase 5  刻意练习方案（Day1/Week1/Month1）
Phase 6  艾宾浩斯复习 + Mac 提醒
Phase 7  生成本书专属 skill 文件

目录结构

学习/读书/
├── SKILL.md                  ← 主 skill（AI 执行入口）
├── meta.yaml
├── README.md                 ← 本文件
├── scripts/
│   └── add_review_reminders.sh   ← 批量创建艾宾浩斯提醒
├── templates/
│   └── book-note-template.md     ← Phase 7 输出模板
├── 思维类/                   ← 思维/学习/方法论相关知识文件
│   ├── SKILL.md              ← 思维方法论 skill
│   ├── 费曼学习法.md
│   ├── 5W2H.md
│   ├── 系统思考.md
│   └── ...（未来书的笔记也放这里）
├── 科学批判思维/              ← 科学研究批判性评估
│   └── ...
└── 其他类/                   ← 商业、传记、其他主题（按需新建）

笔记存放约定

一本书 = 一个 .md 文件，放在对应分类目录下
命名： 直接用书名，如 思维类/思考快与慢.md
方法论文件（如 费曼学习法.md）和书的笔记放在同一分类目录，不区分

使用脚本

# 批量创建艾宾浩斯复习提醒（6 个节点）
bash scripts/add_review_reminders.sh "书名" "2026-03-21" "可选备注"

要求：macOS + Reminders.app 已授权。

来源

由 tuke_v1 skill 规范构建，2026-03-21。

name: tuke-reading description: > 读书/文章/文档的深度学习 skill，通过费曼简化、精细提问（含苏格拉底模式）、批判性质疑、抽象提炼、行动规划、艾宾浩斯复习计划七个步骤帮助把知识真正内化，最终生成本书专属 skill 文件。 Use when 用户说"读书"、"深度学习这本书"、"帮我读这篇文章"、"分析这个文档"、"帮我学习"、"读书笔记"、 "费曼这本书"、"帮我内化这个知识"、"学完了给我出复习计划"、"给我加读书提醒"、"读书学习"、 "深度阅读"、"deep reading"、"分析这篇论文"、"批判性思维"、"critical thinking"、"文章分析"、 "发现隐藏假设"、"苏格拉底提问"、"行动计划"、"知识转化行动"。不适用：代码调试、技术架构设计、数据查询等与书籍/文章学习无关的任务。

读书深度学习 Skill

这个能力做什么

把你提供的一本书 / 一篇文章 / 一个文档，用 7 个维度做深度加工，帮你从"读过"到"读懂"再到"会用"。最后自动生成一个本书专属 skill 文件，可供后续对话直接调用，以及写入 Mac 提醒事项完成艾宾浩斯复习计划。

何时使用

读完一本书 / 文章 / 论文想彻底内化，不只是"感觉读懂了"
读了一篇重要文章/技术文档，想提炼出真正有用的东西
想检验自己是否真懂了，还是只是熟悉感幻觉
想把读书收获变成可复用的知识资产
想用苏格拉底式追问逼自己深度思考（--socratic 模式）
想把书中洞见连接到真实决策和项目行动

不适用场景

代码调试、架构设计、数据库查询
只需要快速摘要（那用"帮我总结这篇文章"即可）
内容不是书/文章/文档（如闲聊、任务执行）

输入要求

必须提供：书/文章/文档的内容（直接粘贴正文、提供文件路径，或分章节多次输入）
可选提供：
- 书名/标题（用于命名输出文件和提醒事项）
- 学习目标（"我想把这个用在产品决策上"）
- 内容类型（概念型 / 技能型 / 叙事型）——不提供则 AI 自动判断
- 是否跳过某些阶段（如"不需要刻意练习方案"）
- --socratic：Phase 2 只出问题不给答案，进入苏格拉底对话模式

执行步骤

Phase 0：内容标定（先做，影响后续所有阶段的深度和侧重）

判断以下三项，明确输出给用户：

内容类型
- 概念型（讲道理/理论/方法论）→ 费曼侧重"讲清楚"，练习 = 间隔测试题
- 技能型（讲操作/流程/工具）→ 费曼侧重"讲步骤"，练习 = 场景实操
- 叙事型（案例/传记/故事）→ 费曼侧重"提炼规律"，练习 = 迁移类比
难度评估：低 / 中 / 高（影响精细提问的深度和批判性质疑的切入点）
用户学习目标：理解 / 应用 / 教给别人（影响练习方案设计方向）

Phase 1：费曼简化（理解基线检验）

参考 思维类/references/费曼学习法.md，对核心知识点：

输出要求：

用"给一个完全不懂的人解释"的口吻，写出 3-5 段白话解释
每段覆盖：是什么 → 为什么重要 → 怎么用
为最核心的概念找一个类比（公式：[概念] 就像 [已知的东西]，区别是 [关键不同点]）
明确标出"我用了哪些专业术语但没解释清楚的地方"→ 这些是理解盲区

Phase 2：精细提问（深化理解）

生成 8-12 个理解型问题（不是批判，是帮助深入理解）并逐一回答：

问题类型矩阵：

Why 类：为什么作者这样主张？底层逻辑是什么？
How 类：这个方法具体怎么执行？第一步是什么？
Example 类：书中有没有反例？现实中有哪些案例？
Connect 类：这个观点和我已知的什么知识相关？有哪些相似/不同？
Edge 类：这个结论的边界条件是什么？什么情况下不适用？

苏格拉底模式（--socratic 或用户要求"只出题不给答案"时启用）：

只输出问题，不给答案。问题分两轮：

第一轮（理解检验）：3-5 个问题，确认你真的理解了核心概念。

格式：Q1：___（留白，等待你回答）
第二轮（深度追问）：在你回答后，针对回答中的漏洞或浅层之处继续追问，不确认对错，只继续提问。

规则：不说"很好"、"正确"——苏格拉底从不表扬，只继续问。
退出苏格拉底模式：用户说"给我答案"或"你来回答"时，切回标准 Phase 2，补充完整答案。

Phase 3：批判性质疑（挑战边界）

参考 思维类/references/批判性思维实战案例.md，从三个角度质疑：

假设检验：这个结论依赖哪 3 个核心假设？每个假设成立的前提是什么？
反例寻找：有没有案例与书中结论相矛盾？怎么解释？
作者盲区：作者的背景/立场可能让他忽略了什么视角？
时效性：这个结论是否有时代局限？现在是否仍然成立？

输出格式：

【假设1】：___
  成立的前提：___
  如果这个假设不成立：___

【反例】：___
  如何与结论共存：___

Phase 4：抽象提炼（心智模型化）

综合 Phase 1-3，提炼出 1-3 条可跨域迁移的公式或原则：

公式格式：

[主体] 在 [条件] 下，[行为/现象]，因为 [根本原因]。
迁移：这条规律在 [其他领域] 同样成立，表现为 ___。

要求：

不是书中原话，是你用自己的理解提炼的
用这个公式能预测你还没见过的情况
最多 3 条，宁缺毋滥

Phase 5：行动规划（洞见 → 决策 → 任务）

综合 Phase 1-4 的所有分析，分两层输出行动规划：

第一层：洞见映射表（先做）

把 Phase 4 的抽象公式和 Phase 3 的批判结论，逐条连接到你的真实场景：

【洞见】：___（来自 Phase 4 公式）
  → 对应我的真实决策/场景：___
  → 如果我用这条规律，会改变什么：___
  → 优先级：高 / 中 / 低（基于当下最紧迫的事）

第二层：分层行动清单（按优先级排序）

Day 1（今天，≤10 分钟）：一个立刻可做的小行动，具体到场景+操作+成功标准
Week 1（本周，3 个任务）：每个任务对应一个核心洞见，有具体场景
Month 1（综合应用）：把这本书最重要的洞见落地到一个真实项目/决策，描述场景 + 预期改变

格式示例：

Day 1：下次复盘会议开始前，先问自己：「这个问题的解法，我能不能不依赖上次的经验重新推导？」
  → 触发条件：任何需要做决策的场景
  → 预计时间：2 分钟
  → 成功标准：能说出一个「不用上次经验」的新视角

Week 1 任务 1：把手头最复杂的一个问题，用 Phase 4 公式 1 重新描述一遍
  → 场景：工作中正在推进的 X 项目
  → 操作：写一段话套入公式，看哪里套不进去
  → 套不进去的地方 = 公式的局限 or 你对问题的理解还不够深

Phase 6：复习计划 + Mac 提醒

根据艾宾浩斯遗忘曲线生成 6 个复习节点，并调用脚本写入 Mac 提醒事项：

复习节点：

T+1 天
T+3 天
T+7 天
T+14 天
T+30 天
T+60 天

执行方式：

bash <SKILL_DIR>/scripts/add_review_reminders.sh "书名" "YYYY-MM-DD" "备注内容"

其中 <SKILL_DIR> 为本 skill 所在目录（skills/tuke/学习/读书）。

每条提醒的备注内容（第三个参数）按以下格式构造：

【核心要点回顾】:
1. {核心点1，一句话，能独立成立}
2. {核心点2}
3. {核心点3}

【今日刻意练习】:
【{练习名称}】：{具体操作，场景明确，不超过 40 字}

练习名称和任务按复习节点递进，例如：

T+1d →【感知结论】：随便选一条消息/文章，找出其中的结论句在哪

T+3d →【动手改写】：找一段自己写的文字，改成结论先行版本

T+7d →【MECE 检验】：拆解一个正在处理的真实问题，检查分类有无重叠/遗漏

T+14d →【默写公式】：不看笔记，把 3 条抽象公式默写出来，再对照检查

T+30d →【真实应用】：把一个方案/汇报用金字塔结构画出顶层逻辑（顶点+论点+证据）

T+60d →【费曼输出】：向一个人当面讲清楚这本书的核心三条规律

每条提醒格式：

标题：[复习艾宾浩斯 + {N} 天]《书名》
列表：读书复习（自动创建）
备注：核心要点回顾 + 本节点刻意练习任务

Phase 7：生成本书专属 skill

将本次分析结果保存为一个独立的 .md 文件，路径约定：

学习/读书/{分类}/references/书名.md

分类按内容主题选择（思维类、商业产品类、其他类），如有新分类，直接新建目录。references/ 目录统一存放该分类下所有书籍的知识卡片，不存在时自动创建。

文件内容结构：

# 《书名》知识卡片

## 一句话摘要
## Phase 1：费曼简化
## Phase 2：精细提问（问题库）
## Phase 3：批判质疑
## Phase 4：抽象公式
## Phase 5：行动规划（洞见映射表 + 分层行动清单）
## Phase 6：复习计划
## 元信息
- 学习日期：
- 内容类型：
- 难度：

后续对话可直接说"帮我用《某书》里的XX理论分析这个问题"，AI 直接 load 这个文件。

输出要求

每个 Phase 独立输出，用 --- 分隔，标注 Phase 编号
Phase 0 必须先输出，用户确认或无异议后继续
Phase 7 的文件路径在输出末尾明确告知用户
内容超长时（整本书 > 5000 字），建议拆成"按部分/章节"多次运行

验收标准

费曼解释不含未解释的专业术语
批判性问题针对具体论点，不是泛泛质疑
抽象公式可以预测新场景（而不只是解释原文）
Phase 5 洞见映射表每条都对应用户的真实场景，不是泛化建议
Day 1 行动能在 10 分钟内完成，有明确成功标准
苏格拉底模式下不提前给答案，不说"很好"
Mac 提醒已成功写入，标题格式为 [复习艾宾浩斯 + N 天]《书名》，备注含核心要点 + 刻意练习任务（脚本输出无报错）

失败处理

内容太长（整书粘贴）：提示分章节输入，先处理第一部分
没有提供书名：Phase 7 文件暂命名为 未命名-{日期}.md，提示用户重命名
Mac 提醒脚本报错：输出 AppleScript 命令供用户手动执行，并说明权限检查步骤
内容类型无法判断：追问"你打算把这本书用在什么场景上？"

name: tuke-reading type: workflow status: active summary: 读书/文章/文档深度学习 skill，按费曼→精细提问→批判质疑→抽象提炼→刻意练习→艾宾浩斯复习计划六阶段内化知识，最终生成可复用的本书专属 skill 文件并写入 Mac 提醒。 use_when:

用户要深度学习一本书/一篇文章/一个文档
用户要把读书内容真正内化而不只是看过
用户要生成读书笔记并设置复习提醒
用户要把知识提炼成可跨域迁移的公式或原则 not_for:
代码调试、架构设计、数据库查询
只需要快速摘要的场景
与书籍/文章学习无关的任务 owner: tuke

#!/usr/bin/env bash

艾宾浩斯复习提醒批量创建脚本

为读完的一本书/文章自动在 Mac Reminders.app 创建 6 个复习节点

Usage:

bash add_review_reminders.sh "书名" ["YYYY-MM-DD"] ["核心问题备注"]

参数说明：

$1 书名（必填）

$2 学习日期，格式 YYYY-MM-DD（可选，默认今天）

$3 复习时备注/核心问题（可选，写入提醒事项的备注字段）

复习节点：T+1d / T+3d / T+7d / T+14d / T+30d / T+60d

提醒列表：读书复习（不存在时自动创建）

提醒时间：各节点当天 08:30

set -e

LIST_NAME="读书复习" REMINDER_HOUR=8 REMINDER_MINUTE=30

── 参数解析 ──────────────────────────────────────────────────────────────────

if [[ -z "$1" ]]; then echo "Usage: $0 "书名" ["YYYY-MM-DD"] ["备注"]" echo "Example: $0 "思考快与慢" "2026-03-21" "核心问题：系统1和系统2的切换条件是什么"" exit 1 fi

BOOK_TITLE="$1" BASE_DATE="${2:-$(date "+%Y-%m-%d")}" NOTE="${3:-请回忆并用费曼法口头解释核心观点，再对照笔记检查盲区}"

复习间隔（天数）

INTERVALS=(1 3 7 14 30 60)

── 工具函数 ──────────────────────────────────────────────────────────────────

escape_for_applescript() { local s="$1" s="${s//\/\\}" s="${s//"/\"}" echo "$s" }

计算目标日期（macOS date -v 语法）

calc_date() { local base="$1" # YYYY-MM-DD local days="$2" # +N date -j -v+${days}d -f "%Y-%m-%d" "$base" "+%Y-%m-%d" 2>/dev/null }

创建列表（若不存在）

ensure_list() { local list_name list_name=$(escape_for_applescript "$LIST_NAME") osascript
-e "tell application "Reminders""
-e " if not (exists list "$list_name") then"
-e " make new list with properties {name: "$list_name"}"
-e " end if"
-e "end tell" > /dev/null 2>&1 || true }

创建单条提醒

add_reminder() { local title_esc="$1" local note_esc="$2" local year="$3" local month="$4" local day="$5" local list_esc list_esc=$(escape_for_applescript "$LIST_NAME")

去除月/日前导零

month=$((10#$month)) day=$((10#$day))

osascript
-e "set d to (current date)"
-e "set year of d to $year"
-e "set month of d to $month"
-e "set day of d to $day"
-e "set hours of d to $REMINDER_HOUR"
-e "set minutes of d to $REMINDER_MINUTE"
-e "set seconds of d to 0"
-e "tell application "Reminders" to tell list "$list_esc" to make new reminder with properties {name: "$title_esc", body: "$note_esc", remind me date: d}" }

── 主流程 ────────────────────────────────────────────────────────────────────

echo "📚 书名：$BOOK_TITLE" echo "📅 学习日期：$BASE_DATE" echo "📋 目标列表：$LIST_NAME" echo ""

确保列表存在

ensure_list

TITLE_ESC=$(escape_for_applescript "$BOOK_TITLE") NOTE_ESC=$(escape_for_applescript "$NOTE")

SUCCESS=0 FAIL=0

for N in "${INTERVALS[@]}"; do TARGET_DATE=$(calc_date "$BASE_DATE" "$N") if [[ -z "$TARGET_DATE" ]]; then echo "⚠️ T+${N}d 日期计算失败，跳过" ((FAIL++)) continue fi

解析年月日

IFS='-' read -r YEAR MONTH DAY <<< "$TARGET_DATE"

REMINDER_TITLE="[复习艾宾浩斯 + ${N} 天]《${BOOK_TITLE}》" TITLE_FULL_ESC=$(escape_for_applescript "$REMINDER_TITLE")

if add_reminder "$TITLE_FULL_ESC" "$NOTE_ESC" "$YEAR" "$MONTH" "$DAY" > /dev/null 2>&1; then echo "✅ 已创建：$REMINDER_TITLE → $TARGET_DATE 08:30" ((SUCCESS++)) else echo "❌ 失败：$REMINDER_TITLE" ((FAIL++)) fi done

echo "" echo "─────────────────────────────────────────" echo "完成：$SUCCESS 条成功，$FAIL 条失败" if [[ $FAIL -gt 0 ]]; then echo "" echo "失败排查：" echo " 1. 确认 Reminders.app 已在「系统设置 → 隐私与安全性 → 自动化」中授权终端/Cursor" echo " 2. 打开 Reminders.app 确认 App 可访问" echo " 3. 手动测试：osascript -e 'tell application "Reminders" to make new reminder with properties {name:"测试"}'" fi

《{{书名}}》知识卡片

元信息

学习日期：{{YYYY-MM-DD}}

内容类型：{{概念型 / 技能型 / 叙事型}}

难度评估：{{低 / 中 / 高}}

学习目标：{{我想把这本书用在___}}

分类目录：{{思维类 / 商业产品类 / 其他类}}

Phase 0：内容标定

内容类型： {{概念型 → 讲清楚为主 / 技能型 → 步骤拆解为主 / 叙事型 → 提炼规律为主}}

核心主张（一句话）：

{{作者最核心的一个观点，用自己的话}}

本书结构（可选）：

第一部分：___
第二部分：___
第三部分：___

Phase 1：费曼简化

目标：用日常语言讲清楚，不用专业术语敷衍。

核心概念 1：{{概念名}}

白话解释： {{用"给没读过这本书的人讲"的口吻，3-5 句话}}

为什么重要： {{一句话说它的价值/解决了什么问题}}

一个类比：

{{概念}} 就像 {{生活中已知的东西}}，区别在于 {{关键不同点}}。

核心概念 2：{{概念名}}

白话解释： {{...}}

类比：

{{...}}

理解盲区（还没讲清楚的地方）

{{专业术语 1}}：回去重读第 X 章
{{专业术语 2}}：需要补充查资料

Phase 2：精细提问（问题库）

这些问题是复习时的自测题，也是深化理解的锚点。

Why 类（底层逻辑）

Q：{{为什么作者认为___？}} A：{{...}}
Q：{{这个结论的底层驱动是什么？}} A：{{...}}

How 类（操作步骤） 3. Q：{{第一步具体怎么做？}} A：{{...}}

Example 类（案例） 4. Q：{{书中最典型的案例是什么？为什么有说服力？}} A：{{...}}

Connect 类（联系已知） 5. Q：{{这个观点和我之前学的___有什么关系/区别？}} A：{{...}}

Edge 类（边界条件） 6. Q：{{什么情况下这个结论不适用？}} A：{{...}}

Phase 3：批判性质疑

核心假设检验

假设 1： {{...}}

成立的前提：{{...}}
如果假设不成立：{{...}}

假设 2： {{...}}

成立的前提：{{...}}
如果假设不成立：{{...}}

反例

反例： {{找一个与书中结论矛盾的真实案例}}

描述：{{...}}
如何与结论共存：{{...}}

作者盲区

时效性

Phase 4：抽象公式（可迁移原则）

用一句话概括一条规律，这条规律在其他领域也成立。

公式 1：

[主体] 在 [条件] 下，[行为/现象]，因为 [根本原因]。
迁移：这条规律在 [另一个领域] 同样成立，表现为 ___。

公式 2（可选）：

...

Phase 5：刻意练习方案

Day 1（今天）：

行动：{{一个具体场景 + 具体做法}}
预计时间：{{X 分钟}}
成功标准：{{完成后我会有什么感受/产出}}

Week 1（本周 3 个任务）：

{{任务 1：具体场景 + 操作}}
{{任务 2：具体场景 + 操作}}
{{任务 3：具体场景 + 操作}}

Month 1（综合应用）：

{{把这本书的核心思想用到一个真实项目/决策，具体描述是哪个场景}}

Phase 6：复习计划

已使用脚本创建 Mac 提醒：

节点	日期	复习方式
T+1d	{{日期}}	费曼法：口头解释核心概念，不看笔记
T+3d	{{日期}}	只看问题库，自测回答，标记绿/黄/红
T+7d	{{日期}}	只复习黄/红题，更新答案
T+14d	{{日期}}	找一个真实场景验证公式是否成立
T+30d	{{日期}}	教给别人听，或写成一段文字
T+60d	{{日期}}	完整回顾，评估这本书对自己的实际影响

一句话回忆锚（复习时先看这里）

{{用最简单的一句话，让自己瞬间想起这本书的核心洞见}}

《增长黑客》知识卡片

对应常见中文版：Sean Ellis & Morgan Brown《Hacking Growth》（创业公司的用户与收入增长秘籍）。若你手中的译本章节顺序或案例不同，以纸质书为准，本卡片可当作「框架地图」对照阅读。

一句话摘要

增长不是营销部门的单独战役，而是以跨职能增长团队为核心、围绕北极星指标与高速实验闭环，在全漏斗上持续做可量化、可迭代试验，从而系统性放大产品与渠道的组合优势。

Phase 1：费曼简化

它是什么：
书里说的「增长黑客」不是写几篇爆款文案或刷一次 ASO，而是一套组织方式 + 工作方式：几个人（产品、工程、数据、营销等）坐在一起，用同一套数据看用户从「第一次听说」到「愿意付钱、愿意推荐」的整条路径，然后像做实验一样小步快跑：提出假设 → 设计最小实验 → 上线 → 看数据 → 学到东西 → 下一个实验。

为什么重要：
很多团队把增长拆成「投放买量」「运营发券」「产品改功能」，彼此目标不一致、数据口径不一致，结果是局部优化、全局打架。增长黑客方法强调单一北极星和全漏斗视角，避免「获客涨了、留存崩了」这种隐性亏损。

怎么用：
先确认产品是不是「用户离不开的必须品」（书中常用「如果明天不能用你会多失望」这类 must-have 信号），再选北极星指标，建增长团队与实验节奏，从激活和留存往往比单纯拉新更划算的地方切入（具体顺序依业务而定）。

核心类比：
增长黑客方法就像用同一套仪表盘和同一套施工队装修一整栋楼——水电（工程）、软装（营销）、动线（产品）都听总设计师（北极星指标）的，每层改一点就测一次，而不是每层找一队人各刷各的。

可能未讲透的术语（盲区自查）：

「北极星指标」具体怎么从业务里长出来
「统计显著性」与样本量（书里有实验思维，实操需配合统计或工具）
不同行业（B2B / 低频高客单）漏斗形态差异

Phase 2：精细提问（问题库）

类型	问题	简要回答
Why	为什么要跨职能增长团队？	增长瓶颈常在交界处（落地页×产品首屏×性能×归因），单部门无权改、或改了看不见全局。
How	实验闭环的第一步通常是什么？	澄清问题与指标 → 提出可证伪假设 → 设计最小实验 → 上线 → 分析 → 沉淀结论。
Example	书中典型杠杆案例共性？	把「分享/邀请」嵌进核心路径、降低首次价值实现时间（Time to Value）等。
Connect	与 AARRR 的关系？	书把增长看成全漏斗系统；AARRR 是拆解阶段、找杠杆点的常用地图。
Edge	何时不应猛做增长实验？	产品尚未达到 must-have、数据基建不可靠、合规与品牌风险极高时，应先补课。
Why	北极星为什么只能「一个」为主？	多主指标易导致团队博弈与资源分散；可辅以 guardrail 指标（护栏指标）防副作用。
How	「必须拥有」怎么测？	用户调研 + 行为数据相互印证；分群看留存与推荐意愿差异。
Connect	和精益创业有何异同？	同：假设-实验-学习；异：增长更强调规模化获客与留存变现的系统工程与组织设计。

Phase 3：批判质疑

【假设1】：产品已具备可持续的 PMF（用户真需要、愿复购/愿留存）。

成立前提：目标客群清晰、价值交付稳定、竞品替代成本不低。
若不成立：实验只会放大「没人要的东西」，跑得越快亏得越多。

【假设2】：组织能支持高频上线与可信数据。

成立前提：工程有迭代容量、埋点/归因/统计有人负责。
若不成立：实验结论噪声大，容易「什么都能解释」。

【假设3】：增长与品牌/合规可调和。

成立前提：有边界与护栏指标（如投诉率、退款率、品牌搜索量）。
若不成立：短期指标好看，长期信任透支。

【反例】：重决策、长周期 B2B 采购——漏斗极长、实验周期可能以月计，与消费级互联网「周更实验」节奏不同。

与结论共存：框架仍适用，但实验粒度与指标周期需重新设计，不能照搬「爆款打法」。

【作者盲区】：硅谷消费互联网经验较强；对强监管、强线下、强渠道依赖行业的可执行细节需本地化。

【时效性】：归因、渠道（隐私、平台规则）变化快；实验思维与组织模型仍然成立，具体战术需随平台迭代更新。

Phase 4：抽象公式

[增长团队] 在 [PMF 已验证且数据可信] 下，[用单一北极星 + 护栏指标协调全漏斗实验]，因为 资源与注意力是稀缺品，不集中就会产生局部最优。
- 迁移：个人时间管理也可用「一个主目标 + 若干底线指标」避免瞎忙。
[产品] 在 [首次体验窗口有限] 下，[缩短 Time to Value 比单纯加功能更能带动留存]，因为 用户耐心与替代选择在竞争注意力。
- 迁移：入职培训、客服 onboarding 同样适用「先让用户体验到核心价值」。
[组织] 在 [跨部门依赖强] 下，[把增长做成固定节奏与共享看板]，因为 协调成本会吞噬实验次数。
- 迁移：任何「多角色协作」项目都需要共享定义的成功指标。

Phase 5：刻意练习方案

Day 1（今天，≤10 分钟）
为你的产品（或你负责的一块）写一句话：谁在什么场景下，因为什么动因会用，并写出第一个价值时刻（用户第一次觉得「值了」的瞬间）。对照书中「激活」概念，看你现在埋点能否定位到这一刻。

Week 1

画一张简易 AARRR 漏斗，每层只写 1 个主指标 + 1 个当前最大疑问。
写 3 个可证伪假设，每个对应一个「最小实验」（可一周内在现有资源内完成）。
找 1 个「护栏指标」（如退款率、差评率），防止优化主指标时踩线。

Month 1
选一个真实业务问题（如「新用户次日留存」），用书中闭环跑满 4 轮：每轮有假设、实验设计、结果、决策（继续/放弃/迭代），并复盘「学到了什么关于用户的认知」。

Phase 6：复习锚点（艾宾浩斯）

建议节点：T+1 / T+3 / T+7 / T+14 / T+30 / T+60 天。复习时自问三题：

北极星指标与护栏指标各是什么？为什么？
当前漏斗最大瓶颈在哪一层、证据是什么？
最近一个实验的假设与结论，若重来会怎么改？

元信息

学习日期：2026-03-21
内容类型：技能型为主（流程/组织/实验），辅以概念型（指标与 PMF）
难度：中
说明：未粘贴全书正文；深度精读建议按章节把案例与数据对照业务做「二次费曼」。

《字节跳动：从0到1的秘密》知识卡片

元信息

学习日期：2026-03-21

内容类型：叙事型（商业传记）+ 概念型（产品/增长方法论）

难度评估：中

学习目标：理解算法驱动型产品如何从0到1、可迁移到产品/增长决策

分类目录：商业产品类

作者：马修·布伦南（Matthew Brennan），英文版《Attention Factory》

Phase 0：内容标定

内容类型： 叙事型为主，辅以概念型——商业传记，侧重提炼规律、迁移到产品与增长决策。

核心主张（一句话）：

字节跳动的本质是「注意力工厂」：用算法把「人找信息」翻转为「信息找人」，把注意力直接嵌入商业链，从而改变大众文化娱乐消费方式。

本书结构：

第一部分：后端算法推荐 — 张一鸣、创业之初、推荐系统、信息阅读人
第二部分：前端全屏短视频 — Musical.ly、抖音、TikTok 全球化

Phase 1：费曼简化

目标：用日常语言讲清楚，不用专业术语敷衍。

核心概念 1：信息找人 vs 人找信息

白话解释： 传统模式是「人找信息」：你去搜索、去订阅、去刷关注列表。字节跳动的逻辑是「信息找人」：系统根据你的行为数据，主动把内容推到你面前，你不需要主动选择，只需要滑动。就像你走进一家餐厅，服务员已经根据你过去的点餐记录，把菜端到你桌上，你只需要决定吃不吃。

为什么重要： 这改变了内容分发的权力结构。以前是「编辑/关注关系」决定你看什么；现在是「算法」决定。算法可以无限细分、实时调整，比人工更精准地匹配你的兴趣，所以用户停留时间更长，广告价值更高。

一个类比：

「信息找人」就像 Netflix 的「为你推荐」——不是你去翻片单，而是片单来找你。区别在于：字节把这种逻辑从长视频扩展到新闻、短视频、音乐，且在中国移动互联网爆发期押对了时机。

核心概念 2：注意力工厂（Attention Factory）

白话解释： 书名英文版叫 Attention Factory，意思是：字节跳动的核心业务不是「做内容」，而是「生产注意力」。用户花在 App 上的每一分钟，都是被算法「制造」出来的——通过推荐、滑动、全屏沉浸，把碎片时间变成可量化的注意力资产，再卖给广告主。

为什么重要： 理解了这一点，就理解了为什么字节可以同时做今日头条、抖音、TikTok、西瓜视频——它们共享同一套「注意力生产流水线」：算法推荐 + 内容运营 + 增长黑客。产品形态不同，底层逻辑一致。

一个类比：

注意力工厂就像炼油厂——原油（用户时间）进去，经过算法精炼，产出高纯度的注意力（可售卖的流量）。区别在于：炼油厂消耗的是自然资源，注意力工厂消耗的是用户的时间与心智。

核心概念 3：快速实验 + 多产品试错

白话解释： 张一鸣创业初期，不是只做一个产品，而是在半年内推出多款 App，每款测试不同方向。名字随意、设计粗糙，但迭代极快。哪个有数据反馈就加大投入，哪个没起色就砍掉。这是一种「用低成本试错换高概率命中」的策略。

为什么重要： 在不确定的市场里，单点押注风险极高。多产品并行、快速验证，可以降低「押错方向」的概率，同时积累算法、运营、增长的经验，为后来的今日头条、抖音打下基础。

一个类比：

就像撒网捕鱼——不是盯着一片水域死等，而是多撒几网，看哪片水域有鱼就重点投入。区别在于：字节的「网」是算法和产品，鱼是用户注意力。

理解盲区（需补充查证）

协同过滤、冷启动：书中提到算法推荐，但具体技术实现细节有限，需结合技术文档深化
增长黑客具体手段：书中提及但未展开，可补充《增长黑客》等资料
Musical.ly 收购谈判细节：商业决策背后的博弈，书中多为结果描述

Phase 2：精细提问（问题库）

这些问题是复习时的自测题，也是深化理解的锚点。

Why 类（底层逻辑）

Q：为什么张一鸣坚信「信息找人」会成功？ A：他 2007 年买火车票时，写了个小程序自动搜索匹配车票并推送，体会到「主动推送」比「被动搜索」更高效。加上中国智能手机普及、移动互联网爆发，他认为个性化推荐会重塑信息消费方式。
Q：字节为什么能在中国打败百度、腾讯做信息流？ A：百度强在搜索（人找信息），腾讯强在社交（关系链分发）。字节专注「算法推荐」这一空白赛道，且执行极快——多产品试错、快速迭代、从竞品挖算法人才，形成正反馈。

How 类（操作步骤）

Q：字节早期如何搭建推荐系统？ A：先用简单规则（用户画像、设备信息）做冷启动，效果不佳；后从百度等公司挖 AI 人才，引入协同过滤、深度学习，逐步提升推荐精度；同时用 A/B 测试持续优化。
Q：TikTok 如何从 Musical.ly 手中接过北美市场？ A：2017 年收购 Musical.ly，2018 年将用户和内容迁移到 TikTok，利用字节的算法优势提升体验，同时保留 Musical.ly 的社区和品牌认知，避免从零冷启动。

Example 类（案例）

Q：书中最典型的「算法改变行为」案例是什么？ A：「在中国，是信息在阅读你」——用户不再主动选择，而是被算法「喂养」。今日头条通过阅读时长、点击、停留等行为数据，不断优化推荐，使用户越刷越久，形成「信息茧房」式的沉浸。
Q：TikTok 在西方最初为何被贴上「cringe」标签？ A：算法优先推荐「高参与度」内容，而非「高质量」内容。西方用户早期看到大量怪异、尴尬的短视频，形成负面印象。字节通过内容运营、品牌合作、本地化逐步扭转。

Connect 类（联系已知）

Q：这和 Netflix 的推荐逻辑有何异同？ A：同：都是「信息找人」、个性化推荐。异：Netflix 是长视频、付费订阅；字节是短视频、免费+广告。字节的「滑动」交互更轻、决策成本更低，更容易成瘾。
Q：和《增长黑客》里的「AARRR」模型如何对应？ A：字节的获客（Acquisition）靠预装、渠道投放；激活（Activation）靠算法快速匹配兴趣；留存（Retention）靠推荐精度和内容密度；变现（Revenue）靠信息流广告；推荐（Referral）靠分享、挑战赛等。

Edge 类（边界条件）

Q：什么情况下「信息找人」模式会失效？ A：用户主动意图极强时（如搜索、购物），人找信息更高效；监管限制算法推荐时（如中国对算法推荐的治理）；用户厌倦「被喂养」、追求主动探索时。
Q：字节的多产品试错策略在什么条件下不适用？ A：资源极度有限、团队无法并行时；市场已高度成熟、窗口期极短时；试错成本过高（如硬件、合规）时。

Phase 3：批判性质疑

核心假设检验

假设 1： 算法推荐一定比人工编辑/社交分发更优

成立的前提： 数据量足够大、用户行为可量化、推荐目标明确（如时长、点击）
如果假设不成立： 冷启动阶段数据少，算法可能不如编辑精选；用户追求「意外发现」时，过度个性化反而造成信息茧房

假设 2： 多产品试错是创业公司的普适策略

成立的前提： 团队有足够执行力、试错成本低、市场尚未固化
如果假设不成立： 资源分散可能导致每个产品都做不深；在需要长期投入的领域（如硬件、教育），试错周期过长会拖垮公司

假设 3： 注意力即价值，用户时长越长商业价值越高

成立的前提： 广告主愿意为注意力付费，且用户不反感
如果假设不成立： 监管限制、用户抵制、品牌安全风险（如低质内容）会反噬商业价值

反例

反例： 知乎、豆瓣等社区型产品，并未采用强算法推荐，仍有一定生命力

描述： 用户更依赖关注关系、话题订阅，算法为辅
如何与结论共存： 字节模式适合「消费型」内容（新闻、娱乐）；社区型产品强调「关系」和「身份」，分发逻辑不同。并非所有产品都适合「注意力工厂」模式。

作者盲区

西方视角： 马修·布伦南在中国生活 16 年，但写作面向全球读者，可能过度强调「中国式增长黑客」的独特性，而低估了硅谷同类玩法的成熟度
成功者叙事： 传记天然偏向「幸存者」，字节的失败产品（如多闪、飞书文档早期）在书中笔墨较少，可能高估「多产品试错」的成功率
算法黑箱： 作者非技术出身，对推荐系统的技术细节描述有限，读者可能误以为「算法」是单一魔法，而忽略工程、数据、运营的协同

时效性

2021 年出版，距今约 5 年： 字节已面临监管压力（中国算法治理、美国 TikTok 禁令讨论）、增长放缓、多业务收缩。书中「高速增长」的叙事需结合当下处境辩证看待
「信息找人」逻辑仍成立： 但边界在收窄——隐私保护、算法透明、未成年人保护等议题正在重塑规则

Phase 4：抽象公式（可迁移原则）

用一句话概括一条规律，这条规律在其他领域也成立。

公式 1：注意力生产流水线

[内容平台] 在 [用户行为可量化] 的条件下，[用算法替代人工分发] 能 [提升停留时长和商业价值]，因为 [算法可无限细分、实时优化，比人工更精准匹配偏好]。
迁移：这条规律在 [电商推荐、音乐流媒体、新闻 App] 同样成立，表现为「猜你喜欢」「每日推荐」「信息流」。

公式 2：低成本试错换高概率命中

[创业团队] 在 [市场不确定、试错成本低] 的条件下，[多方向并行、快速验证] 比 [单点押注] 更可能找到 PMF，因为 [降低单次失败代价，同时积累可复用能力]。
迁移：这条规律在 [产品迭代、营销测试、投资组合] 同样成立，表现为 A/B 测试、多 campaign 并行、分散投资。

公式 3：从「人找 X」到「X 找人」的范式翻转

[服务型业务] 在 [用户需求可被数据化] 的条件下，[主动推送] 比 [被动等待] 更能提升转化，因为 [降低用户决策成本、提高匹配效率]。
迁移：这条规律在 [招聘、婚恋、外卖推荐、保险销售] 同样成立，表现为「岗位推荐」「缘分推荐」「猜你想吃」「智能保顾」。

Phase 5：刻意练习方案

Day 1（今天）：

行动： 选一个你常用的内容 App（今日头条/抖音/小红书/B 站等），观察 5 分钟：它推给你的前 10 条内容，有多少是「你主动找的」vs「它推给你的」？写下比例和感受。
预计时间： 8 分钟
成功标准： 能清晰区分「人找信息」和「信息找人」在你日常中的占比

Week 1（本周 3 个任务）：

任务 1： 在你负责或参与的产品/项目中，找一个可「推荐化」的环节（如列表排序、首页展示），思考：若引入简单规则（如按时间、按热度），和现有逻辑有何不同？
任务 2： 用「注意力工厂」视角分析一个你熟悉的 App：它的「注意力」如何被生产、如何被变现？画一张简单的流程图。
任务 3： 复盘你或团队最近一次「试错」：是多方向并行还是单点押注？若重来，会如何调整？

Month 1（综合应用）：

场景： 把你正在做的产品/功能，用「信息找人」思维重新审视：有没有一个环节，可以从「用户主动操作」改为「系统主动推送」？写一份不超过 1 页的改进建议。

Phase 6：复习计划

已使用脚本创建 Mac 提醒（见下方执行说明）。

节点	复习方式
T+1d	费曼法：口头解释「信息找人」「注意力工厂」两个概念，不看笔记
T+3d	只看问题库，自测回答 3 个 Why 类 + 2 个 How 类，标记绿/黄/红
T+7d	只复习黄/红题，更新答案
T+14d	找一个真实场景验证「公式 3」是否成立（如外卖推荐、招聘推荐）
T+30d	教给别人听：用 5 分钟讲清楚字节从 0 到 1 的核心逻辑
T+60d	完整回顾，评估：这本书对你的产品/增长决策产生了什么实际影响？

创建 Mac 提醒命令：

bash /Users/dzytmk/workspace/tuke_v1/.cursor/skills/tuke/学习/读书/scripts/add_review_reminders.sh "字节跳动：从0到1的秘密" "2026-03-21" "核心问题：①信息找人 vs 人找信息的本质区别 ②注意力工厂如何运作 ③多产品试错的适用边界"

一句话回忆锚（复习时先看这里）

字节 = 注意力工厂：用算法把「人找信息」翻成「信息找人」，多产品试错找 PMF，把用户时间炼成可售卖的流量。

tuke-thinking 思维方法论技能包

三个文件分别干什么

SKILL.md：AI 运行时使用，决定这个 skill 做什么、何时触发、如何工作
meta.yaml：治理和静态检查使用，不直接参与 Cursor 触发
references/：AI 按需读取的背景知识，每个文件对应一个思维主题

references 文件说明

文件	内容
`如何提问.md`	向上级/下属/客户/面试官提问的方法论，含 STARR、GROW、SPIN、CTR 四种提问框架
`康奈尔学习笔记.md`	康奈尔三分区笔记法完整指南，含最小可行流程、模板和常见误区
`艾宾浩斯遗忘曲线.md`	间隔复习系统，含复习时间点规划、5 分钟标准流程、与康奈尔笔记的组合用法
`稳定内核修炼指南.md`	心理稳定方法论，覆盖应对否定/批评/被忽视，含 AI 辅助自信建立的 5 个方法
`问题回复技巧.md`	职场问题回复 5 要素公式（What/When/Who/Status/Result）及批判性验证前置步骤
`批判性思维实战案例.md`	CDN 被刷事件复盘，批判性思维"事实 vs 判断分离"的真实场景应用
`科学批判性思维.md`	科学研究批判性评估体系：方法论批判、偏倚识别、统计分析评估、证据质量、逻辑谬误识别
`思维集.md`	零散思维模型精华：钝感力、薛定谔的猫、日食陷阱+三轨道检查法

name: tuke-thinking description: > 思维方法论技能包，覆盖提问技巧、学习记忆系统、批判性思维、心理稳定内核、问题回复公式、思维模型等。 Use when 用户问如何提问、STARR/GROW/SPIN/CTR提问法、康奈尔笔记、艾宾浩斯遗忘曲线、间隔复习、你怎么看、怎么回复、怎么回答、稳定内核、钝感力、应对批评、应对被否定、被忽视、问题回复技巧、回复上级公式、批判性思维、科学批判性思维、偏倚识别、研究方法评估、日食陷阱、三轨道检查法、思维模型、认知模型、马太效应、复利思维、飞轮效应、幸存者偏差、确认偏误、沉没成本、机会成本、第一性原理、零和博弈、正和博弈、二阶思维、奥卡姆剃刀、邓宁克鲁格、锚定效应、汉隆剃刀、黑天鹅、灰犀牛、8020法则、底层逻辑、看清本质、找规律、5W2H、分析问题、结构化思考、规划行动、费曼学习法、费曼技巧、如何检验自己懂了没、用简单语言解释复杂概念、系统思考、反馈回路、因果回路、杠杆点、系统原型、结构化思考、金字塔原理、MECE、议题树、逻辑树、结论先行、底层思维、本质思维、长期思维、穿透现象、 PDCA、持续改进、闭环管理。不适用：纯代码开发问题、项目架构设计、数据库查询等技术类需求。

思维方法论技能包

这个能力做什么

帮助 AI 调取一套完整的思维方法论知识体系，覆盖从提问、学习记忆、批判性分析、到心理稳定和问题沟通的完整闭环。

何时使用

用户想学会如何向上级、下属、客户、面试官提问
用户想建立高效学习笔记或记忆复习系统
用户想了解批判性思维方法、学会分辨事实与判断
用户面对否定、批评、被忽视时想找到应对方法
用户想在职场中更稳定地回复问题/汇报结论
用户想了解具体思维模型（钝感力、日食陷阱等）

不适用场景

纯代码开发、架构设计、数据库查询
与思维/认知/沟通无关的技术类需求

按需读取

根据用户问题类型，优先加载对应文件：

场景	读取文件
提问技巧、STARR/GROW/SPIN/CTR	`references/如何提问.md`
康奈尔笔记、学习笔记系统	`references/康奈尔学习笔记.md`
遗忘曲线、间隔复习、复习节奏	`references/艾宾浩斯遗忘曲线.md`
稳定内核、应对批评/否定/被忽视	`references/稳定内核修炼指南.md`
问题回复公式、职场沟通、汇报技巧	`references/问题回复技巧.md`
批判性思维实战案例（CDN案例）	`references/批判性思维实战案例.md`
钝感力、日食陷阱、薛定谔、马太效应、复利思维、飞轮效应、幸存者偏差、确认偏误、沉没成本、机会成本、第一性原理、二阶思维、奥卡姆剃刀、邓宁-克鲁格、锚定效应、汉隆剃刀、黑天鹅、灰犀牛、80/20法则、思维模型	`references/思维集.md`
底层逻辑、看清本质、找规律、现象与本质、三层结构、归纳演绎	`references/底层逻辑.md`
5W2H、结构化分析、问题拆解、规划行动、项目启动、工作汇报框架	`references/5W2H.md`
费曼学习法、费曼技巧、如何检验自己学会了、用简单语言解释、学习方法	`references/费曼学习法.md`
系统思考、反馈回路、增强回路、调节回路、冰山模型、系统原型、杠杆点、越解决越糟	`references/系统思考.md`
结构化思考、金字塔原理、MECE、议题树、逻辑树、结论先行、表达清晰	`references/结构化思考.md`
底层思维、本质思维、长期思维、穿透现象、跨域迁移、看清本质的思维习惯	`references/底层思维.md`
PDCA、持续改进、计划执行复盘、闭环管理、Plan-Do-Check-Act	`references/PDCA.md`

输入要求

用户描述当前面临的场景或问题（如"我要向老板汇报一个线上问题"）
或直接指定想了解的思维方法（如"康奈尔笔记怎么用"）

执行步骤

判断用户问题属于上表哪个场景，可能涉及多个场景时合并读取。
读取对应文件，提取核心方法和可执行步骤。
结合用户当前场景，输出定制化的应用建议，而不是直接搬运原文。
如场景不明确，先追问 1-2 个关键问题（对象是谁？目的是什么？）。
输出末尾标注"下一步行动"，帮用户落地。

输出要求

优先输出可立即执行的步骤，不堆砌理论
给方法论时附带使用场景示例，让用户知道"什么时候用"
对比多种方法时，给出选择依据而非全量罗列

验收标准

给出的方法论来自文件，未在原文中自行添加结论
结论是否贴合用户具体场景（而非泛泛而谈）
是否指明了下一步可操作的行动

失败处理

场景不明确：追问"你在和谁沟通？目的是什么？"再加载文件
无完全匹配：说明当前知识范围，提供最相关的方法作为参考
用户的问题横跨多个主题：同时加载多个文件，分段回答

name: tuke-thinking type: reference status: active summary: 思维方法论技能包，覆盖提问技巧、康奈尔笔记、遗忘曲线、批判性思维、稳定内核、问题回复公式、思维模型。 use_when:

用户问提问技巧（STARR/GROW/SPIN/CTR）
用户想建立学习笔记或间隔复习系统
用户要应对批评、被否定、被忽视
用户想学习职场问题回复公式
用户问批判性思维、偏倚识别、研究方法评估
用户问钝感力、日食陷阱、薛定谔等思维模型 not_for:
纯代码开发、架构设计、数据库查询
与思维/认知/沟通无关的技术需求 owner: tuke

5W2H 分析法

【内化层】这个方法解决什么问题

SCQA 结构：

S（背景）：工作和思考中，我们常常陷入"漏考虑了一个重要角度"的困境——计划做到一半发现忘了问"谁来负责"，或者汇报时被问"花多少钱"时哑口无言。
C（困境）：人脑思考时有选择性——我们只想自己熟悉的维度，天然会跳过一些关键问题。
Q（核心问题）：如何用一套标准化工具，确保思考一个问题时不遗漏任何关键维度？
A（答案）：5W2H——7 个维度覆盖任何问题的完整要素，确保思考无死角。

5W2H 的本质是结构化思维的检查清单，而不是填完表格就万事大吉的万能模板。

【内化层】7 个维度详解

维度	英文	核心问题	典型追问
What	是什么	要做/解决的是什么？	问题的边界在哪里？最终交付物是什么？
Why	为什么	为什么要做这件事？	不做的代价是什么？做了有什么价值？
Who	谁	谁来做？谁受益？谁决策？	谁是关键干系人？谁有否决权？
When	何时	什么时候开始/结束？	里程碑节点在哪里？有没有时间窗口？
Where	在哪里	在什么场景/平台/地点发生？	涉及哪些渠道或环境限制？
How	如何做	用什么方法？流程是什么？	有哪些备选方案？如何评估方案好坏？
How much	多少/多少钱	需要多少资源/成本/时间？	预算/人力/时间是否可行？ROI 是什么？

【内化层】核心用法：三类场景

场景 1：分析问题（搞清楚一件事）

把 7 个维度当作问题清单，逐一回答，再交叉验证有无矛盾。

示例：分析"用户流失增加"

What：哪类用户在流失？流失定义是什么？
Why：为什么会流失？是功能？价格？竞品？
Who：哪个团队负责监控和解决？
When：从什么时候开始流失增加？有没有某个事件触发点？
Where：是哪个渠道来的用户？哪个环节发生流失？
How：用什么方法减少流失？短期 vs 长期方案？
How much：挽回每个流失用户的成本是多少？值不值得？

场景 2：规划行动（把想法变计划）

把 Why（目标清晰）→ What（拆解任务）→ Who+When（分配时间）→ How（定方法）→ How much（算资源）串成一个完整计划。

规划模板：
[Why] 我们做这件事，是为了 ___________
[What] 具体要交付的是 ___________
[Who] 负责人是 ___________，决策人是 ___________
[When] 截止时间是 ___________，关键节点是 ___________
[Where] 发生在 ___________ 场景/平台
[How] 主要方法是 ___________，备选方案是 ___________
[How much] 预算是 ___________，需要 ___________ 人力

场景 3：工作汇报（结构化表达）

汇报时按照 What（做了什么/结论）→ Why（为什么这么做）→ How（怎么做的）→ How much（结果数据）的顺序，简洁清晰。

【内化层】5W2H 与其他框架的关系

框架	适用场景	5W2H 的位置
SCQA	讲故事、写汇报	5W2H 是 SCQA 的 Answer 层的拆解工具
MECE	保证分类不重叠	5W2H 的 7 个维度本身就是一种 MECE 结构
5 Why	追问根本原因	对 5W2H 中的 Why 维度做纵向深挖
OKR/SMART	目标设定	5W2H 是 OKR 落地时的执行拆解工具

【拓展层】批判性诊断：5W2H 的陷阱

陷阱 1：填完就算思考完了 5W2H 只是把问题列出来，每个维度都需要真正深入思考，而不是填一个表格了事。

陷阱 2：7 个维度相互独立 实际上维度之间高度关联：

Who × How = 任务分配方案
Why × How much = 投入产出比（ROI 判断）
When × Who = 是否产生资源冲突？

陷阱 3：只用来分析，不用来检验 做完计划之后，应该再用 5W2H 倒查一遍：有没有哪个维度没想清楚？哪个维度的答案和其他维度矛盾？

陷阱 4：过于机械 有些问题不需要 7 个维度全部展开。灵活使用：核心维度是 What + Why + Who + How，其余视情况添加。

【拓展层】苏格拉底追问：让 5W2H 更深

填完每个维度之后，额外问自己：

这个答案是我假设的，还是经过验证的？
如果其中一个维度的答案变了，整个计划会怎样？
最容易出错的维度是哪个？（通常是 Who 和 How much）

【产出层】执行工具

快速思考版（5 分钟）

遇到任何新任务/新问题，在纸上或脑中快速过一遍：

What  → 我要解决/交付的到底是什么？
Why   → 真正的目标是什么？（问 3 次"为什么"）
Who   → 谁要用？谁决策？谁执行？
When  → 什么时候要完成？有没有卡点？
Where → 在什么场景里？
How   → 怎么做？有哪些方案？
How much → 需要多少资源？值不值？

项目启动版（完整版）

维度	你的回答	未确认事项
What
Why
Who（执行/决策/干系人）
When（里程碑）
Where（场景/渠道）
How（方案 A / 方案 B）
How much（成本/预算/ROI）

最后：交叉检验——把每个答案和其他维度对照，有没有矛盾？有没有空白？

关键提醒

5W2H 是起跑线，不是终点线。填完表格只是保证你没有遗漏，不代表你已经想清楚了。
最有价值的维度往往是你最不想认真思考的那个（通常是 Why 和 How much）。
和别人沟通时，用 5W2H 结构整理信息，对方理解速度提升 3 倍。

PDCA 循环

【内化层】这个方法解决什么问题

SCQA 结构：

S（背景）：工作中我们做了很多事，但很多事做完就结束了——没有复盘，没有改进，下次同样的问题还会再犯。
C（困境）：没有持续改进机制，行动变成了"消耗"而不是"积累"；团队和个人能力无法通过实践系统性提升。
Q（核心问题）：如何把任何一件事变成可以持续改进的闭环，而不是一次性执行？
A（答案）：PDCA——计划（Plan）→ 执行（Do）→ 检查（Check）→ 行动/固化（Act）四个阶段构成的持续改进循环。

PDCA 的核心洞见：每次执行都是下次计划的输入——没有完成时，只有下一轮循环。

【内化层】四个阶段详解

P — Plan（计划）

目的：明确问题，设定目标，制定方案

核心问题：

当前状况和目标之间的差距是什么？（现状分析）
根本原因是什么？（不能停在表象）
改进方案是什么？选了哪个，为什么？
成功的衡量标准是什么？（要可量化）
时间和资源分配是什么？

工具：5Why 根因分析、鱼骨图（石川图）、SMART 目标设定

D — Do（执行）

目的：按计划小范围试验，收集真实数据

关键原则：

先小规模试验，不要一上来就全面铺开
严格按照计划执行（否则 Check 阶段无法判断是计划有问题还是执行有问题）
实时记录数据和观察到的异常

常见误区：P 阶段计划不完整就直接跑到 D 阶段，导致后续无法判断效果。

C — Check（检查）

目的：对比计划与结果，找出差距和原因

核心问题：

结果和预期目标相比，达成了多少？
哪些地方超出预期？为什么？
哪些地方不及预期？根本原因是什么？
有没有意外发现（无论好坏）？
这个方案的假设哪些验证了，哪些被推翻了？

常见误区：只看结果（成功/失败），不分析原因——导致下一轮还是不知道怎么改。

A — Act（行动/固化）

目的：把成功的经验标准化，把失败的经验变成新问题进入下一轮

两种情况：

如果实验成功：

把这个做法固化成标准流程/SOP
全面推广
更新相关文档和培训材料

如果实验失败或部分失败：

总结哪些地方需要改进
把未解决的问题放入下一轮 PDCA 的 Plan 阶段
不要简单重复，要根据 Check 阶段的发现调整方案

【内化层】PDCA 的核心：闭环不断上升

      Plan ──────> Do
        ↑              ↓
       Act <────── Check

每完成一轮，整体水准上升一级：

第 N 轮  ────>  第 N+1 轮  ────>  第 N+2 轮
  螺旋式上升（Spiral）

PDCA 不是一个平面的循环，而是螺旋式上升——每轮循环结束，整体质量提升，新一轮从更高起点开始。

【内化层】PDCA 的适用范围

场景	PDCA 应用
质量管理	生产流程改进（原始应用，来自戴明）
项目管理	版本迭代、敏捷开发中的 Sprint 回顾
个人成长	技能训练（如演讲、写作）的刻意练习
团队管理	周会/月会的改进闭环
产品迭代	假设→MVP→数据验证→优化

【拓展层】批判性诊断

陷阱 1：PDCA 变成 PDPD（只计划、只执行，从不检查）

最常见的失效模式：C 和 A 阶段被省略，因为"没时间"
后果：执行变成消耗，错误不断重复，团队丧失对改进的信心
修正：把 Check 和 Act 强制排入日历，作为里程碑而非可选项

陷阱 2：P 阶段太粗糙，Check 无法判断原因

如果计划没有定量目标和明确假设，Check 阶段就无法判断"是计划错了"还是"执行错了"
修正：Plan 阶段必须有可量化的成功标准

陷阱 3：把 PDCA 当成一次性流程，不是持续循环

PDCA 的价值在于循环，不在于完成一轮
没有下一轮循环，PDCA 就是一次普通的项目复盘

陷阱 4：Act 阶段只"总结经验"，不改变下一轮的 Plan

总结了很多，但下一轮 Plan 还是原来的思路——改进停留在纸面上
修正：Act 的输出必须直接成为下一轮 Plan 的输入

【拓展层】苏格拉底追问

完成一轮 PDCA 后，用这些问题深挖：

"如果同样的情况再发生一次，我们的成功概率有多少提升？"（衡量真实改进）
"我们改进了流程，还是只解决了这一次的问题？"（区分治标和治本）
"A 阶段固化的内容，下一个人能直接用吗？"（检验知识是否真的沉淀）

【产出层】执行模板

快速 PDCA（个人日/周维度）

【P】这周我要改进/试验的是：___________
    成功的标准是：___________
    假设是：___________

【D】实际做了：___________

【C】结果对比：
    - 达成了：___________
    - 没达成：___________ 原因是：___________
    - 意外发现：___________

【A】下周保留/固化：___________
    下周调整：___________
    新问题（进入下轮）：___________

团队改进会议模板（30 分钟）

环节	时间	核心问题
回顾目标	5 min	上轮定的目标是什么？
Check：数据对比	10 min	达成了多少？差距在哪里？为什么？
Act：沉淀	5 min	成功经验写进 SOP；失败原因变成下轮问题
Plan：下轮目标	10 min	下轮改进什么？目标是什么？谁来负责？

PDCA 与其他方法的关系

方法	和 PDCA 的关系
5Why	Plan 阶段的根因分析工具
OKR/目标管理	Plan 阶段的目标设定框架
敏捷/Sprint	PDCA 在软件开发中的具体实现
复盘方法论	Check + Act 阶段的深化工具

关键提醒

PDCA 的真正价值不是"管理工具"，而是把任何重复性工作变成学习机会的习惯。
个人层面：每周末花 15 分钟做一次 PDCA，一年后你的行动质量会系统性提升。
来源：由质量管理之父威廉·爱德华兹·戴明（W. Edwards Deming）推广，最初由沃尔特·休哈特（Walter Shewhart）提出。

如何提问？

向上级提问：通常是为了进一步明确信息，获取资源和帮助。用STARR法提问。

向下属提问：通常是为了帮助下属解决问题，培养和启发下属思考。用GROW法提问。

向客户提问：通常是为了挖掘潜在需求，促成合作。用SPIN法提问。

向面试官提问：通常是为了展现独特价值，获取offer。用CTR层级法提问。

向上级提问：聚焦决策，获取资源

核心逻辑

向上级提问的核心逻辑：就是用最少的时间，精准提出自己的问题，让上级理解你的意图，从而获取资源调配、决策支持和团队帮助。

方法：STARR提问法

这时候，可以使用STARR提问法。

S：Situation（背景），向上级简洁说明当前情况。
T：Task（目标），明确自己需要完成什么任务或目标。
A：Action（已采取的行动），阐述自己为达成目标尝试的解决方案。
R：Result（当前结果），说明目前的进展或障碍。 R：Request（请求），明确需要上级支持的具体内容。

案例

错误提问：

“王总，X项目遇到问题了，我们该怎么办？”

正确提问：

“王总，关于X项目（S），我们的目标是本月底完成客户交付（T）。目前遇到供应链问题，我已尽最大努力和供应商沟通了（A），但交货时间仍可能延后（R）。您是否能协调资源，或者建议优先级调整（R）？”

向下属提问：引导思考，赋能团队

核心逻辑

向下属提问的核心逻辑：获取信息，明确项目进展，引导下属系统性思考，帮助下属独立解决问题，而非施加压力。

方法：GROW提问法

这时候，可以使用GROW提问法。

G：Goal（目标），询问下属要达成的目标是什么。
R：Reality（现状），询问下属目前完成了多少，主要卡点在哪里。
O：Options（选择），询问下属目前可能的解决方案有哪些。
W：Will（意愿），询问下属接下来打算怎么做，需要什么帮助和支持。

案例

错误提问：

“为什么目标只完成了这么一点？”

正确提问：

“这个季度的目标是100万（G），目前完成70万（R），现在离目标还有30万的差距，你认为哪些策略可以弥补差距（O）？需要团队如何支持你（W）？”

向客户提问：挖掘深层需求，促成合作

核心逻辑

向客户提问的核心逻辑：问出客户自己也没意识到的需求，挖掘痛点，给出方案，构建信任，促成交易和合作。

方法：SPIN提问法

这时候，可以使用SPIN提问法。

S：Situation（背景），询问了解客户现状。
P：Problem（问题），继续询问挖掘深层次的痛点和问题。
I：Implication（影响），询问问题带来的后果和影响。
N：Need-Payoff（方案与价值），引导给出解决方案，明确方案带来的价值。

案例

错误提问：

“您对我们的新产品感兴趣吗？”

正确提问：

“据我所知，贵公司的X流程仍然依赖人工输入（S），是不是经常遇到数据重复输入或错漏的情况（P）？这些错误会导致后续报表返工重做或审批延迟，对您的团队效率或客户信任度影响大吗（I）？假如我们能帮您把误差减少2/3，您觉得团队每月能省下多少工时，能提升多少人效，决策效率能快多少（N）？”

向面试官提问：展现洞察力，斩获Offer

在面试的最后环节，99%的面试官都会问"你有什么问题想问我们吗？"，很多候选人要么说"没有问题"，要么提出错误的问题，导致错失展示自己的最后机会。那怎么提问呢？

核心逻辑

向面试官提问的核心逻辑：展现你的深度思考、专业度、主动性，让对方记住你，认为你是岗位的最佳人选。

方法：CTR层级提问法

这时候，可以使用CTR层级提问法。

C：Company-Level Questions（公司层提问），展示商业洞察，向面试官展示你研究过公司，而非只是随便投递简历。
T：Team-Level Questions（团队层提问），凸显融入性与协作意识，让面试官看到你关注团队协作和文化匹配度，而非仅关注个人表现。
R：Role-Level Questions（岗位层提问），精准匹配职责与成长，让面试官确认你是最匹配的人选，同时为自己获取明确的工作预期。

案例

错误提问：

"公司未来发展怎么样？这个岗位加班多吗？年终奖几个月？你们是用Python做数据分析吧？"

正确提问：

"我注意到贵司今年战略重心转向X领域，数据分析团队如何支持这个战略转型（C）？数据团队与业务部门的协作机制是怎样的，比如需求优先级如何判定（T）？前3个月，您希望这个岗位的新员工优先完成哪几件事（R）？"

底层思维

【内化层】底层思维 vs 底层逻辑：先说清楚区别

两者关系密切，但不同：

	底层逻辑	底层思维
是什么	分析工具：找到事物运行的底层原理	思维方式：一种看问题的习惯和角度
核心问题	"为什么这件事是这样的？"	"我有没有在用本质视角看这个问题？"
侧重点	方法论（怎么提炼规律）	思维模式（要不要向下挖）

底层思维是一种思维习惯，底层逻辑是这个习惯的具体应用工具。本文聚焦思维习惯本身。

【内化层】什么是底层思维

定义：不停留在事物的表层现象，而是习惯性地向下追问——追问为什么、追问本质是什么、追问在不同场景下是否还成立。

底层思维包含三个核心能力：

能力 1：穿透现象，看到本质

三层模型：

现象层  →  "发生了什么？"     （容易看到）
规律层  →  "有没有规律？"     （需要积累）
本质层  →  "为什么是这样的？" （需要追问）

大多数人习惯停在现象层反应，底层思维者会持续向下挖，直到触底。

能力 2：区分"不变量"和"表象"

世界上有些东西是恒定的（人性、物理规律、数学逻辑），有些是时代/环境造成的表象。

底层思维的关键习惯：看到任何规律时问自己：

这条规律依赖什么条件？
条件变了，规律还成立吗？
它背后有没有更稳定的东西在支撑？

示例：

表象："用户喜欢短视频" → 本质："用户喜欢最低成本获得多巴胺刺激"（这个更稳定）
表象："要勤奋才能成功" → 本质："要在正确的方向上投入稀缺资源" （更接近本质）

能力 3：跨域迁移

一旦提炼出本质规律，它往往可以应用在完全不同的领域。

示例：

竞争的底层逻辑是"差异化 + 集中资源"，适用于：商业战略、个人定位、体育赛事
反馈加速增长的原理（复利），适用于：投资、学习、口碑、技能积累

练习方式：每次学到一条新规律，问自己： "这个规律在哪些其他领域也成立？"

【内化层】底层思维的五种具体表现

思维方式	表现特征	反例（表层思维）
本质思维	找到事物的核心驱动力	看现象下结论
长期思维	为未来的自己做决策	只看短期得失
概率思维	用概率而非确定性来理解世界	非黑即白，绝对化判断
可迁移思维	从一个领域提炼规律用到另一个领域	经验只在原领域适用
批判性思维	对"已知结论"保持质疑	默认已有结论是对的

【内化层】底层思维与其他方法的关系

底层思维（思维习惯）
      ↓ 提供方向
  底层逻辑（找本质的方法）
      ↓ 应用在
  第一性原理（从零重建认知）
  系统思考（看清复杂互动结构）
  结构化思考（把本质组织成可沟通的结构）

底层思维是"元习惯"——是驱动使用其他思维工具的底层动力。

【拓展层】批判性诊断

陷阱 1："底层思维"变成"什么都要质疑"的借口

反驳：不是所有事情都值得向下挖，有些事情在现象层操作就够了
原则：当决策的后果重大、或者当前策略反复失效时，才值得向下挖

陷阱 2：把自己的认知框架当成"本质"

每个人心中的"本质"都是主观的——你所"看到的底层"，可能只是你的信念系统
检验方法：找一个和你背景不同的人，他会得出同样的"本质"结论吗？

陷阱 3：看穿了本质，但不知道怎么做

底层思维是认知起点，不是行动终点。理解了本质，还需要在现象层找到可执行的抓手
警惕"看透了一切，但什么都不做"的虚无感

陷阱 4：和别人分享"底层思维"的结果，被认为是"反常识"

底层逻辑的结论有时违反直觉（如"努力不重要，方向才是关键"）
沟通时要先把对方带到"本质层"，再给结论，否则难以被接受

【产出层】培养底层思维的日常练习

练习 1：三层追问（每天 1 次，5 分钟）

选一件今天发生的事，做三层追问：

事件：___________（发生了什么？）
规律：___________（有没有类似的情况出现过？规律是什么？）
本质：___________（为什么会这样？背后的根本原因是什么？）
迁移：___________（这个本质在其他地方也成立吗？）

练习 2：反事实思考（遇到决策时）

我现在的做法是 ___________
我为什么这么做？依据是 ___________
如果这个依据是错的，我会怎么做？___________
什么样的证据会让我改变这个判断？___________

练习 3：跨域套用（读书/学习后）

我学到的规律是：___________
这条规律在我的工作场景中意味着：___________
这条规律在我的人际关系中意味着：___________
这条规律在我的个人成长上意味着：___________

关键提醒

底层思维不是天赋，是习惯——每次被表象困住时，多问一句"为什么"，就是在训练这个肌肉。
最高境界：不仅自己看得清，还能帮别人从现象层下沉到本质层，这是教练和领导力的核心能力。
警惕：当你对一件事"太熟悉"的时候，反而最容易停在现象层——用"我已经知道了"阻断了向下追问的冲动。

底层逻辑

【内化层】这个方法解决什么问题

SCQA 结构：

S（背景）：我们每天面对大量信息、现象和问题，表面上看起来千变万化、毫无规律。
C（困境）：大多数人在"症状层面"打转——头痛医头、脚痛医脚，治标不治本；或者学了很多知识，但换个场景就不会用。
Q（核心问题）：怎样才能看穿表象、找到驱动事物运行的根本规律？
A（答案）：提炼底层逻辑——把纷繁现象归纳到少数几条稳定的底层原理，用它指导不同场景的决策。

底层逻辑不是"什么都适用的万能公式"，而是经过时间和跨场景检验、仍然成立的核心规律。

【内化层】核心机制：三层结构

任何事物都可以拆解为三个层次：

第一层：现象层（表象）
  ↑ 看到的、听到的、感受到的——多变且迷惑人

第二层：规律层（模式）
  ↑ 在多次现象中反复出现的规律/模式

第三层：原理层（底层逻辑）
  ↑ 驱动规律成立的根本原因——稳定且跨领域适用

示例：

现象：某产品卖爆了 → 规律：符合用户某种需求 → 底层逻辑：人性中的某个恒定动机（如降低焦虑、获得认同）
现象：A 员工升职了 → 规律：他做了哪些事 → 底层逻辑：组织中晋升的核心逻辑（利益对齐 + 让上级放心）

【内化层】找到底层逻辑的两条路

路径一：归纳法（由现象到原理）

收集多个类似现象
找共同特征（"这些有什么是一样的？"）
剔除特殊条件，保留普遍规律
问："这条规律背后是什么在驱动？"

路径二：演绎法（由原理推现象）

从已知的底层原理出发（如人性、物理规律、经济规律）
推导：在当前条件下，这个原理会产生什么结果？
验证：预测是否与实际现象吻合？

两条路要结合用：归纳发现规律，演绎验证和预测。

【内化层】底层逻辑的三个来源

来源	说明	示例
人性	人类几万年不变的动机：恐惧、欲望、懒惰、认同感	用户为什么买某产品
数学/概率	复利、均值回归、大数定律	长期坚持的价值
物理/系统	能量守恒、负反馈、临界点	组织管理、市场规律

【拓展层】批判性诊断：什么时候底层逻辑会失效？

假设一：底层逻辑是稳定的

反驳：底层原理也有适用边界。"人怕麻烦"在多数场景成立，但在仪式感强的场景（如婚礼、宗教）反而越麻烦越有价值。

假设二：我找到的就是"真正的"底层逻辑

陷阱：认知框架即投影。你所谓的"底层逻辑"可能只是你的认知模型，而非客观规律。
检验方法：能否用这条逻辑预测你尚未见过的现象？能预测 = 可能是真的；只能解释过去 = 可能是事后合理化。

假设三：同一个底层逻辑在所有场景通用

陷阱："流量即一切"曾是互联网的底层逻辑，但在信任经济时代失效了。底层逻辑有时效性。

3 个使用底层逻辑的常见误区：

万能解释陷阱：用一条逻辑解释所有现象，本质是确认偏误。
忽视条件边界：任何底层逻辑都有成立的前提条件，条件变了逻辑就变了。
停在"看懂了"：找到底层逻辑之后不行动，只是多了个讨论工具。

【拓展层】苏格拉底式追问：深化理解

面对任何问题，沿着这 3 个方向追问，直到触底：

问题一（本质）："这件事是怎么发生的？最核心的驱动力是什么？" 问题二（条件）："这条规律在什么条件下成立？在什么条件下会失效？" 问题三（迁移）："这个逻辑能用在哪些其他场景？我以前有过类似的经历吗？"

【产出层】执行模板

面对任何新问题/新领域，用这套流程：

Step 1 【现象收集】
列出 3-5 个具体现象（要真实可观察的，不能是空话）

Step 2 【找共性】
这些现象有什么共同之处？排除掉特殊条件后，剩下什么？

Step 3 【向下追问一层】
为什么这个共性存在？背后是什么在驱动？（连问 3 次"为什么"）

Step 4 【提炼成一句话】
把底层逻辑写成：
"[主体] 在 [条件] 下，[行为/现象]，因为 [根本原因]。"

Step 5 【验证】
用这条逻辑预测一个你还没见过的新场景，看是否成立。

日常练习（每天 5 分钟）：

遇到任何让你意外的事：多问一句"为什么会这样？"
遇到有效的方法：多问一句"它为什么有效？换一个场景还有效吗？"
读完一篇文章：用一句话写出它的底层逻辑是什么

关键提醒

底层逻辑不是记住的，是练出来的——每次追问都是在锻炼这个能力。
找到了底层逻辑只是开始，真正的价值在于用它做出和别人不同的判断。
最好的验证：你用这条逻辑做了一个预测，后来应验了。

康奈尔学习笔记（Cornell Notes）

这套方法解决什么问题

把“记录”变成“学习”：课堂/读书时不只抄写，还能形成可复习、可检索、可输出的结构。
降低复习成本：用“线索区 + 总结区”把回忆路径固定下来，复习时只看线索就能自测。
促进迁移：把碎片知识组织成“问题—答案—结论—行动”，更容易应用到实际场景。

页面结构（固定三块）

把一页纸/一个笔记按以下比例划分：

线索区（左侧约 1/4）：写“问题/关键词/提示线索”，用于自测和索引。
笔记区（右侧约 3/4）：写课堂/书中要点，建议用条目化、结构化（层级/因果/对比）。
总结区（底部约 1/6）：用 3–8 句写出“这页的核心结论 + 你要怎么用”。

核心原则（少而硬）

先抓结构，再记细节：先写大纲、流程、对比维度，再填补细节。
笔记区写“信息”，线索区写“问题”：线索区尽量以问句表达，逼自己能回忆出来。
总结区写“可执行结论”：必须包含至少 1 个行动（要做什么/怎么做/何时做）。

最小可行流程（每次学习都能照做）

1）学习中：只做两件事

笔记区：记录“可复述的要点”，用你自己的话改写（避免原文搬运）。
留白标记：听不懂/没跟上就打 ?，不在当下钻牛角尖，保证信息流不断。

2）学习后 10 分钟（关键）：补线索区 + 写总结区

用“回忆优先”而不是“重看优先”：

线索区（推荐模板）：
- 概念：X 是什么？边界是什么？
- 机制：为什么会这样？关键因果链？
- 对比：A vs B 适用条件？优缺点？
- 方法：步骤是什么？每步检查点？
- 误区：最容易错在哪里？如何避免？
总结区（推荐句式）：
- 本页结论：……
- 适用场景：……
- 我接下来要做：……（时间/触发条件/输出物）

3）次日 5 分钟：只看线索区自测

遮住笔记区，只看左侧问题，能说出来就过；说不出来再看右侧补齐。

高质量记录写法（让笔记可复用）

笔记区 3 种高效结构

定义—边界—例子—反例：适合概念类内容。
流程—输入/输出—关键决策点：适合方法/系统/业务流程。
对比表（维度固定）：适合多个方案选择。

线索区的“好问题”标准

可回答：不是“了解一下”这种空话，而是能用 30–90 秒说出答案。
可检验：答案能落到“条件/步骤/指标/例子”上。
可迁移：问法贴近真实场景（“当……时我该怎么选？”）。

直接可用的 Markdown 模板

复制到你的笔记工具里即可。

主题：<填入主题>（日期：YYYY-MM-DD）

线索区（问题 / 关键词）

Q1：
Q2：
Q3：
关键词：

笔记区（要点 / 结构）

结论：
依据/机制：
例子：
反例/边界：
步骤/流程：
易错点：

总结区（3–8 句）

本页结论：
适用场景：
我接下来要做（行动 + 时间 + 输出物）：

把康奈尔变成“实际执行系统”（推荐）

每周一次：把线索区变成“题库/卡片”

从每页线索区挑 3–10 个高价值问题，整理成卡片（纸卡/Anki/语雀/Notion 均可）。
卡片答案不超过 8 行，必须包含例子（否则容易自欺欺人）。

每次复盘 15 分钟：做一次“小输出”

任选其一：

讲给别人/录音 3 分钟：只看线索区讲一遍。
写一页“我怎么用”：把总结区里的行动落地成步骤与检查点。
做一个最小实验：用这页知识解决一个真实问题并记录结果。

常见误区与修正

误区：只抄笔记区 → 修正：强制“学习后 10 分钟补线索 + 总结”，否则这页无效。
误区：线索区写关键词不写问题 → 修正：关键词后面补一个问句（“它解决什么？”）。
误区：总结区写感想不写行动 → 修正：总结区至少 1 条包含“时间 + 输出物”。

思维集

决策 / 判断类

零和博弈与正和博弈（Zero-Sum vs Positive-Sum）

零和博弈 = 一块蛋糕固定大小，你赢就意味着我输，双方收益总和为零。陷入此思维的人容易将合作视为威胁，把精力耗费在“抢功劳”与“防守”上。 正和博弈 = 双方合作把蛋糕做大，实现 1+1>2。 👉 破局应用（面对竞合关系/与领导共同输出时）：

识别层次：对方占了“战略定调”的蛋糕，不代表你输了，你依然可以占领“战术落地和工程兜底”的生态位。
反向包围：顺推对方的战略框架（给足面子与大局观），同时指出落地的硬核难点和你的工程防线（确立你在此事上的技术统治权与不可替代性）。
摆脱受害者心态：大厂里稀缺的永远不是提 idea 的人，而是能把宏大 idea 安全落地的人。

第一性原理

第一性原理 = 剥掉所有假设和类比，回到事物的本质，再从零重建判断。 👉 当你发现自己在说"大家都是这么做的"时，就是用第一性原理反问的时机：

这件事最底层的约束条件是什么？
如果没有历史包袱，我会怎么设计它？
现有方案解决的是真实问题，还是惯性问题？

日食陷阱

日食陷阱 = 被一个"看起来最重要的目标"遮住了对其他关键问题的判断。 👉「三轨道检查法」——对任何"当前最重要的事"，同时问：

主目标：这件事要做到什么程度？
底线指标：什么不能被牺牲？（稳定性 / 健康 / 现金流）
长期资产：这段时间我在积累什么不可逆的能力？只要三条轨道同时存在，就不容易被"日食"。

二阶思维

二阶思维 = 不只问"这样做会怎样"，还要问"然后呢？再然后呢？" 一阶结果往往显而易见，真正的风险和机会藏在二阶、三阶效应里。 👉 做重大决策前，强制加一步："这个选择一年后会带来什么？会影响哪些我现在没注意到的变量？"

沉没成本谬误

沉没成本谬误 = 因为"已经投入了这么多"而继续投入，而不是基于未来收益做判断。已经花出去的时间 / 钱 / 精力，不该成为继续投入的理由。 👉 判断标准只有一个："如果今天是从零开始，我还会选择继续吗？"

机会成本

机会成本 = 每一个选择都有"未选择的代价"，选 A 就是放弃了 B 的收益。看起来免费的选择，其实都有成本——最贵的是时间。 👉 做选择时，不只问"这件事值不值得做"，还要问"相比我能做的其他事，它排第几？"

奥卡姆剃刀

奥卡姆剃刀 = 在多种解释都能说通时，优先选最简单的那个。不要在不必要的地方增加复杂度，无论是解释问题还是设计方案。 👉 当你发现方案越来越复杂时，先问：有没有一个更简单的假设同样能解释这件事？

认知偏差类

薛定谔的猫

薛定谔的猫 = 在被确认前，同时处于多种矛盾状态。 👉 用来提醒自己：不要在结果未定时就预设判断，保持对多种可能性的开放。

幸存者偏差

幸存者偏差 = 你看到的成功案例，是因为失败的都消失了，样本天然有偏。 👉 听到"XXX 就是这样成功的"时，先问：用同样方法失败的人在哪里？他们有多少？

确认偏误

确认偏误 = 人会不自觉地只寻找、解读支持自己已有观点的信息。 👉 反制方法：主动去找"最强的反对意见"，如果反驳不了它，就重新审视自己的判断。

邓宁-克鲁格效应

邓宁-克鲁格效应 = 能力越低越自信，能力越高越能看到自己的无知边界。 "我不知道我不知道什么"——正是在入门阶段最危险的盲区。 👉 自测：如果你对某领域非常有把握，那正是该补充异见输入的时候。

锚定效应

锚定效应 = 第一个听到的数字或信息，会严重影响后续所有判断。 👉 谈判、定价、评估时，有意识地质疑"第一个数字是怎么来的"，主动设定对自己有利的锚点。

汉隆剃刀

汉隆剃刀 = 能用无知或疏忽解释的事，不要轻易归因为恶意。大多数让你不爽的事，背后是对方的粗心、信息不对称或能力不足，而不是针对你。 👉 在感到被冒犯时先停一秒："对方是坏，还是只是没想到？"

系统 / 增长类

马太效应

马太效应 = 好的越好，坏的越坏；强者持续累积优势，弱者持续失去资源。来源于《圣经》马太福音："凡有的，还要加给他，叫他有余；没有的，连他所有的也要夺过来。"

利用它（骑上正向飞轮）

识别当前的"第一个正向信号"，集中资源放大它，不要全面开花
建立可累积的资产（口碑 / 能力 / 数据 / 用户），让已有优势持续滚雪球
小赢要快速可见，让正向反馈形成循环

对抗它（避免陷入负向螺旋）

当某个方向已进入衰退，尽早止损切换，不要在沉没成本上死撑
主动打破信息茧房：弱连接 / 跨领域输入 / 定期做"陌生人视角"审视
识别信号："我是不是只在接触同质化的东西？"——这是负向马太的早期预警

复利思维

复利思维 = 微小的持续改进会指数级累积；每天1%的进步，一年后约是原来的37倍。反之，每天1%的退步，一年后只剩约0.03倍。 👉 不问"这件事今天有没有产出"，而问"这件事三年持续做下去，会形成什么优势？"

80/20 法则（帕累托原则）

80/20 法则 = 80% 的结果来自 20% 的原因；找到那 20%，集中投入。 👉 每周末问自己：这周哪 20% 的事情，产生了 80% 的价值？下周是否可以减少其他的，放大这部分？

飞轮效应

飞轮效应 = 持续的小动作积累惯性，到临界点后会自我加速，形成不需要额外推力的增长。 👉 早期飞轮很难转，不要因为"推了好久没效果"就放弃。关键是：你推的方向对吗？每次推动有没有减少摩擦？

黑天鹅 vs 灰犀牛

黑天鹅 = 极难预测、影响巨大、事后看起来"怎么没想到"的小概率事件
灰犀牛 = 明显存在、高概率、高影响，但被长期忽视的风险（如技术债、健康问题）

👉 黑天鹅：做好冗余设计，不要让单点失败摧毁全局。 👉 灰犀牛：定期问"我一直知道但一直没处理的是什么"，列出来逐个推进。

心理稳定类

钝感力

钝感力不是"迟钝"，而是一种主动选择不被无关刺激牵着走的能力。 👉 不是屏蔽所有反馈，而是建立过滤机制：这个刺激值得我消耗注意力吗？

问题实战, 极其重要

事件回顾

20250113 20:26 分运维说：oss.xxxx.com，这个域名要尽快去掉，这个域名的带宽刚才被刷到500Mbs 我在 20250113 22:54 回复：好我们明天盘下 20250114 09:33 我领导：能查到是哪个或哪些文件或大文件被刷不？ 20250114 09:35 运维回复：都是视频大文件 20250114 09:38 我领导：单个大视频，次数不异常；还是多个大视频，次数也异常；能有记录就帮忙查查看吧，看看有没有恶意的成分。 20250114 09:46 运维回复：次数少，文件大，就是只有 2 个很大的文件导致的 20250114 09:48 我领导：好，那就排除恶意机刷。我们尽快搞迁移就是。

复盘：我的回复问题不大，但是却没有经过深度思考，批判性思考，运维其实有个结论：被刷。而我没有批判性思考就回复了，应该要首先批判性运维说的是否正确，然后再说怎么做

问题分析

核心问题：

运维的结论"被刷"是一个判断/假设，而非事实
"被刷"隐含了"恶意"、"异常"的含义
直接接受结论，没有验证证据是否支持这个判断

缺少的批判性思维步骤：

事实 vs 判断分离：带宽500Mbs是事实，"被刷"是判断
证据验证：需要验证"被刷"的证据（访问次数、IP分布、文件类型、时间模式等）
多因分析：高带宽可能的原因：
- 恶意刷流量（异常访问模式）
- 正常大文件下载（文件大但访问正常）
- 热点内容（正常但流量集中）
- 配置问题（CDN/缓存失效）

改进后的回复思路：

好，我们明天盘下。顺便问下，能查到具体是哪些文件吗？访问次数和IP分布情况如何？想先确认下是异常刷流量还是正常的大文件下载，这样我们迁移时也能针对性处理。

关键改进点：

✅ 先接受任务（保持响应性）
✅ 主动追问证据（验证判断）
✅ 提出多因假设（显示思考深度）
✅ 说明追问目的（为迁移做准备，不是质疑）

补充：批判性验证步骤（第0步）

在应用5要素公式之前，应该先进行批判性验证：

0. 批判性验证（Critical Verification）

分离事实与判断：区分对方说的是客观事实还是主观判断/结论
验证证据链：判断是否有足够证据支持结论
多因分析：考虑其他可能的解释
追问关键信息：在回复前，先获取验证判断所需的关键数据

应用场景：

当对方给出"问题原因"的判断时（如"被刷"、"bug"、"性能问题"）
当问题涉及责任归属时
当问题影响范围或严重程度被描述时

原则：

不直接质疑对方，而是以"了解详情"、"确认情况"的方式追问
保持响应性，先接受任务，再验证细节
将验证过程包装成"为了更好地处理问题"的需要

《稳定内核修炼指南》

如果我给别人发一个消息，别人一直不回，尤其是已读不回，我就会很难受，担心被忽视，对方是不是对我不满意之类的，然后我就会加倍的讨好，这种要避免

对别人保持开放的态度，认识到我们不知道别人在想什么，也许别人在忙，我们的直觉和判断很可能是错误的赌一把，相信别人是友善的，变被动为主动

别把拒绝上升到尊严的高度，被拒绝只是说明你的请求，跟对方的需求和状态不匹配，是一个选择品，而不是道德审判

只谈论自己的感受，少指责，比如：你这样我很生气等

专注自己正在做的事情

应对害怕被看不起/被否定的方法

能力与价值的分离法

明确区分"这件事我没做好"和"我这个人不行"
能力是可以通过练习提升的，不等于你的本质价值
当有人说"这么简单的事都没做好"时，告诉自己：这只是对这件事的评价，不是对我这个人的全盘否定
练习说："我在XX方面还需要提升"而不是"我就是不行"

建立内在评价体系

不再依赖外界评价来定义自己的价值，建立自己的评价标准
定期问自己：我对自己满意吗？我在哪些方面有进步？
别人的评价只是参考，不是判决书
记住：你对自己的了解，比任何外人都更全面和真实

接受"失去"的必然性

认识到害怕失去是正常的，但失去不等于毁灭
即使失去某些人的认可，你依然是你，你的价值不会消失
问自己：最坏的情况是什么？失去这个人的认可会怎样？我真的无法承受吗？
练习：想象失去后的场景，你会发现你比想象中更强大

成长型思维转换

把"被说能力不行"从威胁转换为成长信号
告诉自己：这说明我还有成长空间，这是好事
把批评者看作"免费的老师"，他们指出了你的盲点
关注"如何改进"而不是"我被否定了"

建立"恢复力档案"

记录自己曾经被否定、被批评，但最终挺过来的经历
每次感到害怕时，回顾这些经历，证明自己有能力应对
告诉自己：以前我能挺过来，这次也能
把每次应对都看作一次"心理肌肉"的锻炼

用 AI 补足能力与自信（方法 <= 5）

1）把自信定义为“证据”而不是“感觉”

建一个“能力证据库”（可以就是一个 markdown）：每天只记 1 条“可复现的证据”
- 我解决了什么问题（背景 1 句）
- 我做了什么（步骤 1-3 条）
- 结果是什么（可量化/可验证）
当你被否定时，不做情绪辩论，直接回到证据：我有哪些事实证明“我能学会/我能把事做成”？

2）用 AI 做“任务拆解 + 训练计划”，把难题变成可完成的小步

你把目标丢给 AI：让它输出“最小可行方案（MVP）+ 7 天训练清单 + 每天 30-60 分钟安排”
原则：每一步都要能在 30 分钟内完成，完成比完美重要
这样你获得的是“我能推进”的体验，而不是“我不行”的想象

3）用 AI 做“纠错教练”，把批评翻译成可行动的改进点

当有人批评你时，把原话贴给 AI，让它输出：
- 事实点（可验证）
- 影响（为什么重要）
- 下一步（具体怎么做）
- 验收标准（做到什么算过）
你只对“下一步 + 验收标准”负责，不对对方的情绪负责

4）建立“低风险暴露训练”：主动做小失败，降低对否定的恐惧

每周做 2 次“可控冒险”：发一条可能被忽略的消息、提一个小请求、交付一个不完美但及时的版本
训练目标不是成功，而是证明：被拒绝/被批评 ≠ 我会失去一切
每次训练后用 3 句话复盘：发生了什么？我扛住了吗？下次怎么更好？

5）用 AI 写“边界与沟通脚本”，减少被评价带走情绪

预先准备 3 句短句（可直接复制用）：
- “收到。我先确认下你具体希望我改哪一块，给我一个例子/标准好吗？”
- “我理解你的不满，我会在 X 时间内给你一个修正版本/方案对齐。”
- “如果是对人身的评价我不接受；如果是对事情的反馈，我欢迎具体建议。”
你越能稳定地表达边界，越不容易把评价当成“被抛弃的信号”

应对批评的方法

分离事实和评价

把批评中的事实部分和评价部分分开，只关注事实，忽略情绪化的评价
问自己：这个批评中有哪些是客观事实？哪些是对方的情绪表达？

延迟反应法

被批评时先深呼吸，给自己3-5秒的缓冲时间
不要立即反驳或解释，先听完对方的完整表达
可以说："我需要一点时间思考一下，稍后回复你"

提取有用信息

即使批评方式不当，也要尝试提取其中有价值的部分
问自己：这个批评能帮助我改进什么？即使只有1%有用，也要提取出来

区分批评对象

区分是对事的批评还是对人的批评
对事的批评：接受并改进；对人的批评：保持边界，不被定义

建立反馈过滤机制

只接受来自你信任和尊重的人的批评
对于不重要的批评，学会"左耳进右耳出"
建立自己的价值标准，不被他人的评价绑架

稳定内核的核心方法

建立自我价值锚点

列出自己的核心价值和优势，定期回顾
当外界评价动摇你时，回到这些锚点重新定位自己
记住：你的价值不因他人的反馈而改变

情绪分离法

区分"我感受到的情绪"和"我就是这样的人"
情绪是暂时的，不代表你的本质
练习说："我现在感到难过"而不是"我是个失败者"

边界设定法

明确什么是你的责任，什么是别人的责任
不为别人的情绪和反应负责
学会说"不"，保护自己的心理空间

事实核查法

当感到不安时，问自己三个问题：
1. 这是事实还是我的假设？
2. 最坏的情况是什么？发生的概率有多大？
3. 即使最坏情况发生，我能应对吗？

自我对话重构

把消极的自我对话改为积极或中性的
"我搞砸了" → "我这次没做好，下次可以改进"
"没人喜欢我" → "有些人可能不理解我，这很正常"

定期情绪清理

每天或每周固定时间进行情绪复盘
写下困扰你的事情，然后问：这件事一年后还重要吗？
用时间维度来降低当下的情绪强度

建立支持系统

找到2-3个可以信任的人，在需要时倾诉
不要把所有情绪都憋在心里
但也要避免过度依赖他人，保持独立性

行动导向法

当感到焦虑或不安时，立即采取一个小行动
行动可以打破思维的循环
"想"只会增加焦虑，"做"才能解决问题

接纳不完美

允许自己犯错，允许自己不被所有人喜欢
完美主义是稳定内核的大敌
记住：不完美才是真实的人生

定期自我肯定

每天至少对自己说一句肯定的话
记录自己的小成就，定期回顾
培养对自己的善意，就像对待好朋友一样

系统思考

【内化层】这个方法解决什么问题

SCQA 结构：

S（背景）：现实中的问题很少是孤立的——一个决策的影响会扩散、延迟、反弹，牵一发而动全身。
C（困境）：我们习惯于"线性思维"——做了 A 所以得到 B；但很多问题的真正结构是循环的、非线性的，线性思维会让人陷入"治标不治本"或"越解决越糟"的怪圈。
Q（核心问题）：如何看清复杂问题的整体结构，而不是被表面现象迷惑，做出让事情变得更糟的决策？
A（答案）：系统思考——把问题放进"系统"视角，理解其中各要素的相互关系、反馈回路和涌现属性，找到真正的杠杆点。

系统思考的核心洞见："今天的问题，往往来自昨天的解决方案。"

【内化层】核心概念

1. 系统的三要素

任何系统都由三部分构成：

要素	说明	示例
存量（Stock）	系统中可积累/消耗的量	水库水量、团队信任度、用户数
流量（Flow）	改变存量的速率	降水量/蒸发量、招聘速度/离职率
反馈回路	系统内部的因果循环	口碑→用户增长→更多口碑

2. 两种反馈回路

增强回路（Reinforcing Loop / R）

越来越大，或越来越小——是加速器
正向示例：口碑积累 → 用户增加 → 更多口碑（马太效应的机制）
负向示例：负面评价 → 用户流失 → 更多负面评价

调节回路（Balancing Loop / B）

趋向某个目标——是稳定器
示例：体温过高 → 出汗 → 体温降低；库存不足 → 补货 → 库存恢复

大多数系统问题都是增强回路失控或调节回路失灵的结果。

3. 冰山模型：四个层次

（可见）
🔼 事件层    ← 我们通常只看到这一层：发生了什么？
🔽 模式层    ← 趋势是什么？有没有反复出现的模式？
🔽 结构层    ← 什么样的结构产生了这些模式？
🔽 心智模型  ← 什么样的假设和信念维持了这个结构？
（隐藏）

系统思考要求我们从事件层下沉到结构层，才能找到真正的问题根源。

4. 常见系统原型

原型 1：转移负担（Shifting the Burden）

现象：用"症状解"代替"根本解"，短期有效但长期恶化
示例：销售压力大→多打折→依赖打折→丧失品牌溢价
出路：识别并投资"根本解"，接受短期痛苦

原型 2：饮鸩止渴（Fixes That Backfire）

现象：解决方案本身成为新的问题来源，带来反弹
示例：加班赶项目→团队疲惫→效率更低→需要更多加班
出路：寻找延迟效应，把解决方案的副作用纳入考虑

原型 3：公地悲剧（Tragedy of the Commons）

现象：多个主体共享资源，各自理性导致集体非理性
示例：多个产品团队共用基础设施资源，各自争抢导致整体崩溃

原型 4：增长上限（Limits to Growth）

现象：增强回路推动增长，但增长触发调节回路的限制
示例：快速扩张→团队协作成本急剧上升→增长停滞
出路：识别限制因素，提前解决，而不是加大推动力

5. 杠杆点：干预系统最有效的地方

从低效到高效排列（数字越小越有效）：

级别	干预方式	示例
低效	改变参数（数字）	把税率从 20% 改为 21%
中效	改变反馈强度	加快库存补货的响应速度
高效	改变系统结构	从集中式到分布式架构
最高效	改变目标/心智模型	从"增长"到"可持续"的目标转变

【拓展层】批判性诊断

陷阱 1：系统边界在哪里画？

把范围画太小：遗漏关键外部影响（如政策、竞争对手）
把范围画太大：什么都在系统里，无法分析
原则：以"对问题有实质影响的要素"为边界，逐步扩展

陷阱 2：把所有问题都归结为"系统问题"

反驳：有些问题确实只是线性因果，硬套系统思考会过度复杂化
适用信号：循环出现、越解决越糟、各方都"尽力了"但结果差

陷阱 3：找到了系统结构，但杠杆点不在你的控制范围内

解决：区分"影响圈"和"关注圈"——只在影响圈里行动

陷阱 4：忽视时间延迟

系统中的因果之间常有延迟，短期看不到效果就放弃，或者过度干预
提醒：先看延迟时间，再判断干预是否有效

【拓展层】苏格拉底式追问

分析任何复杂问题时，问自己：

循环："这个原因的结果，会不会最终又反过来影响原因本身？"
延迟："这个决策的真正后果，会在多久之后出现？"
反弹："我的解决方案有没有副作用，会不会引发新问题？"
结构："产生这个现象的背后，是什么样的系统结构在驱动？"

【产出层】执行工具

分析一个复杂问题（因果回路图）

Step 1：列出所有你认为相关的变量（5-10 个）
Step 2：画出变量之间的因果箭头（A→B：A增大导致B增大/减小）
Step 3：找出所有闭合的回路（有没有 A→B→C→A 的环？）
Step 4：标记每个回路是增强回路（R）还是调节回路（B）
Step 5：识别延迟点（有没有因果之间有明显的时间差？）
Step 6：找杠杆点：哪个变量的改变对整个系统影响最大？

日常决策检查（2 分钟）

遇到问题时，快速问 3 个问题：

这个问题以前出现过吗？（有没有模式？）
我上次的解决方案有没有带来新问题？（有没有反弹？）
这次的方案会不会在 6 个月后变成新的麻烦？（有没有延迟副作用？）

关键提醒

系统思考不是让决策更复杂——是让你少犯重复错误。
最常见的高价值应用：分析"为什么上次解决了，这次又回来了"这类循环问题。
参考书：《第五项修炼》（彼得·圣吉）、《系统之美》（多内拉·梅多斯）。

结构化思考

【内化层】这个方法解决什么问题

SCQA 结构：

S（背景）：我们脑中的想法是散乱的、跳跃的——想到什么说什么，想到哪写到哪。
C（困境）：散乱的表达让听者/读者困惑：不知道重点是什么、逻辑关系如何、有没有遗漏——而说话的人自己可能也没意识到思路有漏洞。
Q（核心问题）：如何把散乱的想法整理成清晰、完整、有层次的结构，让自己想得清楚、说得明白、写得有力？
A（答案）：结构化思考——用有层次的逻辑框架组织信息，确保完整（不遗漏）、不重叠（不冗余）、有主次（结论先行）。

结构化思考的本质：把混乱的信息变成可以沟通的逻辑。

【内化层】核心原则：MECE

MECE = Mutually Exclusive, Collectively Exhaustive 相互独立、完全穷尽

相互独立（ME）：各个分类之间没有重叠，避免重复计算
完全穷尽（CE）：所有分类加起来覆盖全部情况，没有遗漏

MECE 检验问题：

把我的分类合并起来，有没有覆盖所有情况？（CE 检验）
我的分类之间，有没有重叠的部分？（ME 检验）

常见 MECE 分类方式：

分类维度	示例
二分法	内部/外部；短期/长期；可控/不可控
流程拆解	前/中/后；计划/执行/复盘
矩阵法	重要性×紧急性；成本×效果
框架套用	用户/产品/市场；人/货/场

【内化层】金字塔原理：结论先行

由麦肯锡咨询顾问芭芭拉·明托（Barbara Minto）提出。

核心结构：金字塔（由顶至底）

         [结论/主要观点]
        /       |       \
  [支撑论点1] [支撑论点2] [支撑论点3]
    /    \      |        /    \
 [事实] [例证] [数据] [案例] [逻辑]

为什么要"结论先行"？

对方不确定你要说什么时，会用自己的理解框架去猜测，容易误解
先给结论，对方带着问题听细节，理解效率提升 3-5 倍
如果对方只有 1 分钟，他能拿走最重要的东西

【内化层】三种结构化工具

工具 1：议题树（Issue Tree）

用于问题分解——把一个大问题拆成可以直接回答的子问题。

主问题：为什么用户留存率下降？
├── 产品体验问题？
│   ├── 核心功能是否满足需求？
│   └── 交互是否顺畅？
├── 用户匹配问题？
│   ├── 获客渠道是否带来错误用户？
│   └── 用户教育是否到位？
└── 竞品问题？
    ├── 竞品功能是否更强？
    └── 竞品价格是否更低？

规则：每一层拆分都要满足 MECE，向下的子问题都要能回答上级问题。

工具 2：逻辑树（Logic Tree）

用于方案推导——从原则推出选项，逐步缩小到最佳方案。

目标：降低客服成本
├── 减少问题数量（预防）
│   ├── 优化产品减少用户困惑
│   └── 完善文档/FAQ
└── 提高处理效率（提效）
    ├── 智能客服自动化
    └── 优化人工处理流程

工具 3：思维导图（Mind Map）

用于发散和整理——先发散列出所有想法，再归类整合。

适用于：头脑风暴、学习笔记整理、会议梳理。不适用于：逻辑严密的分析输出（思维导图是整理工具，不是论证工具）。

【内化层】结构化表达的三种顺序

顺序	适用场景	示例
演绎顺序	论证结论（有争议时）	大前提→小前提→结论
归纳顺序	汇报/说服（已有共识时）	结论→论点1→论点2→论点3
时间顺序	描述流程/过程	第一步→第二步→第三步

常用公式：汇报/沟通时

[结论] 所以，我的建议是 ___________
[理由1] 首先，___________（数据/事实支撑）
[理由2] 其次，___________（数据/事实支撑）
[理由3] 最后，___________（数据/事实支撑）
[重申结论] 因此，___________

【拓展层】批判性诊断

陷阱 1：追求形式完美，忽视内容质量

分类整整齐齐、框架完全 MECE，但每个框里放的论据是错的或模糊的
结构是容器，内容才是核心

陷阱 2："结论先行"变成"不给对方思考空间"

有时候，让对方自己推导出结论，说服力比直接给结论更强（苏格拉底式引导）
结论先行适合汇报，不适合谈判和需要对方参与感的讨论

陷阱 3：强行 MECE 导致分类变形

为了不重叠而把不相关的东西归到一类，反而模糊
MECE 是检验工具，不是强制要求，灵活使用

陷阱 4：用来限制思维，而非解放思维

结构化是整理已有想法的工具，不是产生新想法的工具
先发散（不受结构约束），再收敛（用结构整理）

【产出层】执行模板

快速结构化表达（30 秒准备）

在开口/动笔之前，快速问自己：

1. 我的核心结论/建议是什么？（一句话）
2. 支撑这个结论的理由有几条？（2-3 条）
3. 每条理由有没有一个具体例子或数据？
4. 把顺序排一下：最重要的理由放第一位

写报告/提案时（完整版）

【结论段】（1-2 句）：我们应该 ___________，因为 ___________。

【论点1】：___________
  - 支撑：___________（数据/案例）

【论点2】：___________
  - 支撑：___________（数据/案例）

【论点3】（可选）：___________
  - 支撑：___________（数据/案例）

【结论重申 + 下一步】：因此建议 ___________，下一步行动是 ___________。

MECE 自查（分析完毕后）

检查项	是否满足
所有分类合并后能覆盖全部情况？
各分类之间没有重叠？
每个分类有具体的支撑内容？
最重要的放在最显眼的位置？

关键提醒

结构化思考的最大价值不是"表达清楚"，而是逼迫自己在组织结构时发现思路漏洞。
高手的特征：结论清晰（一句话）、理由精简（不超过 3 条）、每条有支撑（不靠直觉）。
参考资料：《金字塔原理》（芭芭拉·明托）、《麦肯锡教我的写作武器》（高杉尚孝）。

艾宾浩斯遗忘曲线：把“记住”变成“按计划复习”

这条曲线在说什么（核心结论）

遗忘在学习后最初一段时间最快：越早做一次“回忆型复习”，收益越大。
每次成功回忆都会把记忆曲线“抬高并拉平”：复习间隔可以逐步拉长（间隔重复）。
复习的关键不是重看，而是回忆：重看提升熟悉感，回忆提升可提取性（真正能用）。

你不需要记住曲线的精确百分比。你要记住：越早复习一次越划算，之后按间隔拉长。

复习的“高收益动作”（优先级）

自测回忆（最推荐）：遮住答案，按问题说/写出来。
检索式复习：只看提纲/线索，补全细节。
纠错式重看（最后才做）：只重看你回忆失败的那一小段。

一套可执行的复习节奏（通用版）

适合大多数学习（读书、课程、技术、考试、业务知识）。

复习时间点（建议）

T+10 分钟：学习结束后立刻做一次回忆（最关键）。
T+1 天
T+3 天
T+7 天
T+14 天
T+30 天

如果内容难度高/很重要，把前半段加密：

T+10 分钟、T+12 小时、T+1 天、T+2 天、T+4 天、T+7 天……

每次复习到底做什么（5 分钟标准流程）

Step 0：准备“可回忆的材料”

你需要把学习内容转换成“问题—答案”的形式（题库/卡片/康奈尔线索区问题都行）。

Step 1：只看问题，先回忆

逐题作答（口头/手写/键入都可）。
每题限时 30–90 秒，逼出真实掌握度。

Step 2：对照答案，标记三色

绿（稳）：一口气答对，例子也说得出来。
黄（虚）：答对但卡壳/不顺/例子模糊。
红（不会）：答不出来或关键点错。

Step 3：只修“黄/红”的最小差距

对绿题不重复抄写；把时间花在薄弱处。
黄题：补 1 个“例子/反例/适用条件”。
红题：回到原文只看“错误点相关的最小段落”，然后立刻再回忆一遍。

Step 4：安排下一次间隔（简单规则）

绿：间隔 ×2（例如 3 天 → 7 天）
黄：间隔不变（例如 3 天 → 3 天）
红：间隔减半或明天（例如 3 天 → 1 天）

用最小成本落地：把日程写死（推荐做法）

做法 A：日历/待办（不用任何工具也能跑）

为每次“学习事件”生成 6 个复习任务（可复制粘贴）：

复习：<主题>（T+10m）
复习：<主题>（T+1d）
复习：<主题>（T+3d）
复习：<主题>（T+7d）
复习：<主题>（T+14d）
复习：<主题>（T+30d）

执行标准：每个任务只做 5–15 分钟；没做完就拆下一条，不在一个任务里耗死。

做法 B：卡片系统（适合长期知识库）

每条知识只保留最小答案（8 行以内）+ 1 个例子。
卡片数量上限由你每天复习时间决定：例如每天 15 分钟，上限约 30–60 张（取决于难度）。

与康奈尔笔记法的最佳组合（强烈推荐）

康奈尔线索区天然就是“问题列表”。
学习后 10 分钟：补线索区问题 + 写总结区行动。
后续复习：只看线索区自测，失败题才看笔记区纠错。

复习失败的常见原因（以及修正）

原因：只重看不回忆 → 修正：复习必须先“遮住答案”。
原因：任务太大 → 修正：每次复习限定 5–15 分钟，拆小而不是硬扛。
原因：没有题目 → 修正：把每段内容改写成 1–3 个问句（是什么/为什么/怎么做/何时用/易错点）。
原因：没有例子 → 修正：每张卡片至少 1 个例子，否则容易“会背不会用”。

费曼学习法

【内化层】这个方法解决什么问题

SCQA 结构：

S（背景）：我们读了大量书、看了大量文章，感觉"懂了"，但一旦要用或者要解释给别人听，就卡壳了。
C（困境）：大脑会产生"熟悉感幻觉"——重复看同一段内容会让人误以为自己已经掌握了，实际上只是信息在脑中过了一遍，并没有真正理解。
Q（核心问题）：如何准确判断自己是否真正理解了某个知识？
A（答案）：费曼学习法——用"能否用简单的语言把它解释清楚"作为理解的真正检验标准。

费曼的核心洞见："如果你不能简单地解释它，说明你还没真正理解它。"

【内化层】费曼学习法的 4 个步骤

Step 1：选定一个概念，写下它的名字

找一张空白纸，在顶部写下你想学的概念名称。
这是你的学习目标。目标越具体越好（不是"学 Python"，而是"理解 Python 的装饰器"）。

Step 2：假装你在给一个 12 岁的孩子解释这个概念

用日常语言（不用术语）把它写下来，就像在给完全不懂这个领域的人讲解。
要解释：它是什么？为什么重要？怎么用？举一个具体的例子。
不能用的东西：领域术语（直接引用术语 ≠ 理解）、"总之就是……"之类的跳过。

为什么是"12 岁的孩子"？ 不是真的要简化到幼儿水平，而是"孩子会继续问为什么"——迫使你把每个抽象概念都落实到具体的东西上。

Step 3：找到自己的知识盲区

在解释的过程中，你会遇到"卡壳"——说不下去、用术语敷衍、或者发现自己前后矛盾。
这些卡壳的地方就是你真正不懂的地方，不是你懒得说，而是你没有真正理解。
把这些盲区标记出来，不要跳过。

Step 4：回到源材料，填补盲区，再重新解释

针对步骤 3 发现的盲区，回到书本/文章/视频中精确学习那个部分。
重新用简单语言把整个解释再写一遍。
如果还有盲区，继续循环，直到能流畅、完整地解释为止。

【内化层】费曼法的"类比"升级版

找到一个高质量的类比 = 真正掌握了这个概念。

类比公式：

[新概念] 就像 [生活中已知的东西]，区别在于 [关键不同点]。

示例：

递归（编程）就像拿一面镜子对着另一面镜子，镜子里还有镜子，区别在于递归必须有一个终止条件，否则会无限循环下去。
确认偏误就像戴了一副有色眼镜——你以为你在看真实的世界，实际上所有东西都被染了色，而且你根本感觉不到眼镜的存在。

【内化层】费曼法与其他学习方法的组合

组合方式	效果
费曼法 + 康奈尔笔记	学习时用康奈尔记录，24h 后用费曼法自我测试，发现盲区
费曼法 + 间隔复习	每个复习节点用费曼法测试，而不只是重读
费曼法 + 第一性原理	费曼法检验"懂了没"，第一性原理检验"为什么是这样"
费曼法 + 教别人	真实讲给别人听 >> 假想解释，真人会追问，暴露更多盲区

【拓展层】批判性诊断：费曼法的局限和误区

误区 1：解释简单 = 真正理解

反驳：有时候把复杂事物"简化"到极致，反而丢失了关键细节和细微差异。比如把量子纠缠解释成"两个粒子像朋友一样保持联系"——传达了直觉，但误导了精度。
修正：对于精度要求高的知识（如医学、法律），费曼法用于理解框架，不能用于代替精确定义。

误区 2：在脑子里想象解释 = 实际能解释清楚

反驳：自我对话最容易自欺欺人，因为大脑会自动填补空白。写下来或说出来，才能真正检验。
修正：必须把解释写下来或说出声，不能只是在脑海中过一遍。

误区 3：费曼法一次就够

反驳：第一次用费曼法只是找到盲区，真正的学习是在"返回→重学→再解释"的循环中发生的。
修正：费曼法是一个迭代过程，不是一次性的。

误区 4：找到了类比就代表懂了

反驳：类比是理解的工具，但类比本身是不完整的映射，所有类比都有失效的地方。
修正：找到类比之后，继续问"这个类比在哪里不适用？"

【拓展层】苏格拉底追问：深化费曼法

解释完之后，用以下问题挑战自己：

"为什么"：你解释了 What，但能解释 Why 吗？为什么它是这样的，而不是另一种方式？
"反例"：有没有不符合这个解释的情况？
"边界"：这个概念在什么条件下成立？在什么条件下会失效？
"联系"：它和你已经知道的哪些东西有关系？区别是什么？

【产出层】执行模板

单次学习后（10 分钟）

1. 合上书/关掉视频，拿出一张纸。
2. 在顶部写下要解释的概念名称。
3. 用"假设我在解释给一个没有背景的人"，写下你的解释：
   - 它是什么？（一句话定义）
   - 为什么它存在/重要？
   - 举一个具体的例子说明
   - 一个类比
4. 圈出你写不下去或不确定的地方。
5. 回到材料，只补充那些被圈出的部分。
6. 重新写一遍步骤 3（迭代一次就会有明显提升）。

完整复习流程（配合间隔复习）

时间点	操作
学完当天	用费曼法写出解释，找到盲区，标记
24 小时后	重新解释，看盲区是否填补，有没有新盲区
1 周后	不看笔记，对空白纸重新解释，用作记忆检验
1 个月后	用这个概念解释一个真实场景，检验是否真正"会用"

教别人（最高级版本）

找一个真实的人（同事、朋友），用 5 分钟解释你学到的东西
告诉对方："你随时可以打断我问为什么"
被打断的地方 = 你还没真正掌握的地方

关键提醒

费曼本人说："学习的乐趣不在于记住事实，而在于理解事物之间的联系。"
衡量自己是否真正掌握的标准只有一个：能否用自己的话、用对方能懂的语言，准确地传达出来？
学得越深，解释反而越简单——这是理解深度的信号，不是知识减少了。

《金字塔原理》知识卡片

作者：[美] 芭芭拉·明托 | 学习日期：2026-03-22

一句话摘要

先说结论，再给理由；用 MECE 分类，让结构替你思考。

Phase 1：费曼简化

核心概念速查

概念	白话解释	类比
金字塔结构	顶层是结论，下层是支撑理由，自上而下展开	法庭律师开口第一句就是"被告无罪，原因如下"
结论先行	先说你要说什么，再解释为什么——而不是复现你的思考过程	悬疑小说反过来写：第一页告诉你谁是凶手，后面解释为什么
MECE	互相独立、完全穷尽——分类不重叠、不遗漏	把一张纸剪成不同形状，每块不能重叠，合在一起要能拼成完整的纸
SCQ 框架	情境（已知背景）→ 冲突（发生了什么变化）→ 疑问（那我们该怎么办）→ 你的结论是答案	悬疑小说的开头：稳定世界 → 意外事件 → 主角面临的问题
演绎推理	大前提 → 小前提 → 结论，有逻辑递推关系，顺序不能换	数学证明，每一步依赖上一步
归纳推理	多个平行的支撑论点 → 总结出一个结论，论点顺序可以调整	列举多个证据，最终得出"被告有罪"

理解盲区（需要实操才能真正掌握的地方）

"逻辑顺序"的选择：时间顺序 / 结构顺序 / 重要性顺序，什么情况选哪个
从混乱思考中提炼金字塔：书教结构，但没教"怎么从零构建"——这是最难的

Phase 2：精细提问（问题库）

为什么"结论先行"违反本能，但更有效？ → 写作/表达的逻辑顺序 ≠ 思考的逻辑顺序。受众需要判断，不需要重走你的推理路径。
怎么判断同级论点用演绎还是归纳？ → 打乱顺序还说得通 = 归纳；打乱就断了 = 演绎。能用归纳就用归纳，演绎链条超3步就难跟。
一份文档只能有一个顶点吗？ → 是的。多个顶点 = 多份文档，或者你还没想清楚。
SCQ 框架和 PRD 的"背景-问题-方案"有什么区别？ → Complication（冲突）比"问题"更精准：强调"原来稳定状态被打破了什么"，让读者感受到紧迫性。
金字塔结构什么时候不适用？ → 创意写作、敏感谈话（情绪需要铺垫）、探索性讨论（答案未知时）、需要受众参与感的场合。
MECE 不严格执行会怎样？ → 重叠 = 读者困惑"A 和 B 是一件事吗"；遗漏 = 读者质疑"你考虑过 X 吗"，可信度下降。
写作第一步是什么？ → 先写那个"一句话结论"——写不出来 = 你自己还没想清楚。
书中最经典的案例？ → 麦肯西要求每页 PPT 标题都是结论句，而不是"背景"、"分析"这种无意义标题。

Phase 3：批判质疑

三个核心假设

【假设 1】：读者都是理性的，只要逻辑清晰就能被说服
  成立的前提：对方处于中立立场，愿意被论证说服
  如果不成立：内部协作、向上管理中，情绪和关系权重可能远超逻辑结构

【假设 2】：结构化表达是普适的，不分文化背景
  成立的前提：受众来自低语境文化（西方商业环境）
  如果不成立：东亚高语境文化习惯先铺垫再结论，直接抛结论可能显得强硬

【假设 3】：复杂问题可以被 MECE 穷尽分解
  成立的前提：问题边界清晰，可以被切割
  如果不成立：动态模糊的真实业务问题，强行 MECE 可能产生虚假的结构清晰感

作者盲区

方法论来自麦肯西咨询场景，对"共创型"、"说服型"、"关系型"沟通覆盖不足
只教输出结构，没有充分说明"怎么从混乱思考中提炼金字塔"——这恰恰是最难的部分
忽视语言本身的表达力：结构正确 ≠ 有说服力，语言平淡则结构再好也无力

经典反例

乔布斯发布会从不"结论先行"——他用叙事制造期待感。 → 解释：明托针对的是"商业写作/分析表达"，乔布斯是"叙事说服"，场合不同，边界不矛盾。

Phase 4：抽象公式

公式 1（核心）：表达服务的是受众的认知负担，不是作者的思考历程

表达者 在需要传递复杂信息时，
应该优先降低受众的理解成本，
因为受众注意力稀缺，他们需要判断，不需要过程。

迁移：
→ 产品设计：用户第一眼就要知道"这是做什么用的"
→ 代码命名：函数名应该表达意图，而不是描述实现
→ 会议发言：第一句应该是"我建议……"而不是"背景是……"

公式 2：分类的质量决定思考的质量

分析者 在拆解问题时，
分类框架的 MECE 程度决定后续分析的可信度，
因为有重叠 = 计算了两次，有遗漏 = 结论不完整。

迁移：
→ 数据分析：分组口径重叠，聚合指标全部失真
→ 架构设计：模块边界模糊，维护成本指数上升
→ 产品规划：功能分类混乱，用户找不到东西

公式 3：先问读者的第一个问题，再决定文章结构

写作者 在确定文章结构前，
应该先问"读者看到结论，最想问'为什么'还是'怎么做'"，
因为两个问题对应完全不同的论证结构。

迁移：
→ 策略文档（为什么）：论证可行性、证明选择正确
→ 执行方案（怎么做）：步骤分解、资源规划、里程碑
→ 混在一起写 = 两个问题都没答好

Phase 5：行动规划

洞见映射表

洞见	我的真实场景	会改变什么	优先级
表达服务受众认知负担	写技术方案/PRD 开头习惯从"背景"写起	第一段改成"本方案建议……，核心原因是……"	高
MECE 分类质量决定思考质量	数据分析分组经常出现维度混用	每次拆分前问"有没有重叠？有没有用户落不进任何一类？"	高
先问读者第一个问题	写方案时混写"为什么做"和"怎么做"	先判断这篇文档是"说服型"还是"执行型"，再选结构	中

分层行动清单

Day 1（≤10 分钟） 找一封最近写的邮件或文档，把第一段改成结论句开头 → 成功标准：只看第一句，对方就知道你要说什么

Week 1

任务1：下次写文档，先写"15字以内结论"——写不出来说明自己没想清楚
任务2：做一次数据分组，完成后检查 MECE（画圈，查重叠）
任务3：会议发言用 SCQ 结构，发言结束后对方不追问"你的结论是什么"

Month 1 把当前最重要的一个项目/方案，用金字塔结构重写顶层逻辑 → 画出金字塔：1个顶点 + 3个论点 + 关键证据 → 检验：发给没有上下文的同事，1分钟内能理解你要说什么

Phase 6：复习计划

节点	日期	核心问题
T+1	2026-03-23	结论先行的本质是什么？MECE 是什么？
T+3	2026-03-25	SCQ 框架怎么用？演绎 vs 归纳如何选？
T+7	2026-03-29	这周用金字塔写过什么？遇到了什么问题？
T+14	2026-04-05	MECE 的 3 个反例？金字塔不适用的场景？
T+30	2026-04-21	3 条抽象公式还能背出来吗？能迁移到新场景吗？
T+60	2026-05-21	过去 60 天，用金字塔结构解决了哪个真实问题？

Mac 提醒事项已写入（2026-03-22 执行，全部成功）

元信息

学习日期：2026-03-22
内容类型：概念型 + 技能型混合（方法论书）
难度：中偏高（概念易懂，内化需反复操练）
学习目标：应用级（改变表达习惯，不是理解即止）
适用场景：商业写作、技术方案、汇报、数据分析框架
不适用场景：创意写作、情绪驱动的沟通、探索性讨论

快速调用入口

后续对话可直接说：

"用金字塔原理帮我检查这份文档的结构"
"用 SCQ 框架重写这段开头"
"这个分类符合 MECE 吗？"
"帮我把这个方案的顶层结论提炼出来"

背景

本文档主要是针对一些别人的问题，然后比较好的回答的记录和总结

你需要做的

我会问你我的新的问题，参考这些问答内容来提炼里面的公式然后回答我，主要是实时求是，把问题小化，可以参考：what-why-how 的思路

核心公式（5要素）

问题原因（What） - 技术层面，具体但不深入细节
时间线（When） - 强调"你发现的时候已经修复"，前置时间点
处理人（Who） - 责任明确
状态说明（Status） - 解释为什么还没上线
当前结果（Result） - 给出正面结论

底层思维逻辑

主动承认 + 快速响应 - 不回避，强调已修复，显示主动性
原因具体化但简化 - 避免被追问技术细节，把问题边界化
时间线清晰化 - 用"你发现的时候"前置时间点，避免"为什么现在才发现"的质疑
状态透明化 - 说明测试中，显示流程合理性
结果导向 - 最后强调"好了"，给提问者安全感

记录内容

问题：总裁助手问的：所以刚才是什么问题导致的，线上 web 出了一个问题导致无法实时录音，然后前端是已知问题并已经在测试环境测试中了，发现后马上就上线了我认为好的回复：用的三方编辑器存在数据兼容性问题，你发现的时候已经修复，绍彬修改并提测，当时测试还没完成，现在上线了就好了。

问题实战, 极其重要

20250113 20:26 分运维说：oss.xxxx.com，这个域名要尽快去掉，这个域名的带宽刚才被刷到500Mbs 我在 20250113 22:54 回复：好我们明天盘下 20250114 09:33 我领导：能查到是哪个或哪些文件或大文件被刷不？ 20250114 09:35 运维回复：都是视频大文件 20250114 09:38 我领导：单个大视频，次数不异常；还是多个大视频，次数也异常；能有记录就帮忙查查看吧，看看有没有恶意的成分。 20250114 09:46 运维回复：次数少，文件大，就是只有 2 个很大的文件导致的 20250114 09:48 我领导：好，那就排除恶意机刷。我们尽快搞迁移就是。

问题分析

核心问题：

运维的结论"被刷"是一个判断/假设，而非事实
"被刷"隐含了"恶意"、"异常"的含义
直接接受结论，没有验证证据是否支持这个判断

缺少的批判性思维步骤：

事实 vs 判断分离：带宽500Mbs是事实，"被刷"是判断
证据验证：需要验证"被刷"的证据（访问次数、IP分布、文件类型、时间模式等）
多因分析：高带宽可能的原因：
- 恶意刷流量（异常访问模式）
- 正常大文件下载（文件大但访问正常）
- 热点内容（正常但流量集中）
- 配置问题（CDN/缓存失效）

改进后的回复思路：

好，我们明天盘下。顺便问下，能查到具体是哪些文件吗？访问次数和IP分布情况如何？想先确认下是异常刷流量还是正常的大文件下载，这样我们迁移时也能针对性处理。

关键改进点：

✅ 先接受任务（保持响应性）
✅ 主动追问证据（验证判断）
✅ 提出多因假设（显示思考深度）
✅ 说明追问目的（为迁移做准备，不是质疑）

补充：批判性验证步骤（第0步）

在应用5要素公式之前，应该先进行批判性验证：

0. 批判性验证（Critical Verification）

分离事实与判断：区分对方说的是客观事实还是主观判断/结论
验证证据链：判断是否有足够证据支持结论
多因分析：考虑其他可能的解释
追问关键信息：在回复前，先获取验证判断所需的关键数据

应用场景：

当对方给出"问题原因"的判断时（如"被刷"、"bug"、"性能问题"）
当问题涉及责任归属时
当问题影响范围或严重程度被描述时

原则：

不直接质疑对方，而是以"了解详情"、"确认情况"的方式追问
保持响应性，先接受任务，再验证细节
将验证过程包装成"为了更好地处理问题"的需要

scientific-critical-thinking 科学批判性思维

三个文件分别干什么

SKILL.md：AI 运行时使用，定义技能做什么、何时触发、如何工作（7 个核心能力）
meta.yaml：治理和静态检查使用，不直接参与 Cursor 触发
references/：AI 按需读取的背景知识，每个文件对应一个评估维度

references 文件说明

文件	内容
`scientific_method.md`	科学方法核心原则：经验主义、可证伪性、可重复性、因果推断标准、开放科学
`common_biases.md`	科学研究中的偏倚大全（23类），含认知偏倚、实验偏倚、统计偏倚，每类附检测与缓解策略
`statistical_pitfalls.md`	统计常见误区（42个），含 P 值误解、多重比较、样本量问题、效应大小、回归陷阱
`evidence_hierarchy.md`	证据层级（7级）、GRADE 系统（4级）、批判性评价工具、实用决策框架
`logical_fallacies.md`	逻辑谬误大全（38个），含因果谬误、泛化谬误、权威谬误、结构谬误、科学特定谬误
`experimental_design.md`	实验设计全流程检查清单，从研究问题到伦理批准，覆盖设计、测量、分析、报告全阶段

来源

原版来自 K-Dense Inc.（MIT License），已完整翻译为中文并适配 tuke_v1 skill 规范。

name: scientific-critical-thinking description: > 科学批判性思维技能，系统评估研究严谨性、实验设计有效性、统计方法、偏倚与混杂因素、证据质量（GRADE、Cochrane ROB）。 Use when 用户要评估研究方法、实验设计、统计有效性、偏倚识别、证据质量评估、逻辑谬误识别、怎么回答、是否正确、科学主张批判性分析、系统综述、同行评审、研究设计指导、主张评估。不适用：非科学/非研究类的日常决策问题、纯代码开发、项目架构设计。

科学批判性思维

概述

批判性思维是一种系统性的科学严谨性评估过程。通过使用 GRADE 和 Cochrane ROB 框架，评估研究方法、实验设计、统计有效性、偏倚、混杂因素以及证据质量，从而对科学主张进行批判性分析。

何时使用此技能

在以下情况下应使用此技能：

评估研究方法和实验设计
评估统计有效性和证据质量
识别研究中的偏倚和混杂因素
审查科学主张和结论
进行系统性综述或元分析
应用 GRADE 或 Cochrane 偏倚风险评估
对研究论文提供批判性分析

核心能力

1. 方法论批判

评估研究方法的严谨性、有效性及其潜在缺陷。

适用场景：

审阅研究论文
评估实验设计
审查研究方案
规划新的研究项目

评估框架：

研究设计评估
- 设计是否适合研究问题？
- 设计是否支持所提出的因果推论？
- 对照组是否适当且充分？
- 考虑实验设计、准实验设计或观察性设计是否合理
有效性分析
- 内部有效性：我们能否信任因果推论？
  - 检查随机化质量
  - 评估混杂因素控制
  - 检查选择偏倚
  - 审查脱落/退出模式
- 外部有效性：结果是否具有可推广性？
  - 评估样本代表性
  - 考虑研究环境的生态效度
  - 评估研究条件是否匹配目标应用场景
- 构念有效性：测量工具是否捕捉到预期的构念？
  - 审查测量工具的验证
  - 检查操作定义
  - 评估测量是直接还是代理性
- 统计结论有效性：统计推论是否可靠？
  - 验证样本量和统计功效是否充足
  - 检查假设是否满足
  - 评估检验方法的适用性
控制与盲法
- 随机化是否被正确实施（序列生成、分配隐藏）？
- 盲法是否可行并被实施（受试者、提供者、评估者）？
- 控制条件是否恰当（安慰剂、活性对照、无治疗）？
- 性能或检测偏倚是否可能影响结果？
测量质量
- 工具是否经过验证且可靠？
- 是否尽可能采用客观测量，或在主观测量中明确其局限性？
- 结果评估是否标准化？
- 是否使用多种测量方法以实现结果的三角验证？

参考文献：详见 references/scientific_method.md 中的详细原则，以及 references/experimental_design.md 中的完整设计检查清单。

2. 偏倚识别

识别并评估可能扭曲研究结果的偏倚来源。

适用场景：

审阅已发表的研究
设计新研究
解读矛盾证据
评估研究质量

系统性偏倚审查：

认知偏倚（研究者层面）
- 确认偏倚：是否只突出支持性的发现？
- HARKing：假设是否在观察结果之前就已提出，还是在看到结果后才形成？
- 发表偏倚：负面结果是否缺失于文献中？
- 选择性报告：证据是否被选择性报告？
- 检查研究注册和分析计划的透明度
选择偏倚
- 抽样偏倚：样本是否代表目标人群？
- 志愿者偏倚：参与者是否系统性地自我选择？
- 脱落偏倚：各组间的脱落是否存在差异？
- 幸存者偏倚：样本中是否仅可见"幸存者"？
- 审查参与者流程图，并比较基线特征
测量偏倚
- 观察者偏倚：期望是否会影响观察？
- 回忆偏倚：回顾性报告是否系统性地不准确？
- 社会可接受性偏倚：受访者是否倾向于给出被社会接受的回答？
- 工具偏倚：测量工具是否系统性地出现偏差？
- 评估盲法、验证和测量客观性
分析偏倚
- P 值操纵：是否进行了多次分析，直到出现显著性？
- 结果切换：是否将非显著结果替换为显著结果？
- 选择性报告：是否报告了所有计划中的分析？
- 子组"钓鱼"：是否在未进行校正的情况下进行了子组分析？
- 检查研究注册情况，并与已发表结果进行对比
混杂因素
- 哪些变量可能同时影响暴露和结局？
- 混杂因素是否被测量并加以控制（统计上或通过设计）？
- 未测量的混杂因素是否可能解释研究发现？
- 是否存在合理的替代解释？

参考文献：详见 references/common_biases.md，其中包含完整的偏倚分类、检测与缓解策略。

3. 统计分析评估

批判性评估统计方法、解释和报告。

适用场景：

审阅定量研究
评估数据驱动的主张
评估临床试验结果
审阅元分析

统计审查清单：

样本量与统计功效
- 是否进行了事前功效分析？
- 样本量是否足以检测有意义的效应？
- 研究是否功效不足（常见问题）？
- 小样本的显著结果是否提示效应大小被高估？
统计检验
- 检验是否适合数据类型和分布？
- 是否检查并满足了检验假设？
- 参数检验是否合理，还是应使用非参数替代方法？
- 分析是否与研究设计匹配（如配对 vs. 独立）？
多重比较
- 是否测试了多个假设？
- 是否应用了校正（Bonferroni、FDR 等）？
- 主要结局是否与次要/探索性结局有所区分？
- 多重检验是否可能导致假阳性结果？
P 值解释
- P 值是否被正确解释（即在零假设为真时数据出现的概率）？
- 非显著性是否被错误解释为"无效应"？
- 统计显著性是否被等同于实际重要性？
- 是否报告了精确的 P 值，还是仅报告"p < .05"？
- 是否存在可疑地集中在 0.05 以下的 P 值聚集？
效应大小与置信区间
- 是否报告了效应大小与显著性？
- 是否提供了置信区间以展示精确性？
- 效应大小在实际意义中是否合理？
- 标准化效应大小是否结合领域特定背景进行解释？
缺失数据
- 缺失数据有多少？
- 是否考虑了缺失数据机制（MCAR、MAR、MNAR）？
- 缺失数据如何处理（删除、插补、最大似然法）？
- 缺失数据是否可能偏倚结果？
回归与建模
- 模型是否过拟合（预测因子过多，缺乏交叉验证）？
- 是否在数据范围之外进行预测（外推）？
- 是否解决了多重共线性问题？
- 是否检查了模型假设？
常见误区
- 将相关误认为因果
- 忽视回归到均值现象
- 忽视基线概率
- "德克萨斯枪手"谬误（在噪声中寻找模式）
- 辛普森悖论（通过子组混杂导致的反常结果）

参考文献：详见 references/statistical_pitfalls.md，其中包含详细的常见误区及正确做法。

4. 证据质量评估

系统性评估证据的强度和质量。

适用场景：

为决策权衡证据
进行文献综述
比较矛盾发现
确定结论的可信度

证据评估框架：

研究设计层级
- 系统综述/元分析（干预效应的最高层级）
- 随机对照试验
- 队列研究
- 病例对照研究
- 横断面研究
- 病例系列/报告
- 专家意见（最低层级）
重要提示：高阶设计并不总是质量更高。一个设计良好的观察性研究可能优于一个执行不佳的 RCT。
设计类型内的质量
- 偏倚风险评估（使用适当工具：Cochrane ROB、Newcastle-Ottawa 等）
- 方法学严谨性
- 透明度和报告完整性
- 利益冲突
GRADE 考虑因素（如适用）
- 从设计类型开始（RCT = 高，观察性 = 低）
- 下调情况：偏倚风险、研究间不一致性、间接性、不精确性、发表偏倚
- 上调情况：效应大小大、剂量-反应关系、混杂因素会降低（而非增加）效应
证据的收敛性
- 更强时：多个独立的重复验证、不同研究团队和环境、不同方法论得出相同结论、机制性与实证证据一致
- 更弱时：单一研究或研究团队、文献中存在矛盾发现、明显的发表偏倚、无复制尝试
情境因素
- 生物学或理论上的合理性
- 与现有知识的一致性
- 时间顺序（原因先于结果）
- 关系的特异性
- 关联强度

参考文献：详见 references/evidence_hierarchy.md，其中包含详细的层级结构、GRADE 系统和质量评估工具。

5. 逻辑谬误识别

识别并命名科学论点和主张中的逻辑错误。

适用场景：

评估科学主张
审查讨论或结论部分
评估大众科学传播
识别推理缺陷

科学中的常见谬误：

因果谬误
- 事后即因："B 在 A 之后发生，所以 A 导致 B"
- 相关即因果：混淆关联与因果
- 因果倒置：将结果误认为原因
- 单一原因谬误：将复杂结果归因于单一因素
泛化谬误
- 仓促泛化：基于小样本得出广泛结论
- 轶事谬误：用个人故事作为证据
- 选择性证据：仅选择支持性证据
- 生态谬误：将群体模式应用于个体
权威与来源谬误
- 诉诸权威："专家说了，所以是真"（无证据）
- 人身攻击：攻击人而非论点
- 起源谬误：依据来源而非实质判断
- 诉诸自然："自然 = 好/安全"
统计谬误
- 忽略基线概率：忽略先验概率
- 德克萨斯枪手谬误：在随机数据中寻找模式
- 多重比较：未对多次检验进行校正
- 检察官谬误：将 P(E|H) 误认为 P(H|E)
结构谬误
- 虚假二元对立："要么 A，要么 B"而实际上存在更多选项
- 移动目标：在标准达成后改变证据要求
- 循环论证：前提中已包含结论
- 歪曲对手：歪曲论点以进行攻击
科学特定谬误
- 伽利略诡计："他们嘲笑伽利略，所以我的边缘想法是正确的"
- 无知谬误："未被证伪，所以为真"
- 尼尔瓦纳谬误：拒绝不完美的解决方案
- 不可证伪性：提出无法被检验的主张

识别谬误时：

命名具体谬误
解释为何推理有误
指出支持有效推论所需证据
指出错误推理并不证明结论为假，只是说明该论证无法支持结论

参考文献：详见 references/logical_fallacies.md，其中包含全面的谬误目录、示例与检测策略。

6. 研究设计指导

为规划严谨研究提供建设性指导。

适用场景：

帮助设计新实验
规划研究项目
审阅研究提案
改进研究方案

设计流程：

研究问题精炼：确保问题具体、可回答且可证伪；验证其填补了文献中的空白；确认可行性；明确定义变量的操作性定义。
设计选择：匹配设计与问题；考虑可行性和伦理限制；选择组间、组内或混合设计；若测试多个因素，规划因子设计。
偏倚最小化策略：在可能情况下实施随机化；在所有可行层面规划盲法；识别并计划控制混杂因素；标准化所有程序；规划以最小化脱落。
样本规划：进行事前功效分析；在样本量中考虑脱落率；明确纳入/排除标准；考虑招募策略与可行性。
测量策略：选择经过验证、可靠的工具；尽可能采用客观测量；规划对关键构念的多种测量（三角验证）；建立评分者间信度流程。
分析规划：预先规定所有假设和分析；明确主要结局；规划统计检验并检查假设；规定如何处理缺失数据；规划报告效应大小和置信区间；考虑多重比较校正。
透明度与严谨性：提前注册研究与分析计划；使用报告指南（CONSORT、STROBE、PRISMA）；规划报告所有结果；区分确认性与探索性分析；承诺数据与代码共享。

参考文献：详见 references/experimental_design.md，其中包含从问题到传播全过程的完整设计检查清单。

7. 主张评估

系统性评估科学主张的有效性与支持程度。

适用场景：

评估论文中的结论
评估媒体报道中的研究
审查摘要或引言部分的主张
检查数据是否支持结论

主张评估流程：

明确主张内容：具体提出了什么主张？是因果主张、关联主张还是描述性主张？主张的强度如何？
评估证据：提供了哪些证据？证据是直接还是间接？证据是否足以支持主张的强度？是否排除了其他解释？
检查逻辑连接：结论是否由数据推出？是否存在逻辑跳跃？是否用相关数据支持因果主张？是否承认了局限性？
评估比例性：信心是否与证据强度成正比？是否恰当地使用了保留性措辞？是否低估了局限性？
检查过度泛化：主张是否超出了所研究样本范围？是否承认了人群限制？是否认识到情境依赖性？
警示信号：从相关性研究中使用因果语言；使用"证明"或绝对确定性表述；选择性引用文献；忽视矛盾证据；忽视局限性；超出数据范围进行外推。

应用指南

一般方法

保持建设性：识别优点与缺点；提出改进建议；区分致命缺陷与轻微局限；认识到所有研究都存在局限。
保持具体：指出具体实例；引用有问题的陈述；提供具体问题的实例；引用违反的具体原则或标准。
保持适度：根据问题重要性匹配批评严重程度；区分对有效性构成重大威胁的问题与次要问题；考虑问题是否影响主要结论。
保持一致标准：在所有研究中使用相同标准；不因不喜欢的发现而施加更严格标准；承认自身潜在偏见；基于方法学而非结果做出判断。
考虑情境：承认实际和伦理限制；考虑领域特定的效应大小和方法规范；区分探索性与确认性情境。

提供批评时

将反馈结构化为：

总结：简要概述已评估的内容
优点：做得好的方面
关注点：按严重程度组织的问题（严重 → 重要 → 小问题）
具体建议：可操作的改进建议
总体评估：关于证据质量和可得出结论的平衡判断

当不确定时

承认不确定性："这可能是 X 或 Y；需要的额外信息是 Z"
提出澄清问题："是否进行了[方法学细节]？这会影响解释。"
提供条件性评估："如果 X 被完成，则 Y 成立；如果没有，则 Z 是问题"

按需读取 reference 文件

场景	读取文件
科学方法核心原则、可证伪性、因果推断	`references/scientific_method.md`
偏倚类型分类、检测与缓解策略	`references/common_biases.md`
统计误区、P 值误解、效应大小、多重比较	`references/statistical_pitfalls.md`
证据层级、GRADE 系统、研究质量评估	`references/evidence_hierarchy.md`
逻辑谬误目录、示例与检测策略	`references/logical_fallacies.md`
实验设计完整检查清单（从问题到传播）	`references/experimental_design.md`

输入要求

用户提供需要评估的研究/主张/论文内容
或描述当前研究设计，请求批判性反馈

执行步骤

判断用户需求属于哪个核心能力（方法论批判 / 偏倚识别 / 统计评估 / 证据质量 / 逻辑谬误 / 研究设计 / 主张评估）。
根据场景加载对应 reference 文件（见上表）。
信息不足时先补问 2-3 个关键问题（如研究设计类型、样本量、结局指标）。
按"建设性 → 具体 → 适度 → 一致"原则给出评估，区分严重问题与轻微局限。
输出末尾列出风险点和需要人工确认的事项。

失败处理

信息不足：明确说明缺少哪些关键信息，补问后再评估
超出技能范围的领域：说明局限性，建议相关领域专家
证据相互矛盾时：列出各方观点的质量差异，不强行得出结论

name: scientific-critical-thinking type: reference status: active summary: 科学批判性思维技能包，系统评估研究方法、实验设计、统计有效性、偏倚与混杂因素、证据质量（GRADE/Cochrane ROB）及逻辑谬误。 use_when:

用户要评估研究方法和实验设计
用户要评估统计有效性和证据质量
用户要识别研究中的偏倚和混杂因素
用户要审查科学主张和结论
用户要进行系统综述或元分析
用户要识别逻辑谬误
用户要设计新的研究方案 not_for:
非科学/非研究类的日常决策问题
纯代码开发、项目架构设计
与研究方法无关的技术问题 owner: tuke

科学研究中的常见偏倚

影响研究者的认知偏倚

1. 确认偏倚

描述： 倾向于寻找、解释和回忆能够证实既有信念的信息。

表现形式：

设计只能支持假设的研究
将模糊结果解释为支持性的
记住命中而忘记失误
选择性引用赞同的文献

缓解方法：

预先注册假设和分析计划
主动寻找反驳性证据
使用盲法数据分析
考虑替代性假设

2. 后见之明偏倚（"我早就知道"效应）

描述： 事件发生后，人们会认为它比实际上更可预测。

表现形式：

HARKing（在知道结果后形成假设）
声称实际上没有做过的预测
低估对结果的惊讶程度

缓解方法：

在数据收集前记录预测
预先注册研究
区分探索性与确认性分析

3. 发表偏倚（文件抽屉问题）

描述： 阳性/显著结果比阴性/零结果更可能被发表。

表现形式：

文献看起来支持实际上不存在的效应
效应大小被高估
无法从已发表文献中估计真实效应

缓解方法：

发表零结果
使用预注册和注册报告
进行包含灰色文献的系统综述
在元分析中检查漏斗图不对称性

4. 锚定偏倚

描述： 过度依赖遇到的第一条信息。

表现形式：

最初假设过度影响解释
该领域的首批研究设定了预期
试点数据偏倚了主要研究的解释

缓解方法：

考虑多个初始假设
独立评估证据
使用结构化决策

5. 可得性启发

描述： 根据例子在脑海中出现的容易程度来高估事件的可能性。

表现形式：

过度强调近期或戏剧性的发现
忽视基线概率
轶事证据压过统计数据

缓解方法：

参阅系统综述，而非令人印象深刻的单篇论文
明确考虑基线概率
使用统计思维，而非直觉

6. 从众效应

描述： 因为许多人持有某种观点就采纳它。

表现形式：

不经批判评估就跟随研究潮流
在不阅读原文的情况下引用广泛被引用的论文
不加批判地接受"教科书知识"

缓解方法：

独立评估证据
阅读原始来源
质疑假设

7. 信念固执

描述： 即使在证据证伪后仍然维持信念。

表现形式：

在有矛盾证据的情况下仍为理论辩护
为不一致的结果寻找特设性解释
否定重复验证失败

缓解方法：

明确考虑什么证据会改变你的想法
基于证据更新信念
区分理论与自我

8. 结果偏倚

描述： 根据结果而非决策时的质量来评判决策。

表现形式：

高估幸运猜测，低估良好方法论
否定有零结果的好研究
奖励耸人听闻的发现而非严谨的方法

缓解方法：

独立于结果评估方法论
重视严谨性和透明度
认识到偶然性的作用

实验性和方法论偏倚

9. 选择偏倚

描述： 被选入研究的人与未被选入的人之间存在系统性差异。

类型：

抽样偏倚：非随机样本
脱落偏倚：系统性退出
志愿者偏倚：自我选择的参与者存在差异
伯克森偏倚：住院患者与普通人群不同
幸存者偏倚：样本中只能看到"幸存者"

检测：

比较参与者与目标总体的特征
分析退出模式
考虑样本中缺少谁

缓解方法：

随机抽样
追踪并分析无应答者
使用策略最小化退出
报告参与者流程图

10. 观察者偏倚（检测偏倚）

描述： 研究者的预期影响观察或测量。

表现形式：

对不同组别以不同方式测量结果
根据组别分配来解释模糊结果
无意识地暗示参与者

缓解方法：

对观察者/评估者实施盲法
客观、自动化的测量
标准化操作规程
评分者间信度检查

11. 执行偏倚

描述： 对比较组提供的护理存在系统性差异。

表现形式：

对实验组进行不同对待
对某一组提供额外关注
对规程的遵守存在差异

缓解方法：

标准化所有程序
对参与者和提供者实施盲法
使用安慰剂对照
监测规程遵守情况

12. 测量偏倚（信息偏倚）

描述： 变量测量方式中的系统性错误。

类型：

回忆偏倚：回忆准确性的系统性差异
社会期望偏倚：以社会可接受方式作答
访谈者偏倚：访谈者特征影响回应
工具偏倚：测量工具系统性出错

缓解方法：

使用经过验证的客观测量
标准化数据收集
让参与者对假设实施盲法
用客观数据核实自我报告

13. 混杂偏倚

描述： 外来变量的效应与感兴趣变量的效应混淆。

示例：

年龄混杂运动与健康之间的关系
社会经济地位混杂教育与结果的关系
治疗研究中的适应症偏倚

缓解方法：

随机化
匹配
统计调整
分层
限制（纳入/排除标准）

14. 报告偏倚

描述： 结果的选择性报告。

类型：

结局报告偏倚：选择性报告结局
时间滞后偏倚：阴性结果发表延迟
语言偏倚：阳性结果以英文发表
引用偏倚：优先引用阳性研究

缓解方法：

预注册所有结局
报告所有计划中的分析
区分主要结局和次要结局
使用研究注册机构

15. 频谱偏倚

描述： 检验性能因样本中疾病严重程度谱而变化。

表现形式：

诊断检验在极端病例中看起来更准确
治疗效果因严重程度而不同

缓解方法：

在有代表性的样本中检验
报告不同疾病谱的性能
避免使用病例对照设计进行诊断研究

16. 领先时间偏倚

描述： 由于更早检测到疾病而产生的表观生存获益，而非真正改善了结局。

示例：

筛查更早发现疾病使生存期看起来更长，即使死亡发生在同一年龄

缓解方法：

测量死亡率，而非仅测量从诊断到死亡的存活时间
使用随机筛查试验
考虑长度偏倚和过度诊断偏倚

17. 长度时间偏倚

描述： 筛查不成比例地检测到生长较慢、侵袭性较低的病例。

示例：

慢性生长的癌症比快速生长的癌症更容易被检测到，使筛查看起来有益

缓解方法：

以死亡率为终点的随机试验
考虑疾病自然史

18. 应答偏倚

描述： 参与者回应方式的系统性模式。

类型：

默许偏倚：倾向于同意
极端回应：总是选择极端选项
中性回应：避免极端回应
需求特征：根据感知到的期望作答

缓解方法：

混合正向和负向条目
使用多种回应格式
让参与者对假设实施盲法
使用行为测量

统计和分析偏倚

19. P 值操纵（数据挖掘）

描述： 操纵数据或分析，直到出现显著结果。

表现形式：

收集数据直到达到显著性
测试多个结局，只报告显著的
尝试多种分析方法
排除"异常值"以达到显著性
进行子组分析直到找到显著性

检测：

可疑的完美 P 值（刚好低于 0.05）
研究者自由度过多
未披露的分析
钓鱼式探索

缓解方法：

预注册分析计划
报告所有已进行的分析
对多重比较进行校正
区分探索性与确认性

20. HARKing（在知道结果后形成假设）

描述： 将事后假设呈现为好像是事先预测的。

为何有问题：

夸大了表面证据
将探索与确认混淆
歪曲了科学过程

缓解方法：

预注册假设
明确标记探索性分析
要求对意外发现进行重复验证

21. 基线概率忽视

描述： 在评估证据时忽略先验概率。

示例：

在患病率为 1% 的罕见疾病中，检测准确率为 95%：阳性结果仅约有 16% 的可能性表明患有该疾病

缓解方法：

始终考虑基线概率/先验概率
使用贝叶斯推理
报告阳性和阴性预测值

22. 均值回归

描述： 极端测量值往往会被较不极端的值所跟随。

表现形式：

极端群体的治疗效果可能是回归人为因素
高绩效者的"大二低谷"

缓解方法：

使用对照组
考虑自然变异
不在没有对照组的情况下基于极端基线值进行选择

23. 德克萨斯枪手谬误

描述： 看到模式后再选择数据，就像先射箭再在箭簇周围画靶子。

表现形式：

在随机数据中寻找模式
事后选择的子组分析
未经校正的地理聚集研究

缓解方法：

预先规定假设
对多重比较进行校正
在独立数据中重复验证发现

减少偏倚：最佳实践

研究设计

随机化
盲法（单盲、双盲、三盲）
对照组
充足的样本量
预注册

数据收集

标准化操作规程
经过验证的工具
尽可能使用客观测量
多名观察者/评分者
完整的数据收集

分析

意向性分析（ITT）
预先规定的分析
适当的统计检验
多重比较校正
敏感性分析

报告

完全透明
遵循 CONSORT、PRISMA 或类似指南
报告所有结局
区分探索性与确认性
共享数据和代码

元层面

对抗性合作
重复验证研究
开放科学实践
同行评审
系统综述

证据层级与质量评估

传统证据层级（医学/临床）

第 1 级：系统综述和元分析

描述： 对某一问题所有可用证据的综合分析。

优势：

综合多项研究以获得更大功效
降低单一研究异常的影响
可识别跨研究的模式
量化总体效应大小

劣势：

质量取决于纳入的研究（"垃圾进，垃圾出"）
发表偏倚可能扭曲发现
异质性可能使合并分析不适当
可能掩盖研究间的重要差异

批判性评估：

检索是否全面（多个数据库、灰色文献）？
纳入标准是否适当且预先规定？
是否评估了研究质量？
是否探索了异质性？
是否评估了发表偏倚（漏斗图、失安全数）？
是否使用了适当的统计方法？

第 2 级：随机对照试验（RCT）

描述： 随机分配至各条件的实验研究。

优势：

建立因果关系的金标准
控制已知和未知的混杂因素
最小化选择偏倚
支持因果推断

劣势：

可能不符合伦理或不可行
人工条件可能限制可推广性
通常是短期的，使用精选人群
昂贵且耗时

批判性评估：

随机化是否充分（序列生成、分配隐藏）？
是否实施了盲法（参与者、提供者、评估者）？
样本量是否充足（功效分析）？
是否使用了意向性分析（ITT）？
脱落率是否可接受且均衡？
结果是否可推广？

第 3 级：队列研究

描述： 随时间追踪群体的观察性研究。

类型：

前瞻性：从暴露开始向前追踪至结局
回顾性：回顾现有数据

优势：

可研究多个结局
建立时间顺序
可计算发生率和相对风险
对许多问题比 RCT 更可行

劣势：

易受混杂影响
可能存在选择偏倚
脱落可能偏倚结果
不能确证因果关系

批判性评估：

队列在基线时是否具有可比性？
暴露是否可靠地测量？
随访是否充分且完整？
潜在混杂因素是否被测量和控制？
结局评估是否对暴露实施了盲法？

第 4 级：病例对照研究

描述： 比较有结局的人（病例）与没有结局的人（对照），回顾暴露情况。

优势：

对罕见结局高效
相对快速且经济
可研究多种暴露
有助于产生假设

劣势：

无法计算发生率
易受回忆偏倚影响
选择对照具有挑战性
不能证明因果关系

批判性评估：

病例和对照是否有明确定义？
对照是否适当（相同来源总体）？
匹配是否适当？
如何确定暴露（记录 vs. 回忆）？
潜在混杂因素是否被控制？
回忆偏倚能否解释发现？

第 5 级：横断面研究

描述： 在单一时间点的快照观察。

优势：

快速且经济
可评估患病率
有助于产生假设
可研究多个结局和暴露

劣势：

无法建立时间顺序
无法确定因果关系
患病率-发病率偏倚
幸存者偏倚

批判性评估：

样本是否具有代表性？
测量是否经过验证？
反向因果能否解释发现？
混杂因素是否被承认？

第 6 级：病例系列和病例报告

描述： 对临床实践中观察结果的描述。

优势：

可识别新疾病或效应
产生假设
详细描述罕见现象
报告迅速

劣势：

没有对照组
无法进行统计推断
极易受偏倚影响
无法建立因果关系或频率

用途： 主要用于产生假设和临床描述。

第 7 级：专家意见

描述： 公认权威的陈述。

优势：

综合经验
在无研究可用时有用
可整合多种来源

劣势：

主观且可能有偏见
可能不反映当前证据
存在诉诸权威谬误的风险
个体专业知识水平各异

用途： 最低层次的证据；应尽可能由数据支持。

传统层级的细微差别与局限性

低层级证据何时可以较强

设计良好的观察性研究，具有：
- 大效应（难以被混杂解释）
- 剂量-反应关系
- 不同背景下的一致发现
- 生物学合理性
- 没有可信的混杂因素
来自不同研究类型的多条汇聚证据线
自然实验，近似于随机化

高层级证据何时可能较弱

质量差的 RCT，具有：
- 随机化不充分
- 脱落率高
- 可行时未实施盲法
- 利益冲突
有偏的元分析：
- 发表偏倚
- 选择性纳入
- 不适当的合并
- 检索策略差
未回答正确问题：
- 错误的人群
- 错误的比较
- 错误的结局
- 过于人工化无法推广

替代方法：GRADE 系统

GRADE（推荐分级评估、制定和评价）将证据质量评估为四个级别：

高质量

定义： 非常确信真实效应接近估计效应。

特征：

设计良好的 RCT
来自观察性研究的压倒性证据
效应大且一致
无严重局限性

中等质量

定义： 中度确信；真实效应可能接近估计值，但可能存在实质性差异。

从高质量降级的原因：

存在一定的偏倚风险
研究间不一致
间接性（不同人群/干预措施）
不精确（置信区间宽）
怀疑存在发表偏倚

低质量

定义： 置信度有限；真实效应可能存在实质性差异。

降级原因：

上述因素存在严重局限
没有特殊优势的观察性研究

极低质量

定义： 置信度非常有限；真实效应可能存在实质性差异。

特征：

非常严重的局限性
专家意见
存在多个严重缺陷

研究质量评估标准

内部有效性（偏倚控制）

问题：

随机化是否充分？
分配是否隐藏？
各组在基线时是否相似？
是否实施了盲法？
脱落是否最小化且均衡？
是否使用了意向性分析？
是否报告了所有结局？

外部有效性（可推广性）

问题：

样本是否代表目标总体？
纳入/排除标准是否过于严格？
研究环境是否现实？
结果是否适用于其他人群？
效应在子组间是否一致？

统计结论有效性

问题：

样本量是否充足（功效）？
统计检验是否适当？
是否检查了假设？
是否报告了效应大小和置信区间？
是否处理了多重比较？
分析是否预先规定？

构念有效性（测量）

问题：

测量是否经过验证且可靠？
结局是否清晰且适当地定义？
评估者是否实施了盲法？
暴露是否准确测量？
测量时机是否适当？

批判性评价工具

针对不同研究类型

RCT：

Cochrane 偏倚风险工具
Jadad 量表
PEDro 量表（物理治疗领域试验）

观察性研究：

Newcastle-Ottawa 量表
ROBINS-I（非随机研究的偏倚风险）

诊断研究：

QUADAS-2（诊断准确性研究质量评估）

系统综述：

AMSTAR-2（系统综述质量评估工具）

所有研究类型：

CASP 检查清单（批判性评价技能项目）

综合多项研究的证据

一致性

强证据：

多项研究，不同研究者
不同人群和环境
不同研究设计汇聚于同一结论
不同测量方法

弱证据：

单一研究
只有一个研究团队
矛盾的结果
明显存在发表偏倚

生物学/理论合理性

增强证据：

已知机制
与其他知识一致
剂量-反应关系
与动物/体外数据一致

削弱证据：

没有合理的机制
与已知知识相矛盾
生物学上不可信

证据质量的警示信号

研究设计警示信号

没有对照组
参与者自我选择
可行时没有随机化
可行时没有盲法
样本量非常小
统计检验不适当

报告警示信号

结局选择性报告
没有研究注册/方案
缺少方法学细节
没有利益冲突声明
选择性引用
结果与方法不匹配

解释警示信号

从相关性数据中使用因果语言
声称"证明"
忽视局限性
过度泛化
将阴性结果"美化"
事后合理化

实用决策框架

评估证据时，问：

这是什么类型的研究？（设计）
研究执行得有多好？（质量）
它实际上显示了什么？（结果）
偏倚的可能性有多大？（内部有效性）
它适用于我的问题吗？（外部有效性）
它如何与其他证据相符？（背景）
结论是否合理？（解释）
局限性是什么？（不确定性）

在不完美证据下做决策

高质量证据：

对基于发现采取行动有强烈信心
合理改变实践/政策

中等质量证据：

暂时性结论
结合其他因素考虑
根据风险大小可能需要采取行动

低质量证据：

置信度弱
产生假设
单独不足以支持重大决策
考虑等待更好证据的成本/收益

极低质量证据：

非常不确定
不应单独驱动决策
有助于识别差距和研究需求

实验设计检查清单

研究问题形成

问题是否构建良好？

具体性：变量和关系有明确定义
可回答性：可以用现有方法解决
相关性：填补了知识空白或实际需求
可行性：资源、时间和伦理考虑允许
可证伪性：如果错误可以被证明为假

你是否回顾了文献？

确定了已知内容
发现了要解决的空白或矛盾
从方法学的成功和失败中学习
确定了适当的结局指标
确定了该领域的典型效应大小

假设发展

你的假设是否可检验？

做出具体的、可量化的预测
变量有操作性定义
明确预期变量间的关系方向/性质
可以被潜在观察所证伪

假设类型

零假设（H₀）：不存在效应/关系
备择假设（H₁）：存在效应/关系
方向性 vs. 非方向性：单尾 vs. 双尾检验

研究设计选择

什么类型的研究是适当的？

实验性（干预）研究：

随机对照试验（RCT）：因果关系的金标准
准实验：非随机分配但有操纵
组内设计：同一参与者在所有条件中
组间设计：每个条件不同参与者
析因设计：多个自变量
交叉设计：参与者依次接受多种干预

观察性研究：

队列研究：随时间追踪群体
病例对照：比较有/无结局的人
横断面：在一个时间点的快照
生态：总体层面数据

考虑：

你能随机分配参与者吗？
你能操纵自变量吗？
结局是罕见的（倾向于病例对照）还是常见的？
你需要建立时间顺序吗？
伦理和实际限制下什么是可行的？

变量

自变量（操纵/预测变量）

清晰定义且操作化
选择了适当的水平/类别
操纵足以检验假设
计划了操纵检验（如适用）

因变量（结局/响应变量）

直接测量感兴趣的构念
经过验证的可靠测量
足够敏感以检测预期效应
适合计划的统计分析
主要结局明确指定

控制变量

已识别混杂变量：
- 影响自变量和因变量的变量
- 研究发现的替代解释
控制策略：
- 随机化
- 匹配
- 分层
- 统计调整
- 限制（纳入/排除标准）
- 盲法

无关变量

已识别潜在噪声来源
标准化程序以最小化
控制环境因素
标准化时间、环境、设备

抽样

总体定义

目标总体：你想要推广的对象
可及总体：你实际上能抽样的对象
样本：实际参与的人
记录了这些之间的差异

抽样方法

概率抽样（推广性首选）：
- 简单随机抽样
- 分层抽样
- 整群抽样
- 系统抽样
非概率抽样（常见但限制推广性）：
- 便利抽样
- 目的性抽样
- 滚雪球抽样
- 配额抽样

样本量

已进行事前功效分析
- 预期效应大小（来自文献或试点研究）
- 期望功效（通常 .80 或 .90）
- 显著性水平（通常 .05）
- 将使用的统计检验
考虑了预期脱落/退出
足够进行计划的子组分析
承认实际限制

纳入/排除标准

清晰定义且有理由
不过于严格（限制推广性）
基于理论或实际考虑
已处理伦理考虑
一致地记录和应用

盲法和随机化

随机化

随机化的内容：
- 参与者分配到条件
- 条件顺序（组内设计）
- 呈现的刺激/项目
随机化方法：
- 计算机生成的随机数
- 随机数表
- 硬币抛掷（对于非常小的研究）
分配隐藏：
- 序列在招募前生成
- 分配在入组后隐藏
- 顺序编号的密封信封（如需要）
分层随机化：
- 在各组间平衡重要变量
- 区组随机化以确保等组大小
检查随机化：
- 比较基线时各组
- 报告任何显著差异

盲法

单盲：参与者不知道组别分配
双盲：参与者和研究者都不知道
三盲：参与者、研究者和数据分析人员都不知道
盲法可行性：
- 真正的盲法是否可能？
- 是否需要安慰剂/假手术对照？
- 干预措施外观是否相同？
盲法检验：
- 评估盲法是否维持
- 询问参与者/研究者猜测分配

对照组和条件

什么类型的对照？

无治疗对照：疾病的自然进程
安慰剂对照：惰性治疗用于比较
活性对照：标准治疗比较
等待名单对照：延迟治疗
注意力对照：在没有活性成分的情况下匹配接触时间

多条件

多因素的析因设计
剂量-反应关系评估
成分分析的机制检验

程序

操作规程制定

详细的书面操作规程：
- 逐步程序
- 标准化说明脚本
- 处理问题的决策规则
- 数据收集表格
在主要研究前进行试点测试
工作人员培训达到标准
计划了合规性监测

标准化

所有参与者获得相同说明
相同的设备和材料
尽可能相同的环境/设置
相同的评估时机
记录了与操作规程的偏差

数据收集

收集时机：
- 基线测量
- 干预后
- 随访时间点
收集者：
- 经过培训的研究者
- 尽可能实施盲法
- 建立了评分者间信度
收集方式：
- 有效的、可靠的工具
- 标准化管理
- 尽可能使用多种方法（三角验证）

测量

有效性

表面效度：看起来测量了构念
内容效度：覆盖了构念的所有方面
效标效度：与金标准相关
- 同时效度
- 预测效度
构念效度：测量了理论构念
- 聚合效度（与相关测量相关）
- 区分效度（与无关测量不相关）

信度

重测信度：随时间一致
内部一致性：条目测量相同构念（Cronbach's α）
评分者间信度：评分者间的一致（Cohen's κ、ICC）
平行形式：替代版本一致

测量注意事项

尽可能首选客观测量
使用可用的经验证工具
关键构念的多种测量
考虑对变化的敏感性
避免地板/天花板效应
响应格式适当
回忆周期适当
考虑文化适切性

偏倚最小化

选择偏倚

尽可能随机抽样
明确定义的资格标准
记录拒绝参与者及原因
最小化自我选择

执行偏倚

标准化操作规程
对提供者实施盲法
监测操作规程遵守情况
记录偏差

检测偏倚

对结局评估者实施盲法
尽可能使用客观测量
标准化评估程序
多名评分者进行信度检验

脱落偏倚

最小化退出的策略
追踪退出原因
比较退出者与完成者
计划了意向性分析

报告偏倚

预注册研究和分析计划
指定主要 vs. 次要结局
承诺报告所有结局
区分计划性与探索性分析

数据管理

数据收集

已设计和测试数据收集表格
REDCap、Qualtrics 或类似平台
范围检查和验证规则
定期备份
安全存储（如需要，符合 HIPAA/GDPR）

数据质量

实时数据验证
定期质量检查
监测缺失数据模式
识别并调查异常值
记录操作规程偏差

数据安全

去识别程序
访问控制
审计追踪
遵守法规（IRB、HIPAA、GDPR）

统计分析规划

分析计划（在数据收集前预先规定）

主要分析：
- 指定统计检验
- 清晰陈述假设
- 设置显著性水平（通常 α = .05）
- 单尾还是双尾
次要分析：
- 明确标记为次要
- 探索性分析标记为探索性
多重比较：
- 如需要，指定调整方法
- 主要结局防止膨胀

假设检验

识别统计检验的假设
检查假设的计划
备用非参数替代
考虑转换选项

缺失数据

预计缺失数量
缺失数据机制（MCAR、MAR、MNAR）
处理策略：
- 完整案例分析
- 多重插补
- 最大似然法
计划了敏感性分析

效应大小

确定了适当的效应大小测量
将与 P 值一起报告
计划了置信区间

伦理考虑

伦理批准

获得了 IRB/伦理委员会批准
如适用，研究已注册（ClinicalTrials.gov 等）
操作规程遵循《赫尔辛基宣言》或等效文件

知情同意

自愿参与
可理解的解释
披露了风险和益处
无惩罚的退出权
解释了隐私保护
披露了补偿

风险-收益分析

潜在益处大于风险
风险最小化
保护弱势群体
数据安全监测（如高风险）

有效性威胁

内部有效性（因果关系）

历史：测量间的外部事件
成熟：随时间参与者的变化
检验：重复测量的效应
工具化：随时间测量的变化
均值回归：极端分数变得不那么极端
选择：各组在基线时存在差异
脱落：差异性退出
扩散：对照组接受治疗元素

外部有效性（推广性）

样本代表总体
环境现实/自然
治疗是真实世界实施的典型
结局测量具有生态效度
时间框架适当

构念有效性（测量）

测量实际上涉及预期构念
操作与理论定义匹配
构念无混杂
构念的充分覆盖

统计结论有效性

统计功效充足
满足假设
使用了适当检验
Alpha 水平适当
处理了多重比较

报告和透明度

预注册

研究已预注册（OSF、ClinicalTrials.gov、AsPredicted）
先验陈述假设
记录了分析计划
区分了确认性与探索性

报告指南

RCT： CONSORT 检查清单
观察性研究： STROBE 检查清单
系统综述： PRISMA 检查清单
诊断研究： STARD 检查清单
定性研究： COREQ 检查清单
病例报告： CARE 指南

透明度

报告了所有测量
披露了所有操纵
解释了样本量确定
报告了排除标准和数量
记录了脱落情况
注意了与操作规程的偏差
披露了利益冲突

开放科学

计划了数据共享（在符合伦理时）
共享分析代码
材料可获取
发布预印本
尽可能开放获取发表

开始前的最终检查清单

研究问题清晰且重要
假设可检验且具体
研究设计适当
样本量充足（功效分析）
测量有效且可靠
混杂因素受到控制
实施了随机化和盲法
数据收集标准化
分析计划已预先规定
获得了伦理批准
研究已预注册
资源充足
团队已接受培训
操作规程已记录
存在应对问题的备用计划

记住

好的实验设计关乎：

提出清晰的问题
最小化偏倚
最大化有效性
适当的推断
透明度
可重复性

思考这些问题的最佳时机是在数据收集之前，而非之后。

科学话语中的逻辑谬误

因果谬误

1. 事后即因（Post Hoc Ergo Propter Hoc）

描述： 因为 B 在 A 之后发生，就假设 A 导致了 B。

示例：

"我服了这种补品，感冒好了，所以补品治好了感冒。"
"疫苗接种计划改变后，自闭症诊断增加了，所以疫苗导致自闭症。"
"我穿了幸运袜，赢了比赛，所以袜子导致了胜利。"

为何谬误： 时间顺序是因果关系的必要条件，但并非充分条件。相关 ≠ 因果。

相关谬误： 与此即因此（与此同时发生，因此由此导致）——即使没有时间顺序，也将相关性误认为因果关系。

2. 相关即因果

描述： 假设相关性意味着直接因果关系。

示例：

"吃更多巧克力的国家诺贝尔奖获得者更多，所以巧克力让人更聪明。"
"冰淇淋销售量与溺水死亡率相关，所以冰淇淋导致溺水。"

现实： 通常是由混杂变量造成的（炎热天气同时导致冰淇淋销售和游泳）。

3. 反向因果

描述： 混淆因果关系的方向。

示例：

"抑郁症与炎症相关，所以炎症导致抑郁症。"（可能是：抑郁症导致炎症）
"富人更健康，所以财富带来健康。"（可能是：健康使财富积累成为可能）

解决方法： 纵向研究和实验设计来确立时间顺序。

4. 单一原因谬误

描述： 将复杂现象归因于一个原因，而实际上有多个因素在起作用。

示例：

"犯罪是由贫困造成的。"（忽略了许多其他促成因素）
"心脏病是由脂肪摄入引起的。"（过度简化了多因素疾病）

现实： 大多数结局都有多个促成原因。

泛化谬误

5. 仓促泛化

描述： 从不充分的证据中得出宽泛结论。

示例：

"我叔叔抽烟活到了 90 岁，所以抽烟不危险。"
"这种药在 5 名患者身上有效，所以它对所有人都有效。"
"我看到三只黑天鹅，所以所有天鹅都是黑色的。"

为何谬误： 小的、不具代表性的样本不支持普遍性主张。

6. 轶事谬误

描述： 使用个人经历或孤立事例作为证明。

示例：

"我认识一个用替代医学治好癌症的人，所以它有效。"
"我祖母从不锻炼，活到了 100 岁，所以锻炼是不必要的。"

为何谬误： 由于选择偏倚、记忆偏倚和混杂因素，轶事不可靠。轶事的复数 ≠ 数据。

7. 选择性引用（压制证据）

描述： 只选择支持自己立场的证据，同时忽略矛盾证据。

示例：

只引用显示补品益处的研究，同时忽略零结果发现
强调成功的预测，忽略失败的预测
显示从方便时间点开始的图表

检测方法： 寻找系统综述，而非单个研究。

8. 生态谬误

描述： 从群体统计数据推断个体特征。

示例：

"这个街区的平均收入很高，所以这个人一定很富裕。"
"这个国家的疾病率很低，所以来自那里的任何人都不太可能患有该病。"

为何谬误： 群体层面的模式不一定适用于个体。

权威与传统谬误

9. 诉诸权威（Argumentum ad Verecundiam）

描述： 因为权威人士说了某事就接受主张，而没有证据。

示例：

"X 博士说这种治疗有效，所以一定有效。"（如果 X 博士没有提供数据）
"爱因斯坦相信上帝，所以上帝存在。"（爱因斯坦的物理学专业知识不能转移到神学）

权威的有效使用： 专家在其领域提供基于证据的共识。

无效： 没有证据的权威意见，或超出其专业领域的意见。

10. 诉诸古老/传统

描述： 因为某事古老或传统就假设它是真实的或好的。

示例：

"传统医学已经使用了几千年，所以一定有效。"
"这个理论已经被接受了几十年，所以一定是正确的。"

为何谬误： 年龄不决定有效性。许多古老的信念已经被推翻。

11. 诉诸新颖

描述： 因为某事是新的就假设它更好。

示例：

"这是最新的治疗方法，所以一定更优越。"
"新研究推翻了我们所知道的一切。"（通常被夸大）

为何谬误： 新 ≠ 更好。已建立的治疗方法通常优于新颖的治疗方法。

结构谬误

18. 虚假二元对立（假两难推理）

描述： 当存在更多选项时，只提出两个选项。

示例：

"要么你支持我们，要么你反对我们。"
"要么是遗传的，要么是环境的。"（通常两者都是）
"要么治疗有效，要么无效。"（忽略了部分效应）

现实： 大多数问题都有多个选项和灰色地带。

19. 循环论证（以问题为答案）

描述： 假设你试图证明的东西。

示例：

"这种药有效，因为它有治愈特性。"（治愈特性是什么？就是它有效！）
"上帝存在，因为《圣经》这样说，而《圣经》是真实的，因为它是上帝的话语。"

检测方法： 检查结论是否隐藏在前提中。

20. 移动目标

描述： 在最初标准满足后改变证据标准。

示例：

怀疑者："给我看一项研究。"
[展示研究]
怀疑者："那只是一项研究；给我看元分析。"
[展示元分析]
怀疑者："但元分析有局限性……"

为何有问题： 无论多少证据都永远不够充分。

21. 滑坡谬误

描述： 在没有理由的情况下论证一步将不可避免地导致极端结果。

示例：

"如果我们允许基因编辑治疗疾病，我们最终会有设计婴儿和优生学。"

何时有效： 当中间步骤实际上可能发生时。

何时谬误： 当事件链没有证据支持时是推测性的。

22. 稻草人

描述： 歪曲论点以便更容易攻击。

示例：

立场："我们应该在学校教授进化论。"
稻草人："所以你认为我们应该告诉孩子他们只是猴子？"

检测方法： 问：这真的是他们声称的吗？

统计和科学推理谬误

23. 德克萨斯枪手谬误

描述： 选择数据聚集来符合模式，就像先射箭再在箭簇周围画靶子。

示例：

发现癌症聚集并声称有环境原因（未考虑随机聚集）
数据挖掘直到找到显著相关性

为何谬误： 随机数据中的模式是不可避免的；找到它们并不能证明因果关系。

24. 基础概率谬误

描述： 评估证据时忽略先验概率。

示例：

疾病影响 0.1% 的人口；检测准确率为 99%
阳性检测 ≠ 99% 的患病概率
实际上约 9% 的概率（因为假阳性超过真阳性）

解决方法： 使用贝叶斯推理；考虑基线概率。

25. 检察官谬误

描述： 将 P(证据|无罪) 与 P(无罪|证据) 混淆。

示例：

"这个 DNA 匹配偶然发生的概率是百万分之一，所以被告无罪的概率只有百万分之一。"

为何谬误： 忽略了基线概率和先验概率。

26. 麦克纳马拉谬误（定量谬误）

描述： 只关注容易测量的东西，同时忽略重要的未测量因素。

示例：

仅凭考试成绩判断学校质量（忽略创造力、社交技能、道德）
仅用可量化结果衡量医疗（忽略生活质量）

引用： "不是所有重要的事情都可以被计算，也不是所有可以计算的事情都重要。"

27. 多重比较谬误

描述： 检验多个假设时不考虑假阳性率的增加。

示例：

在 p < .05 的水平上检验 20 个假设，至少有一个假阳性的概率约为 65%
测试 20 种豆子颜色后声称 X 颜色豆子导致痤疮

解决方法： 对多重比较进行校正（Bonferroni、FDR）。

28. 具体化谬误（物化）

描述： 将抽象概念视为具体事物。

示例：

"进化希望生物生存。"（进化不会"希望"）
"智力基因"（智力不是一个基因）
"自然选择……"（自然不会有意识地选择）

为何有问题： 可能导致对机制的混乱思考。

范围和定义谬误

29. "真正的苏格兰人"谬误

描述： 通过重新定义标准来追溯性地排除反例。

示例：

"天然疗法没有副作用。"
"但毒藤是天然的，会引起反应。"
"好吧，真正的天然疗法没有副作用。"

为何谬误： 移动目标以保护主张不被证伪。

30. 等义谬误

描述： 不一致地使用具有多种含义的词。

示例：

"进化只是一个理论。理论是猜测。所以进化只是猜测。"
（混淆了口语"理论"与科学"理论"）

检测方法： 检查关键术语是否被一致使用。

31. 模糊性

描述： 使用可以被多种方式解释的模糊语言。

示例：

"量子治疗"（这里"量子"是什么意思？）
"天然"（动物的？非合成的？有机的？常见的？）

为何有问题： 当术语未定义时，主张变得不可证伪。

科学特定谬误

32. 伽利略赌注

描述： "他们嘲笑了伽利略，他是对的，所以如果他们嘲笑我，我一定也是对的。"

为何谬误：

他们嘲笑了伽利略，他是对的
他们也嘲笑了无数错误的怪人
成为局外人并不意味着你是对的

现实： 革命性的想法通常有充分的证据支持。

33. 无知论证（Ad Ignorantiam）

描述： 因为某事没有被证明为假就假设它是真的（或反之）。

示例：

"没有人证明顺势疗法不起作用，所以它起作用。"
"我们没有发现伤害的证据，所以它一定是安全的。"

为何谬误： 没有证据 ≠ 没有效应的证据（尽管这取决于我们查找的努力程度）。

举证责任： 由声称者承担，而非怀疑者。

34. 尼尔瓦纳谬误（完美解决方案谬误）

描述： 因为解决方案不完美就拒绝它。

示例：

"疫苗不是 100% 有效的，所以它们毫无价值。"
"这种饮食对所有人都不起作用，所以它不起作用。"

现实： 大多数干预措施都是部分性的；完美很少见。

更好的方法： 与替代方案比较，而非与完美比较。

35. 特殊辩护

描述： 对他人适用标准，但不对自己适用。

示例：

"我的轶事算作证据，但你的不算。"
"主流医学需要 RCT，但我的替代疗法不需要。"
"相关不意味着因果——除非它支持我的观点。"

为何谬误： 证据标准应该一致地适用。

36. 不可证伪性

描述： 以无法被检验或证伪的方式提出主张。

示例：

"这种能量无法被任何仪器检测到。"
"它有效，但只有当你真正相信时。"
"失败证明阴谋更深。"

为何有问题： 不可证伪的主张不是科学性的；它们无法被检验。

好的科学： 做出具体的、可检验的预测。

37. 肯定后件

描述： 如果 A，则 B。B 是真的。因此，A 是真的。

示例：

"如果药物有效，症状改善。症状改善了。因此，药物起作用了。"
（可能是安慰剂效应、自然病程、均值回归）

为何谬误： 其他原因可能产生相同的结果。

38. 否定前件

描述： 如果 A，则 B。A 是假的。因此，B 是假的。

示例：

"如果你发烧，你就有感染。你没有发烧。因此，你没有感染。"

为何谬误： 即使 A 是假的，B 也可以是真的。

避免逻辑谬误

实用步骤

识别主张 —— 到底在论证什么？
识别证据 —— 什么支持这个主张？
检查逻辑 —— 证据真的支持主张吗？
寻找隐藏假设 —— 论点依赖于哪些未说明的信念？
考虑替代方案 —— 哪些其他解释符合证据？
检查情感操纵 —— 论点是否依赖感受而非事实？
评估来源 —— 是否存在利益冲突？这是否在其专业领域内？
寻找平衡 —— 是否公平地处理了反驳论点？
评估证据 —— 是轶事性的、观察性的还是实验性的？有多强？
保持慈善 —— 以最强形式解释论点（钢铁人，而非稻草人）。

记住

谬误推理并不意味着结论是错误的 —— 只是说明这个论点不支持它。
识别谬误不是为了赢得争论 —— 而是为了更好地理解现实。
我们都会犯谬误 —— 在自己身上识别它们与在他人身上识别同样重要。
慈善原则 —— 宽容地解释论点；不要假设恶意。
关注主张，而非人 —— 人身攻击是双向的。

科学方法核心原则

基本原则

1. 经验主义

知识来源于可观察、可测量的证据
主张必须可通过观察或实验进行检验
仅凭主观体验不足以得出科学结论

2. 可证伪性（波普尔标准）

假设必须能够被证明为假
不可证伪的主张不是科学（例如"看不见、无法检测的力"）
好的假设能做出具体的、可检验的预测

3. 可重复性

结果必须能被独立研究者重复验证
方法必须描述得足够详细，使他人能够复现
单一研究很少是决定性的；重复验证能增强可信度

4. 简约性（奥卡姆剃刀）

当多种解释都符合数据时，优先选择更简单的解释
不必要地增加实体（假设）
非凡的主张需要非凡的证据

5. 系统性观察

使用标准化、严格的方法
控制混杂变量
通过盲法和规程最小化观察者偏倚

科学过程

1. 问题形成

确定一个具体的、可回答的问题
确保问题在科学探究的范围之内
考虑现有方法是否能够解决该问题

2. 文献综述

调查现有知识
识别知识空白和矛盾之处
在前人工作基础上建构，而非重新发明

3. 假设发展

陈述清晰的、可检验的预测
对变量进行操作性定义
明确变量之间预期的关系

4. 实验设计

选择适当的方法论
识别自变量和因变量
控制混杂变量
选择适当的样本量和总体
提前规划统计分析

5. 数据收集

一致地遵循操作规程
记录所有观察，包括意外结果
维护详细的实验记录或数据日志
使用经过验证的测量工具

6. 分析

应用适当的统计方法
检验统计检验的假设
考虑效应大小，而不仅仅是显著性
寻找替代性解释

7. 解释

区分相关与因果
承认局限性
考虑替代性解释
避免在数据之外过度泛化

8. 传播

透明地报告方法
包含阴性结果
承认利益冲突
尽可能公开数据和代码

批判性评估标准

审阅科学研究时，需要问：

有效性问题：

研究是否测量了其声称要测量的内容？
方法是否适合研究问题？
控制措施是否充分？
混杂变量能否解释结果？

可靠性问题：

测量是否一致？
如果重复研究，是否会产生相似结果？
是否报告了评分者间信度和测量精度？

可推广性问题：

样本是否代表目标总体？
条件是否现实或人为？
结果是否适用于特定背景之外？

统计问题：

样本量是否足以进行分析？
统计检验是否适当？
是否在 P 值旁边报告了效应大小？
是否对多重比较进行了校正？

逻辑问题：

结论是否由数据推出？
是否考虑了替代性解释？
因果主张是否得到研究设计的支持？
是否承认了局限性？

科学主张中的警示信号

选择性引用数据 —— 只强调支持性证据
移动目标 —— 在看到结果后改变预测
特设性假设 —— 添加解释来挽救失败的预测
诉诸权威 —— "专家 X 说"但没有证据
轶事证据 —— 依赖个人故事而非系统性数据
相关即因果 —— 混淆关联与因果关系
事后合理化 —— 在没有预测的情况下事后解释结果
忽视基线概率 —— 不考虑先验概率
确认偏倚 —— 只寻找支持信念的证据
发表偏倚 —— 只有阳性结果才能发表

因果推断标准

布拉德福德·希尔标准（改编）

强度 —— 强关联更可能是因果关系
一致性 —— 不同研究者的重复观察
特异性 —— 特定原因产生特定结果
时间顺序 —— 原因先于结果（必要条件）
生物梯度 —— 剂量-反应关系
合理性 —— 与现有知识一致
一贯性 —— 与其他证据一致
实验 —— 实验证据支持因果关系
类比 —— 存在类似的因果关系

建立因果关系需要：

时间优先性（原因先于结果）
共变性（原因与结果相关）
排除替代性解释
理想情况下：实验操纵显示原因产生结果

同行评审与科学共识

理解同行评审

能过滤明显错误，但并非完美
审稿人可能遗漏问题或存在偏见
已发表 ≠ 已证明；意味着"通过了初步审查"
存在对有缺陷论文的撤稿机制

科学共识

来自多条独立证据线的汇聚
共识可随新证据而改变
单一研究很少能推翻共识
考虑证据的整体权重，而非单篇论文

开放科学原则

透明度实践

预先注册假设和方法
开放数据共享
开源代码
预印本用于快速传播
注册报告（在数据收集前进行同行评审）

透明度的重要性

减少发表偏倚
使验证成为可能
防止 P 值操纵和 HARKing（在知道结果后形成假设）
加速科学进步

常见统计误区

P 值误解

误区 1：P 值 = 假设为真的概率

误解： p = .05 意味着零假设为真的概率只有 5%。

现实： P 值是在零假设为真的前提下，观察到这么极端（或更极端）数据的概率。它与假设为真的概率无关。

正确解释： "如果真的没有效应，我们只有 5% 的概率观察到这么极端的数据。"

误区 2：不显著 = 没有效应

误解： p > .05 证明没有效应。

现实： 没有证据 ≠ 没有效应的证据。不显著的结果可能表明：

统计功效不足
真实效应太小无法检测
变异性高
样本量小

更好的方法：

报告置信区间
进行功效分析
考虑等效性检验

误区 3：显著 = 重要

误解： 统计显著性意味着实际重要性。

现实： 大样本时，微小效应也会变得"显著"。统计显著的 0.1 分智商差异在实践中毫无意义。

更好的方法：

报告效应大小
考虑实际显著性
使用置信区间

误区 4：P = .049 与 P = .051 有本质差别

误解： 这两个值有实质性差异，因为一个跨越了 .05 的门槛。

现实： 这两个值代表几乎相同的证据。0.05 的门槛是任意的。

更好的方法：

将 P 值视为连续的证据度量
报告精确的 P 值
结合背景和先验证据综合考虑

误区 5：无理由地使用单尾检验

误解： 单尾检验是免费获得额外功效的方法。

现实： 单尾检验假设效应只能朝一个方向，这很少成立。它们经常被用于人为提升显著性。

适用时机： 只有当某个方向的效应在理论上不可能或等同于零假设时。

多重比较问题

误区 6：多重检验不进行校正

问题： 在 p < .05 的水平上检验 20 个假设，至少出现一个假阳性的概率约为 65%。

示例：

检验许多结局
检验许多子组
进行多次中期分析
在多个时间点检验

解决方法：

Bonferroni 校正（将 α 除以检验次数）
错误发现率（FDR）控制
预先指定主要结局
将探索性分析视为假设生成

误区 7：子组分析钓鱼

问题： 测试许多子组直到找到显著性。

为何有问题：

虚假阳性率膨胀
通常不加披露地报告
"在女性中交互作用显著"可能是随机的

解决方法：

预先规定子组
使用交互检验，而非分别检验
要求重复验证
对多重比较进行校正

误区 8：结局切换

问题： 分析许多结局，只报告显著的。

检测信号：

次要结局被重点强调
不完整的结局报告
注册与发表之间的差异

解决方法：

预注册所有结局
报告所有计划的结局
区分主要结局与次要结局

样本量和功效问题

误区 9：功效不足的研究

问题： 小样本检测真实效应的概率很低。

后果：

假阴性率高
显著结果更可能是假阳性
效应大小被高估（在显著时）

解决方法：

进行事前功效分析
目标功效达到 80-90%
根据先前研究考虑效应大小

误区 10：事后功效分析

问题： 在看到结果后计算功效是循环的，提供不了有价值的信息。

为何无用：

不显著的结果事后功效总是很低
它只是以不同形式重复了 P 值，没有新信息

更好的方法：

计算置信区间
计划以充足样本量进行重复验证
为未来研究进行前瞻性功效分析

误区 11：小样本谬误

问题： 相信来自非常小样本的结果。

问题所在：

抽样变异性高
异常值影响大
检验假设被违反
置信区间非常宽

指导原则：

对 n < 30 的结果保持怀疑
仔细检查假设
考虑非参数检验
重复验证发现

效应大小误解

误区 12：忽略效应大小

问题： 只关注显著性，不关注量级。

为何有问题：

显著性 ≠ 重要性
无法跨研究比较
无法指导实践决策

解决方法：

始终报告效应大小
使用标准化测量（Cohen's d、r、η²）
使用领域惯例进行解释
考虑最小临床重要差异

误区 13：误解标准化效应大小

问题： 不加背景地将 Cohen's d = 0.5 视为"中等"。

现实：

不同领域的规范不同
有些领域典型效应更大
实际重要性取决于背景

更好的方法：

与同领域的效应进行比较
考虑实际意义
同时查看原始效应大小

误区 14：将解释方差与重要性混淆

问题： "只解释了 5% 的方差"= 不重要。

现实：

身高解释 NBA 球员薪资约 5% 的变异，但至关重要
复杂现象有许多小的贡献因素
预测准确性 ≠ 因果重要性

考虑点： 背景比百分比本身更重要。

回归和建模误区

误区 18：过拟合

问题： 模型对样本数据拟合良好，但不能推广。

原因：

相对于样本量，预测因子过多
拟合噪声而非信号
没有交叉验证

解决方法：

使用交叉验证
惩罚回归（LASSO、岭回归）
独立测试集
更简单的模型

误区 19：超出数据范围的外推

问题： 在观测数据范围之外进行预测。

为何危险：

关系可能在观测范围之外不成立
预测中的不确定性增加未被反映

解决方法： 只进行内插；避免外推。

误区 20：忽略模型假设

问题： 不检查假设就使用统计检验。

常见违反：

非正态性（对于参数检验）
异方差性（方差不等）
非独立性
线性性
无多重共线性

解决方法：

用诊断方法检查假设
使用稳健方法
数据转换
使用适当的非参数替代方法

误区 21：将不显著的协变量视为消除了混杂

问题： "我们控制了 X，但它不显著，所以它不是混杂因素。"

现实： 不显著的协变量仍然可以是重要的混杂因素。显著性 ≠ 混杂。

解决方法： 无论显著性如何，都纳入理论上重要的协变量。

误区 22：共线性掩盖效应

问题： 当预测因子高度相关时，真实效应可能看起来不显著。

表现形式：

标准误差大
系数不稳定
添加/删除变量时符号改变

检测：

方差膨胀因子（VIF）
相关矩阵

解决方法：

删除冗余预测因子
合并相关变量
使用正则化方法

特定检验误用

误区 23：多组比较时使用 t 检验

问题： 进行多个 t 检验而非使用方差分析（ANOVA）。

为何错误： 显著增加了 I 类错误率。

正确方法：

先使用 ANOVA
再进行计划比较或带校正的事后检验

误区 24：对非线性关系使用 Pearson 相关

问题： 对曲线关系使用 Pearson's r。

为何误导性： r 只测量线性关系。

解决方法：

先检查散点图
对单调关系使用 Spearman's ρ
考虑多项式或非线性模型

误区 25：期望频率较小时使用卡方检验

问题： 预期单元格计数 < 5 时使用卡方检验。

为何错误： 违反检验假设，P 值不准确。

解决方法：

Fisher 精确检验
合并类别
增加样本量

误区 26：配对数据与独立数据检验混用

问题： 对配对数据使用独立样本检验（或反之）。

为何错误：

浪费功效（将配对数据分析为独立数据时）
违反独立性假设（将独立数据分析为配对数据时）

解决方法： 使检验与设计匹配。

置信区间误解

误区 27：95% CI = 真值在区间内的概率为 95%

误解： "真值有 95% 的概率在这个区间内。"

现实： 真值要么在这个特定区间内，要么不在。如果我们重复这项研究多次，95% 的结果区间会包含真值。

更好的解释： "我们有 95% 的把握这个区间包含真值。"

误区 28：重叠置信区间 = 无差异

问题： 假设重叠的置信区间意味着没有显著差异。

现实： 重叠置信区间比差异检验宽松。两个置信区间可以重叠，而两组之间的差异是显著的。

指导原则： 一个点估计与另一个区间的重叠比两个区间的重叠更相关。

误区 29：忽略置信区间宽度

问题： 只关注置信区间是否包含零，而不关注精度。

为何重要： 宽置信区间表明不确定性高。具有巨大置信区间的"显著"效应说服力较低。

考虑点： 同时关注显著性和精度。

缺失数据问题

误区 34：默认使用列表删除法

问题： 自动删除所有有任何缺失数据的案例。

后果：

功效降低
如果数据不是完全随机缺失（MCAR），可能产生偏倚

更好的方法：

多重插补
最大似然方法
分析缺失模式

误区 35：忽略缺失数据机制

问题： 不考虑数据缺失的原因。

类型：

MCAR（完全随机缺失）：可以安全删除
MAR（随机缺失）：可以插补
MNAR（非随机缺失）：可能会偏倚结果

解决方法： 分析模式，使用适当方法，考虑敏感性分析。

一般最佳实践

预注册研究 —— 区分确认性与探索性
透明报告 —— 所有分析，而非只有显著的
检查假设 —— 不要盲目应用检验
使用适当检验 —— 使检验与数据和设计匹配
报告效应大小 —— 而不仅仅是 P 值
考虑实际显著性 —— 而不仅仅是统计显著性
重复验证发现 —— 单一研究很少是决定性的
共享数据和代码 —— 使验证成为可能
使用置信区间 —— 展示不确定性
谨慎考虑因果关系 —— 大多数研究是相关性的

Use it first, then decide how deep to go

tuke-reading 读书深度学习 Skill

这是什么

目录结构

笔记存放约定

使用脚本

来源

读书深度学习 Skill

这个能力做什么

何时使用

不适用场景

输入要求

执行步骤

Phase 0：内容标定（先做，影响后续所有阶段的深度和侧重）

Phase 1：费曼简化（理解基线检验）

Phase 2：精细提问（深化理解）

Phase 3：批判性质疑（挑战边界）

Phase 4：抽象提炼（心智模型化）

Phase 5：行动规划（洞见 → 决策 → 任务）

Phase 6：复习计划 + Mac 提醒

Phase 7：生成本书专属 skill

输出要求

验收标准

失败处理

艾宾浩斯复习提醒批量创建脚本

为读完的一本书/文章自动在 Mac Reminders.app 创建 6 个复习节点

Usage:

bash add_review_reminders.sh "书名" ["YYYY-MM-DD"] ["核心问题备注"]

参数说明：

$1 书名（必填）

$2 学习日期，格式 YYYY-MM-DD（可选，默认今天）

$3 复习时备注/核心问题（可选，写入提醒事项的备注字段）

复习节点：T+1d / T+3d / T+7d / T+14d / T+30d / T+60d

提醒列表：读书复习（不存在时自动创建）

提醒时间：各节点当天 08:30

── 参数解析 ──────────────────────────────────────────────────────────────────

复习间隔（天数）

── 工具函数 ──────────────────────────────────────────────────────────────────

计算目标日期（macOS date -v 语法）

创建列表（若不存在）

创建单条提醒

去除月/日前导零

── 主流程 ────────────────────────────────────────────────────────────────────

确保列表存在

解析年月日

《{{书名}}》知识卡片

Phase 0：内容标定

Phase 1：费曼简化

核心概念 1：{{概念名}}

核心概念 2：{{概念名}}

理解盲区（还没讲清楚的地方）

Phase 2：精细提问（问题库）

Phase 3：批判性质疑

核心假设检验

反例

作者盲区

时效性

Phase 4：抽象公式（可迁移原则）

Phase 5：刻意练习方案

Phase 6：复习计划

一句话回忆锚（复习时先看这里）

《增长黑客》知识卡片

一句话摘要

Phase 1：费曼简化

Phase 2：精细提问（问题库）

Phase 3：批判质疑

Phase 4：抽象公式

Phase 5：刻意练习方案

Phase 6：复习锚点（艾宾浩斯）

元信息

《字节跳动：从0到1的秘密》知识卡片

Phase 0：内容标定

Phase 1：费曼简化

核心概念 1：信息找人 vs 人找信息

核心概念 2：注意力工厂（Attention Factory）

核心概念 3：快速实验 + 多产品试错

理解盲区（需补充查证）

Phase 2：精细提问（问题库）

Phase 3：批判性质疑

核心假设检验