计算思维实战指南

A Field Guide for Computational Thinking 2026年7月24日 · 16 分钟阅读 · 查看来源 ↗ AI Automation Marketing Hardware 你可以从统计力学、计算机科学、信息论和博弈论里直接拿来运行的心智模型。 "从第一性原理思考"是一句口号，不是一个过程。说这句话的专家运行着一套他们已经看不见的实际流程，而你得到的只是那句标语。这本手册就是那套流程的部分：一组把你自己、你的工作和你的系统当作计算来思考的模型。这些与大多数建议的区别在于，这些模型是可以计算的。"休息能带来能量"是描述；一个带成本和状态的模型让你能预测，而一个你运行不了的模型就不是模型，是一种氛围。 你不需要按顺序读。每个条目独立成立：它适用的情境、模型、它帮你买到的行动、以及它误导你的方式。收藏它，在需要时回到你需要的那个条目。 1. 你的硬件 下面每个模型都用同样的两种货币给东西定价，所以先认识这两种货币。 工作记忆。你一次大约能在大脑里持有七样东西，任何努力都无法扩展这个数字。所以当一项任务让你充满迷雾和恐惧时，数一数它要求你持有什么。通常它想要二十样东西在只有七个槽位的大脑里互相比对。那迷雾不是软弱；它是对一个不可能请求的正确报错信息。下次某件事感觉无从下手时，把每一块都写在一页纸上（纸就是额外的槽位），然后看着恐惧缩小到实际下一步的大小。 意志力。把它当作一根带汇率（exchange rate）的体力条。每一次抵抗（不看就在旁边的手机、不打开那个标签页、待在椅子上）花费 2 到 3 个单位，而且诱惑每触发一次就要付一次。改变情境让诱惑根本不触发，花费约 1，且只付一次。这一个汇率解释了大部分被称作自律的东西：那些看起来自律的人，并没有一遍又一遍地缴纳抵抗税；他们已经停止产生这笔税了。环境设计就是这笔交易的全体。 上下文切换。切换任务不是免费的。每一次切换都会丢弃你已加载的上下文并开始一次冷启动，这就是为什么同一项任务在上午 10 点的例行程序里感觉轻松，而在下午 4 点的杂事之间感觉不可能。为同类工作固定一个每日时间段就是一个热缓存：等你坐下时，上下文已经加载好了。 2. 读取情境 诊断先于行动。同样的按钮在不同的日子产生不同的结果，这些模型说明了原因。 状态。行为不来自你的性格；它来自你的状态。午夜在你卧室里掌控你的那股冲动，在早上 7 点的一条小径上毫无吸引力。你不是一夜变好了；在卧室里运行的脚本不会在小径上加载。行为被证明是状态依赖的，这改变了你试图修复的东西。在问"我哪里有问题"之前，先问你处在什么状态。 宏观态与微观态。整本手册里承重的模型，来自统计力学。当你烧水时，你设定一个温度。你不关心哪个分子以哪个速度运动；数十亿种排列都算作沸腾，而其中任何一种都能煮熟面条。温度是一个宏观态：一个由无数具体排列——微观态——所满足的条件。每一个目标都存在于两个层面，而大多数规划的痛苦来自抓错了那个层面。放大看，你在排列之间做选择：先做哪个任务、用哪几个确切的词。缩小看，你在陈述做完时必须为真的条件：周五前交付、低于 $500、读起来不像机器人写的。你可以从身体上感到抓错了缩放层级——当你在摆弄一堆可能都行的排列时，脑袋里发热。那份热就是向上走一层的信号：陈述条件，让任何满足它们的排列胜出。这也是与 AI 协作的主级招数。人们得到糟糕的结果，是因为他们在模型其实是一个在排列上搜索的搜索引擎时，去规定微观态（改这个词、移那一行）。交给它宏观态；让它去搜索。一个警告："做得好点"不是宏观态，因为它不排除任何东西。一个真正的宏观态对必须为真之事具体、对如何实现保持沉默。 算法复杂度。脑力工作分价格层级，你可以在付费前先读出层级。回忆一件你知道的事：O(1)，几分钱。把一份清单过一遍（一次脑内倾泻、一份核对清单）：O(n)，便宜，随长度缩放。把一切与一切比对（跨十二个标准选公寓、理清哪些项目喂养哪些目标）：O(n²)，昂贵，因为价格随条目数的平方增长。没有停止规则的开放式苦思，比如"我的人生该做什么"：指数级，没有标价，这个问题会拿走你带来的一切。行动：当工作感觉压垮人时，说出它的层级。平方层级的工作不是靠硬磨做完的，而是靠改变层级：排序、分组、建索引。而指数级的问题不是被回答的；它们被替换成有价的问题。"我的人生该做什么"没有底。"这个月我要砍掉这三个选项里的哪一个"花一个下午。 隐藏状态。当同样的输入产生不同的输出时，有你看不见的东西被加载了。一个周一漂亮完成任务、周三搞砸的 AI 智能体。一个输出在你从未要求他改变的那些维度上摇摆的合作者。你，在某种夜晚之后扬帆，在另一种夜晚之后溺水。探测法：只改变一样东西，再运行一次。如果输出只在你改动的那个地方偏移，系统是干净的。如果它在你没碰的地方偏移，它就带有隐藏状态（情绪、疲惫、一个未闭合的循环、一个陈旧的上下文），而狩猎的目标是那个隐藏变量，不是可见的那些。 激励梯度。博弈论给诊断的礼物：你看不见任何人的微观态——他们的想法和计划——但你能看见他们脚下站着的激励梯度，而哪里有梯度，就有人会顺着它走下去。这就是为什么你能预测某事会发生，却不知道哪个行动者或机制会让它发生。它也作用于你自己：你自己未来的行为跟随你环境里的梯度，比跟随你的意图更可靠。别问人（包括你）打算做什么。问地形奖励什么，并预期地形会赢。 压缩。信息论对理解的定义：当你能够压缩某件事——从很少预测很多——你就理解了它。这是区分"认识一个词"和"拥有一个模型"的测试。"形式决定功能"把一千个案例压缩成四个字，这使它利于沟通、却不利于理解，因为这个抓手让你在只是命名时就觉得自己理解了。把某件事简单解释清楚，是压缩在公开运行；如果你不丢失机制就无法压缩它，那你还没掌握它。这也是为什么词汇量比它看起来更重要：词语是你的思考所运行的数据结构，而有损的词语（懒惰、卡住、坏了）恰恰丢掉了你需要的那个机制。 3. 让事情变便宜 缓存那一章。一个主题，四种说法：付一次，永远复用。 缓存。任何你生成超过一次的答案，都是一次你本应保存的计算。你在每次对话里都重新构建、略有不同、带着汗水的项目解释。每天早晨都重新决定的晨间流程。生成很贵，而且每次出来的都不一样；检索几乎免费，而且每次出来的都一样。在你敏锐、上下文已加载时，付一次全价，把产物存在未来的你会绊倒它的地方：一句话答案、核对清单、模板、保存好的 prompt。一个缓存缺失的信号：那种"这个我解决过"的感觉。 预取。开始一件事的昂贵部分不是工作；是加载上下文。所以趁便宜时加载它。今晚花五分钟决定明天的第一项任务，趁今天的上下文还热着，意味着早上的你醒来面对的是指令而不是决策。深度工作前的一次脑内倾泻，预加载槽位，让会话以热身状态开始。同样的工作，不同的价格，因为加载被挪到了资产还在内存里的时刻。 活化能。来自化学，也是环境设计胜过决心的原因。每个行为都有启动成本，而行为流向启动最便宜的那个方向。桌上的手机是一个你整天都必须主动不去跨越的低门槛；另一个房间抽屉里的手机是一个你不再注意的高门槛。同一个人，同一部手机，不同的能量地形，不同的行为，且不花任何意志力。把你想要的东西的门槛降低（鞋放在门口、文档已经打开），把你不要的东西的门槛抬高。任何人在自己塑造的地形上都能看起来自律。 缓存失效。你继承的每一个最佳实践，都是某人在很久以前、在旧先验之下，对一个成本问题做出的缓存答案。然后先验变了，配方悄悄出错。AI 刚刚一次性重新定价了其中数百个：草稿不再昂贵，翻译不再稀缺，而"量两次、裁一次"假定裁切很贵；当裁切免费时，你裁五次并留下最好的那个。审计你继承的做法：在每一个里面找到成本假设，并检查它是否还活着。 4. 善于搜索 人生的大部分是搜索——找答案、选项、产品、路线。搜索有真正的理论，而且可以学。 可测试目标。一次搜索需要一个你可以验证的胜利条件。"把生意想明白"会永远游荡，因为没有任何世界状态算作完成。写下宏观态：三个付费客户，三月前，不雇人。现在每一天要么推动了某个条件，要么没有，而"我有进展吗？"不再是一种情绪，而是一次测量。 二分搜索。当空间很大（bug 住在哪、系统哪里出了问题、哪个细分想要这个）时，别一个接一个地检查可能性。问一个无论怎么回答都能排除一半的问题。"当我禁用它时，问题还会发生吗？"无论哪种回答都干掉半张地图。二十个诚实的 yes/no 问题能在一百万个可能性中定位一个答案；二的二十次方是一百万。它只有在你能问出真正可能回来"否"的问题时才有效。 探索 vs 利用。两种不同的活动，混淆时致命。利用是从你已找到的点上提取：高效、可重复、盲目。探索是寻找更好的点：看起来浪费、不可重复，而且是任何新东西的唯一来源。失败不在于偏爱某一个；在于做着其中一个却相信自己正在做另一个。那个守着一个正在萎缩的细分领域不肯挪动、因为每个方向看起来都像退一步的老手？那是一个探索在从未做决定的情况下悄悄归零的人。声明你处于哪个模式，以及什么会切换你。 模拟退火。在任何新事物的开端，乱冲乱撞是对的。剧烈的摇摆、被放弃的方法、自相矛盾：那是高温下的搜索，对旁观者来说它看起来像失败，因为他们看不到那个算法。技能在于按计划冷却：每一轮，承诺更多、变化更少，直到事物定型。人们两个方向都会失败：冻在第一个想法上（从没热过），或永远重新加热并称之为迭代（从没冷却过）。问你在哪个阶段；不同阶段有不同的规则。 随机重启与遍历性（ergodicity）。有时你例程内的完美执行仍然什么也产不出，因为那个例程只在一个巨大空间里采样了三种状态。那些渴望、卡顿、陈旧感，是你一直站在其中的那些状态的属性，而你已经站在同样的状态里好几个月了。在同样的状态里更用力，每次战斗花费 2 到 3，永远如此。跳转状态花费约 1：一个不同的城市、不同的作息、一次穿过城市另一头不带手机的长距离散步。试过这个的人报告了一件听起来不可能的事：在家里支配他们的强迫行为，在别处根本不会触发，因为那股拉力从来不在性格里。它在状态里。物理学家会说，一个从不离开自己区域的人生不是遍历的：它采样了太少的空间，无法知道整体的真相。 边界条件。有些东西不是要优化的目标，也不是要遵守的规则。它们是任何可接受方案都必须满足的约束，而它们对方案本身只字不提。"工作不应该感觉像受苦"不是一个目标；它是一个边界条件，而把它声明为边界条件，会把你的全部努力从忍受违反它的东西，重定向到重新设计设置好让它成立。边界条件正因如此才让人解放：一旦墙设好，墙内的一切都公平，而关于它们允许之事的任何内疚都是浪费的体力。 智能。这是本章一直在铺垫的新观点：智能不是一种物质，它是一种搜索结构。两个因素在干活：分支（生成多少个候选动作）和收敛（过程是否收敛到某物并停止）。没有收敛的分支是一个永远不交付的头脑风暴；没有分支的收敛是一个高效执行的车辙。一个智能的过程，无论人还是机器，是一个生成真正备选方案、然后可靠地把它们对照一个可测试目标收拢的过程。这就是为什么本章的模型会复利：目标给收敛提供了要收敛到的东西，二分搜索修剪分支，退火调度两者之间的比例。当某人（或某物）看起来聪明时，去找分支和收敛。当你卡住时，检查你缺的是哪一个。 5. 不需要你也能运转的系统 以上一切都在实时发生。本章是那些在你没看着时持续工作的东西，也正是区分"一个会复利的 AI 设置"与"一个每次会话都重置的设置"的东西。 状态机。可靠的系统在转换处失败，不在状态处。你不是在"工作"上失败；你在从晚餐到工作的转换上失败，以及从沙发到任何事情的转换上失败。所以设计那些转换。一个未定义的小时是一个未设防的转换，而最低成本的脚本默认赢得它；沙发例程需要一个入口点才能运行，而入口点可以被移除。同一个模型杀死了毁掉一天的那套逻辑：一天是一条转换链，而当前状态决定下一步可用的东西，不是早上的历史。一个糟糕的上午 9 点不会锁死下午 2 点的大门，除了你相信这一天已经毁了的那个念头。（这个无历史属性有个名字：马尔可夫 Markov。） 幂等性。当一个操作做两次无害时，它就是幂等的，而你应当为此工程设计，因为它删除了整整一类工作：检查。显示今天剂量已经服过的药盒。不怕再检查一次的核对清单。可以重新跑在昨天半成品上而不会弄坏任何东西的任务。一旦重复是安全的，"我已经……了吗？"就不再是一个你需要背负的问题。这条标准对任何你交给 AI 智能体的东西加倍重要，因为智能体会重试，而一次把邮件重复发送的重试，正是人们学到这个词的方式。 不变量。对于任何你维护的东西，写一个返回真或假的检查，而不是一个返回"似乎还行吧"的感觉。每一张发票都恰好在一个文件夹里。任何笔记都能在一分钟内找到。账户永不低于一个月的开销。按计划运行这些检查。一个系统与一堆东西的区别在于，系统能在坏掉时告诉你。不变量也是你在不重做的前提下验证机器工作的方式：你不逐行读；你运行检查。 接口。凡是工作跨越一道缝的地方（你到智能体、智能体到智能体、这周的你到下个月的你），那道缝就是质量泄漏的地方。两个各 99% 可靠的阶段，如果交接含糊，可以组合成一团垃圾，因为各自的小错误变成了对方令人困惑的输入。修复方法不光彩却彻底：规定跨越的是什么。确切到达什么、确切离开什么、什么算完成。紧密的契约是陌生人的代码能建成一个系统的原因，而含糊的交接是偏差钻进来的地方。 自由度。当某件事以同样的方式失败两次时，标准补丁是一个标志：一个提醒、一条规则、一张留给自己的便条。标志要花意志力去遵守，并在负载下被忽略。更强的补丁移除失败所利用的那个自由度。如果错误的东西能被选中，它最终就会被选中，所以让它不可选中：不能超支的账户、渲染不出坏布局的模板、被取消而不是被抵制的订阅。一个被移除的自由度，是一个不再需要你警觉的失败，而这是唯一能熬过你糟糕日子的修复。它花费可选项，而这就是交易：可靠性是用自由买来的，刻意地，在你选择的关节处。 6. 让进展保持住 活动与进展的区别，在于你是否能保住你赢下的东西。 收敛。任何你反复投入努力的东西（一次节食、一个代码库、一个长任务上的智能体、一篇修订中的文章）都值得四个问题。有东西在可测量地接近吗？两次尝试之间有稳定性吗，还是每一次都重新掷一次世界？有一个你跌不破的地板吗？有保证永不回退的东西吗？四个"否"意味着你不是在进展，而是在振荡：燃烧努力做横向移动。从内部看，振荡感觉与拼命工作完全一样。那四个问题是你分辨两者的方式，它们运行在任何带循环的东西上。 棘轮。当工作的一部分通过时，冻结它。真正冻结它，不是"记在心上"。终于读起来对的那一节被锁定，在之后的轮次里永不再重写。起作用的例程被写下来并捍卫。可以被悄悄丢失的进展，就会被悄悄丢失，你会无限期地重新打你已经赢过的仗，却不注意努力都花在了那里。一个棘轮把努力从循环式转换成累积式，这使它成为本手册里杠杆率最高的结构：不是做更多——而是让做完的保持做完。 递归。同样的模式在每个尺度上重复：文件夹装文件夹，团队像团队之团队一样协作，一个委派给智能体的智能体在下面一层使用同样的设计。所以你不为每个尺寸设计新系统；你找到那个包含自身的模式，构建一次，然后让它嵌套。更深的回报是许可你从小处思考：因为大系统是由与玩具版相同的重复部件构成的，理解玩具就是理解高塔。当某件事大到无法推理时，缩小到玩具尺寸，在那里解决它，然后骑着模式回到上面。递归是自由地在分辨率之间跳跃的许可。 标签：# X # AI # Automation # Marketing # Hardware # Guide 相关文章 We are in the middle of the digital renaissance, please take advantage of it We're in the middle of the second renaissance where proof of work replaces the resume, an audience replaces the employer, and taste replaces credentials. AI Marketing Youtube Automation