夜雨聆风
这篇文章写给跟我一样，深受完美主义、拖延困扰的人。
我有一个习惯，就是做事之前必须想清楚——不是大概想清楚，是真的想清楚。方案要完整，每个环节都得想到，逻辑要自洽。想不清楚就动不了。
我以为这是优势。
卡了好几年之后，我才发现："我做事的方式，本身就是错的。"
三周，零输出
上个月，我想做口播出镜的视频。画面里需要一个PPT界面，来呈现内容。
我刷到了一个对标博主，他有一种PPT风格，我很喜欢。画面克制，信息密度刚好，看起来不像AI生成的东西。我就也想复刻这种感觉。
我知道他的PPT是人工做出来的，AI很难做出那种感觉，但我不想人工做，太慢。
于是我就想：能不能试一下让AI精准复刻？
你可能觉得，直接让AI随便生成一个差不多的不就行了。但差不多不是我想要的。我想要的就是那个风格，不是一个将就的版本。这是我的标准，我不愿意放。
于是我开始控制每一个细节。网格对齐，元素位置，色块比例，每一帧的构图。AI天然带着随机性，我要让它精确。每次生成都有地方偏掉，重新调，重新生成，继续偏，继续调。
任何一个小地方出错，我都停不下来。不是因为那个错误真的很严重，是因为我脑子里有一张完整的图，每个元素都有它该在的位置。一处偏差，就是一处破绽。破绽不能留，必须修。
就这样，一个小问题变成一个大卡点，一个大卡点变成三周。
结果视频呢，一条也没发出去。
同一个坑，踩了三次
去年搭 n8n （一个可以把各种工具串起来、让它们自动配合干活的平台） 自动化工作流，跟AI协作——描述需求，搭节点，写代码，调试报错。
我是代码小白，一个工作流搞下来，三天，用肉身填补了几百个bug。改了这里那里崩，改了那里这里又崩，极其消耗心力。
因为很受折磨，我想找一个更高效的方式。
晚上跑步的时候，想起之前在得到听过一本书，《怎样做成大事》，我就找出来重新听了一遍。
书里有个经典故事。一对美国夫妇翻修老房子，只想改厨房，预算10万美元，三个月。动工之后发现地板要换，换了地板发现地下室也得动，最后花了80万，整整搞了两年。
作者的结论很直接："问题不是运气不好，是规划做得太少。"
如果事先把整个房子的状况摸清楚，知道地板什么情况、地下室什么情况，预算就不会爆。
谋定后动——前期花在规划上的每一分钟，都会在后期省出十倍的代价。
这个逻辑无懈可击，我完全认同。
我觉得，找到答案了。是我前面的框架没设计好，蓝图没画好。
那段时间刚好在外面旅游。人在外面，脑子没停。路上一直跟AI聊，越聊越兴奋。于是开始规划一个更大的东西：
!important一个制造工作流的工作流。需求描述、架构设计、代码生成，每个环节都标准化。我只要描述清楚，一点按钮，新的工作流就出来了。越画越细，越聊越兴奋。
!important
你看，原先是为了省时间搭工作流，现在一路变道，要造一个工厂了。
旅游回来，就开始干。又搞了三天，昏天黑地的，结果还是不如意。
再一次陷入僵局的时候，我想起来，出发前买了几本软件设计的书，一直没看。就随手翻开了其中一本，《软件设计的哲学》。
书里有一段话让我停下来想了很久——"没有人在开始写软件之前，知道它最后会长什么样。"
软件不是按蓝图建造的，是一个一个模块累积出来的。每加一块，系统就变了一点，下一块在新的系统上继续生长。
我慢慢意识到一件事。
建筑，它是一个封闭系统，你站在外面看清它的全貌。它的结构、承重、物理材料，都是可以算得出来的。
而且它事关重大，不允许出错。所以你必须在事前做大量周密的计划，消灭其中绝大多数的不确定性。
"谋定后动，在这里完全成立。"
但软件不是，它是一个开放系统。你是在系统里面，它比你大，你永远看不到全貌。从数学上，你就不可能计划好一切。
不只是软件。创业是这样，做内容是这样，搭自动化工具也是这样。它都是一个开放系统，永远存在大量不确定性。
然后我想到那几百个bug。那些bug不是因为蓝图画得不够好，是因为我试图在一个开放的系统里消灭不确定性。
但不确定性消灭不了——你在前面规划的越周密，只是把这些不确定性挤压到了后面的流程里，它会变成几百个小bug埋伏着，让你更痛苦。
这个感悟来得很深。
我以为，以后不会再犯了。
然后上个月，我做那个PPT的时候，又走了一遍一模一样的路。
完美主义的焦虑，不是靠道理能戒掉的。
做决策，其实是在搜索
后来换了 Claude Code （一个更擅长写代码和调试的AI助手）。之前三天搞不定的工作流，两个小时跑通了。不是我变聪明了，是工具对了，少走了很多弯路。
工作顺了之后，那些挣扎慢慢变成了过去式。某天早上，没什么特别的事，翻出了一直断断续续在看的《人工智能：一种现代方法》。行业里叫 AIMA，是入门AI的硬核教科书。
每次我遇到一些想不通的事，我就会翻一翻这本书，看看算法怎么处理类似的问题。它很多地方跟人做决策的逻辑是相通的。
那天翻到了搜索算法那章。
"搜索"这个词，听起来跟人没什么关系。我继续往下看——
书里说，你会发现，人生中面临的绝大多数问题，都是搜索问题。
你有一个问题，想要找到解决方案，这个过程就是搜索。
!important「搜索」的定义：创业，是搜索。做内容，是搜索。带团队，还是搜索。
你手里有一个目标，前面有一堆可能性，你在里面找一条能走到那里的路——这就是搜索。
!important
科学家把搜索这件事抽象出来，研究了各种搜索算法。
也就是把人类不同的做事、决策方式，都抽象成了各种算法。然后你会发现，这些算法就像一面镜子一样，无比冷酷。
不同的算法 （做事方式），它的效率、正确与否，有着绝对的天壤之别。
你可以通过算法对应的做事方式，清楚的发现自己的问题所在。
书里把搜索算法分成两类。
离线搜索
算法里有一个经典场景，就是老鼠走迷宫。（推荐你在短视频上搜索一下老鼠迷宫，很有趣）
"离线搜索"的方式是这样的——老鼠站在入口，一步不动，在脑子里把整个迷宫走完。
左边死路，标记。右边能走三步，但第四步是墙，标记。把所有路径算完，找到最优解，然后闭眼冲，一气呵成。
这需要一个前提："你得知道整个迷宫长什么样。"
离线搜索的离线，就是这个意思。你把地图，在你脑子里已经加载完了。
《怎样做成大事》里讲的建筑工程，就符合这个条件——物理定律不变，材料性能已知，可以把整栋楼算清楚再动工。
这类环境有个共同特征："系统小于你，你站在外面，可以看到它的全貌。"
我看到这里，想到了自己搭 n8n 工作流之前做的事，我的工作方式一直都是离线搜索。
先把整个系统规划好，每个层次怎么衔接，全部想清楚，确认没有漏洞，然后开始动手。
做演示PPT也是——先在脑子里把每一帧的构图想好，每个元素的位置，网格怎么对齐，心里有了一张完整的图，再让AI生成。
我一直以为这是我的优势。谋定后动，先胜后战，不走弯路。
在线搜索
同样是老鼠走迷宫，但这次迷宫是黑的。老鼠看不到全局，只能看到当前位置周围一小块。
没办法提前把路算完，只能走一步，看一步。
书里给在线搜索写了一个公式：
!importantf(n) = g(n) + h(n)
算法用这个公式，判断下一步该往哪走。
h(n)（你离终点还有多远）， 是你当前位置到终点的距离。你的每一次行动，目的都是缩小这个 h(n)——让自己离愿景更近一步。
g(n)（迈出这一步要付出的代价）， 注意——只是这一步的代价，不是走完全程。
f(n)（综合评分）， 是两者相加。总分越低越好。得分低，说明代价小，能缩减到终点的距离。这一步就值得走。
!important
读完这里，我停了一下。脑子里浮出来的，是那三周没发出去的视频。
我一直以来的做事方式，用 f(n)（综合评分）来看是这样的——
我潜意识里总想让 h(n) 一步归零——一个完美的规划，直接走到终点。
但问题是环境信息不完整，这张地图根本算不完。
越想算完，g(n) 就越高。最后 g(n) 被拉到无限大，一步还没动，f(n) 就已经拉爆了。
老鼠站在原地，脑子已经分析瘫痪冒白烟了，而现实里一步还没迈出去。
"在线搜索反过来。" 它不追求 h(n) 快速归零，只做一件事："把 g(n) 压到极低。"
它把每一步的代价缩小到几乎可以忽略，然后一刀一刀快速往前切——就像切香肠，每刀很薄，但 h(n) 在一点一点变短。
你停一下，想想自己最近卡住的事。
f(n) 为什么高？是 h(n) 太远，还是 g(n) 太重？
那三周的PPT是这样。那几百个bug是这样。那个越规划越炸的"制造工作流的工作流"，也是这样。我一直在跑离线搜索，而那个地图，我永远也下载不完。
完美主义不只是"标准高"。它让你的每一步，都得背着整张地图才能出发。
我终于看清楚了那种焦虑从哪里来。
不是我太挑剔，不是我不够果断——是我一直在用一套错误的算法，逼自己解一道解不完的题。
搞错了环境，就用错了算法
然后书里有一句话，让我停下来。
"选择哪种搜索方式，取决于你面对的环境。环境已知，用离线。环境未知，用在线。"
就这一句。我往回翻了一页，确认自己没看错。
"环境就是问题的本质。搞错了环境，就用错了算法。"
我过去那些痛，不是因为我不够努力，不是因为规划得不够细。是因为我一直在用离线搜索的方式，跑在线搜索的任务。
这个弯，绕了好几年才绕过来。
拿这套逻辑，我重看了两个失败
第一件，是我带销售团队那几年
当时给团队做了一套完整的销售流程，叫 SPIN——顾问式销售。我自己用这套东西跑过很多单，很顺。
然后发现销售们不愿意照流程走。老是跳步，说绕，说多余。
扯皮了很多次，最后不了了之。我当时觉得是执行力的问题。
但我忽略了一个基本问题。
SPIN 本质上是专家工具，前提是你已经很懂客户的业务。而我的销售做不到——因为她们不是专家。不是她们不肯走，是走不动。
我真正犯的错不是给了一套烂方法——是给了她们一个过重的路径，但她们的算力根本走不下去。
第二件，是PPT一直搞不定的那段时间
有天做PPT实在烦了，就回想：我之前用AI做图，一直挺顺的，怎么这里就不行了？
做文章配图、做海报，我从来不规定画面里具体要放什么。都是AI自己定内容，自己定构图。然后海报的风格，也都是极简留白的。
然后因为是大面积留白，所以它的包容性很强，某个地方偏了根本看不出来，它的缓冲空间很大。
而且这样做图的 g(n) 极低——出来一张不行，两分钟后再来一张，没什么损失。我只要多抽几次卡就行。
而做演示PPT则相反。我是用网格线做规划，卡死每个元素的位置。这样就没有任何缓冲空间。
而AI一旦偏一点点，误差就会直接暴露，而且放大好几倍。
我的规划没有容错空间，所以它不允许有随机性，而AI生成天然有随机性，本身就是矛盾的。
所以 g(n) 居高不下——三周，就这么没了。
焦虑是大脑算力溢出
看完这篇，你可能会想——这不就是敏捷开发、精益创业在说的事？小步快跑，我都听过。
对，都是同一件事。我也都看过。但我做不到。
不是不想做，是做不到。每次遇到新问题，那个冲动还是会出来——先把整条路想完再动。
为什么道理懂了，还是做不到？
算法给了我一个解释，叫 "可计算性"。
在线搜索走黑盒，是一步一步往前探的。但有一件事它绝对不会做——试图在脑子里同时推演几十步之后的所有可能性。
为什么？因为算不过来。
一个问题，有 a 条路可以走。往后推 b 步，组合数就是 a 的 b 次方。
a=3，b=10，就是 59049 种可能。再往后推几步，任何计算机都会宕机。
这叫 "组合爆炸"。
人脑也是一样的。你面对一个未知的黑盒，试图把后面几十步的所有可能性都想清楚——算力不够，系统就会宕机。
宕机的感觉叫什么？焦虑。拖延。 明明很想做，就是动不了。
不是意志力的问题。是算力溢出了。
所以在线搜索有一条铁律："状态必须大于问题。"
算力不够，就把问题强行切小。切到当下的状态可以计算的尺度，然后走出去。
问题太大，就先只看下一步。下一步太大，就再切。切到闭着眼睛都能跨过去为止。
只要步子够小，问题就永远在可计算的范围内。"焦虑，是你试图算一道算不完的题。"
这才是那些书没有治好我的真正原因。它们告诉我"要小步快跑"，但没有告诉我为什么大步会让人宕机。知道了机制，才真的放下来了。
这也是文章标题说"治好了焦虑"的意思。
不是焦虑消失了，是它不再神秘了。我知道它从哪里来，就知道怎么让它停下来。
完美主义换个位置，不是消灭它
我的规划欲没有消失。知道了这些道理，那个"必须想完整才能动"的冲动还在。
但《软件设计的哲学》给了我一个出口。
软件工程师的做法是：先用最快的速度搭一个粗糙的第一版，让它跑起来。然后把它推翻掉。
"第一版的目的，就是为了被推翻。"
跑完第一版，你才有真实的数据，才知道哪里是真正的问题。
这个时候再把你所有的架构冲动、所有的完美主义、所有的严密推演拿出来，砸在复盘上，搭第二版。
完美主义没有被消灭，只是挪了位置。从前置，挪到了后验。
人生，也是一个开放系统
我后来想，这套逻辑，不只适用于项目。
人生本身，就是目前为止你面对过的最大的开放系统。
你不知道哪条路是对的。不知道现在的选择，十年后看是对还是错。不知道自己到底要去哪里。
那种感觉——"我还没想清楚自己要什么，所以不能轻易行动"——
跟那三周的PPT，是完全一样的机制。
我们试图在动之前，先把人生的地图算完。方向要对，路径要清晰，每一步都要确定不会走错。
但人生这个系统，比任何软件、任何创业项目都要复杂。你站在里面，永远看不到全貌。从数学上，你就不可能提前算清楚。
越想算完，g(n) 越高。越想把方向想清楚再动，就越动不了。
"那种"对未来的焦虑"，不是因为你不够努力、不够聪明——"
"是因为你在跑一个根本算不完的离线搜索。"
人生方向不是想出来的，是走出来的。
每一步踩下去，地图才会出现一小块。你离目标越来越近，不是因为你的规划越来越完美，是因为你一直在走，h(n) 一直在缩短。
所以现在每次发现自己又在原地算路，我脑子里会响起那个问题：
"我现在是不是在跑离线搜索？"
如果是——那个执念，是在替一张根本不存在的地图付账。
知道这个，就容易放手了。先迈出去，看第一步踩到哪里，再说。
