熵减：翻完三年复盘，我发现 AI 时代的心法大多是老判据

今年 8 月，我做了一件有点傻的事：把自己 2023 年 11 月到 2026 年 8 月的日报复盘，34 个月、705 条，从头到尾逐条读了一遍。

动机很朴素。我每天都在写”今日复盘感受与进步”，但从来没回头看过它们连起来是什么样子。散落在日报里的判断，没有沉淀成任何可以复用的东西，换个场景，我自己都不一定想得起来。我想把它们提炼出来，一来给自己一张地图，二来让 agent 也能按我的判断模式帮我干活。

第一版我很得意：只取 2026 年的 151 条，归纳出一套”AI 时代的心法”。第二版把语料扩到全量，再给每条判据追溯”最早在哪天写过”，才发现第一版错得很具体。

第一版错在哪

我拿”最早出现的日期”去核对第一版的标注，一部分结果是这样的：

判据	我第一版标的时间	复盘里最早出现
有 ≠ 可用	2026-03	2024-03-02
低级问题即红线	2026-04	2024-03-29
怀疑既有实现	2026-02	2024-03-09
靠反馈已经晚了	2026-02	2024-03-05
沉淀不系在个人记忆上	2026-07	2024-03-23
2/8 法则	2026-06	2024-10-18

一共核对了 13 条，其中 12 条最早出现在 2024 年（有一条在 2024 年只是雏形，量化版在 2025 年底才成形），只有 1 条晚到 2025 年。我把一批跨了三年的通用判据，误当成了 AI 时代的新发明。

这里要给自己加一个限定：日报的有效内容从 2024 年 2 月才开始稳定，之前的 2023-11 到 2024-01，24 条里约有 18 条写的是”无”。所以”最早出现”只能说是语料内最早，不等于想法真正诞生的时间，真实情况只会更早。

AI 的原点不是 AI

纠错之后最有价值的发现，是 AI 这条线本身的起点。2024 年 12 月 14 日，我写过这么一段：

可以想象一下如果 AI 可以完成研发代码编写绝大部分工作时，那么研发剩余的精力就可以投入到业务创新、快速响应市场变化需求……否则会一直围绕需求被动的在迭代（无法抽身）。

关键词是”无法抽身”。我对 AI 的判断，不是跟着风向长出来的，而是从一个 2024 年就存在的管理痛点推出来的：怎么让研发从被动迭代里抽身。

时间线也印证了这点：2024 年是试用和想法阶段，2025 年 AI review 落地、”极简指令”的做法确立，2026 年是规模化和组织化。2026 年并不是从零发明什么，而是把 2025 年底已经成型的方法铺开。

这给了我一个实用的推论：以后被问”这个 AI 工具要不要上”，先回到动机（它帮不帮团队抽身？），而不是从工具的能力清单出发。

为什么叫「熵减」

提炼出来的东西，我给它起名叫”熵减”。这是我 2026 年 1 月底的一段原话：

以顶层/全局视角去考虑现有的人员情况、架构层面、业务交付……这个就是「熵减」的过程，无论是软件架构层面还是团队建设过程中，伴随着就是在动态调整的过程，没有哪一种架构/结构是一尘不变的，整体目标就是逐步有序，围绕本质、底层逻辑出发。

它有一个固定的顺序：

人员  团队、梯队、结构（基石）
  ↓
架构  稳定、可增长、控成本
  ↓
交付  效率与质量（最上层）

没有一种结构是一成不变的，所以它不是一个”设计好就完事”的框架，而是一个持续做的动作：识别无序，提前准备，在薄弱环节持续调整。

贯穿三年的一条判据：存在 ≠ 可用

705 条里，出现次数最多、也最独特的，是一类句式：X ≠ Y。通用形式只有一句：「存在」和「可依赖」是两件事，把「存在」当成「完成」，是最常见的失败。我一共数出 27 条，从 2024 年 3 月一直到 2026 年 8 月。

它有一个三级版本，是我 2025 年写的：

做交付、做能用的交付、做用户可以用的交付，这之间有本质的区别。（2025-09）能用、好用、易用这些是有区别的。（2025-10）

我觉得最精准的一条，是一次故障恢复相关的复盘（2025-05）：

我们设想中可以在半个小时内完成恢复，和真的做一遍，验证一下在半个小时内能不能恢复，是不一样的。

这个判据在纯技术边界上也成立，工程上的形态是三态结果。一次带副作用的调用（比如把文件上传到对象存储）超时了，结果其实有三种：确定成功、确定失败、不确定。如果把”不确定”当成”确定失败”去清理、去回滚，就可能把已经写进去的数据删掉。”确定失败”和”不确定”是两件事，这就是 X ≠ Y 在分布式副作用上的直接后果。

它推出的收口原则也很简单：交付以证据链收口，不以「完成了」收口。

AI 时代这条判据的价值反而更高了。我的理解是：AI 让”存在”变得极便宜，代码、文档、demo 都是秒出，于是”存在”之后到”可用”之间的那段验证，成了几乎全部的成本所在。这是我的解读，不是复盘里的原话。

我说的，和我做的一致吗

只靠复盘提炼有个明显漏洞：写下来的是”我认为应该怎样”，不是”我实际怎样”。说得多、没照做的，只能算愿望，不能算经验。

所以我拿另一类记录交叉验证：Codex 的会话日志。434 个会话，去重后 3398 条我自己的发言。复盘里 2026 年 4 月有一句”程序的约束比语言的 prompt 更重要”，对照日志：这 3398 条指令，中位数 59 个字符，51% 不到 60 个字。

也就是说，我基本不写长 prompt。复杂度确实没放在提示词里，而是放在边界上：哪些资料能看、哪些不能碰、什么算合格、什么时候必须回来问、能不能回滚。这个做法的源头，是 2025 年 2 月的一句话：

告诉 AI 的起点以及终点，过程由 AI 完成，中间不要夹杂人工的接入。

我自己的概括是”两头管死，中间放开”。言和行在这一条上对得上，所以它是这套提炼里我最有把握的一部分。

另外三条留下来的规则

模型能力是变量，流程设计是常数。（2026-08）最早的形态是 2024 年 11 月的”团队四化”：流程化、工具化、自动化、文档化。换工具的真成本不是学习成本，而是流程改造成本。
同类问题第三次出现，必须机制化。 任何事手动做了三次以上就该工具化，”首先你要懒一点”。
情境分流：两类情境的动作顺序相反。 日常和系统性问题，大脑先行，先看表象、本质、分析，最后才动手，”看到问题手脚就很勤奋，其实是大脑懒惰的表现”。线上事故，行动先行，先止损再定位，”用行动拖着思维走，比用思维指挥行动快得多”。

这份提炼可能错在哪

我在整理时特意记了几条不要太相信自己的理由：

事后归因。 把三年散落的表述归纳成几个模型，是一次强解释性的重构，提炼出的框架比当时真实的思考更整齐。第一版就已经犯过一次，第二版加了时间轴去纠正，但这类偏差不可能完全消除。
选择偏差。 日报里留下的，是愿意写下来的部分。失败、犹豫、没想清楚的判断，天然记录不足。
覆盖不全。 业务侧的判断基本没建模，只有零散案例。
过度确定化。 我把这套提炼做成了给 agent 用的 skill，用起来发现它会把推断当事实陈述，比如把”可能经常发生”说成”历史上发生过多少次”。

反模式

给过去的自己编一套理论。 回头整理最容易出现的是”我早就这么想”。防法是追最早出处，并且拿行为记录（日志、产物）去交叉，而不是只看自己的说法。

只提炼成功经验。 只留下做对的部分，等于把方差和教训一起删掉了。

把框架当真理。 新复盘和旧框架冲突时，应该改框架，而不是为它加例外。

结语

回头看，这次整理最大的收获不是那几个模型，而是一个反直觉的事实：AI 并没有给我带来多少新判断。 它做的是让老判据的代价变得具体，”存在 ≠ 可用”在 2024 年是一句管理提醒，到了 AI 时代，是每天都在发生的事。

如果你也写日报或复盘，可以做一个轻量版的”最早出处考据”：挑最近三条你觉得”新悟到”的心得，往回翻，找它最早出现的日期。 找到更早的，说明它是你的内核，该固化成规则；找不到更早的，才是真的新东西，也才最值得先怀疑。

和《认知投降》这篇合起来看，是同一件事的两面：判断力需要被持续地外显、核对、追溯，否则它既会萎缩，也会被自己美化。