AI助手思考太肤浅?我用第一性原理调教它!问它什么都能答，答得也头头是道，但真拿去用，总觉得差点意思。问"销售效率怎么提"，它告诉你要做CRM、搞知识库、培训员工；问"客服怎么降本"，它说上机器人、建FAQ、分类工单。每一条单独看都对，放在自己公司身上，就觉得隔靴搔痒。不是AI不行，是它的思考方式有个天生的特点：倾向于给出"最常见的答案"，而不是"最适合你的答案"。大模型是从海量文本里训练出来的，什么说法出现得最多，它就最容易输出什么。行业通用方案、标准模板、常见做法，这些东西在训练数据里占比最高，所以AI张口就来。但企业的真实问题，往往藏在具体的场景、具体的数字、具体的人里面。这些东西不在通用模板里，AI自然也不会主动去想。更有效的思路，是给AI的思考方式加一道工序：在给出答案之前，先逼它把所有"想当然"的东西都剥开，只看事实和数字，再从零推导方案。这个思路叫第一性原理。不是什么新概念，但把它写成明确的规则，嵌入AI Agent的系统提示词里，让它每次回答前必须按流程走一遍，出来的结果就完全不一样。表面答案，解决不了真问题
有个做制造业的老板，让AI出一份销售线索跟进的优化方案。AI给的答案很标准：建立客户分级体系、设计标准化跟进SOP、搭建知识库赋能销售、用数据分析识别高意向客户……一套组合拳，看起来很完整。问题出在思路上。这份方案是从"销售管理应该做什么"出发的，不是从"这家公司的销售到底卡在哪"出发的。通用模板套上去，出来的东西自然都差不多。换个方式：先把所有"销售管理应该做XX"的常见做法放到一边，只看这家公司的真实情况和真实数据，再从零设计方案。三步拆解：从表面答案到定制方案
还是拿上面那位制造业老板的情况来举例。用第一性原理框架跑一遍。先把所有"销售管理应该做什么"的常见做法列出来，然后逐条判断：这是不可动摇的事实，还是只是行业惯例？销售必须分级？惯例。必须搞SOP？惯例。必须上CRM系统？惯例。必须全员培训？惯例。公司四个业务员，老板自己也跑业务；每个月大概五十条新线索，来源是老客介绍、展会和短视频平台；业务员跟一轮就不跟了，说客户"没需求""再等等"；老板自己跟的成交率，比业务员高出不少。有了事实，再算这笔账。没有精确数据就估算范围，但必须有数字，不能只说"很高""很低"。每月五十条线索，业务员跟进后转化率约5%，成交两到三单；老板自己跟的转化率约15%，但老板时间有限，每个月只能顾得上五到八条；剩下四十多条线索，跟了一两次就没下文了，基本等于浪费。按客单价两万、毛利30%估算：如果这四十条线索的转化率能提升哪怕5个百分点，每个月就能多两单，一年多出十几万的毛利。这还没算业务员花在低效跟进上的时间成本。假设所有惯例都不存在，第一天进入这个行业，会怎么解决问题？最该用AI的地方，不是知识库，不是培训，是销售线索跟进的过程本身。做一个客户跟进Agent：每条线索进来，自动判断客户类型和需求；自动生成跟进话术；到点提醒业务员跟进，跟进完自动记录；七天没回应的，自动换角度再触达一轮；高意向客户自动标红，推给老板亲自跟。业务员不用裁，但跟进质量和转化率能上去。老板不用天天盯着谁没跟进，系统自动盯。通用答案是给所有人的，煮沸算账重构之后的方案，才是给这家企业的。给AI用的第一性原理框架
这套框架是直接写进Agent系统提示词里的执行规则。每次做方案、做分析、做决策，必须按这个流程走一遍。可以直接拿去用，或者用这套标准去测试你家的AI输出质量。【给Agent用的第一性原理框架】
给出任何方案、分析或建议之前，你必须严格执行以下三步，缺一步都不行。
第一步：煮沸——剔除假设和惯例
2.逐条判断：这是不可动摇的事实，还是只是行业惯例？输出格式：
【煮沸结果】
已剔除的惯例：
剩下的硬事实：
第二步：算账——用数字替代感觉
基于硬事实，算这几笔账（没有精确数据就估算范围，必须标注"估算"）：
1. 当前状态的真实成本或效率（不能只说"很高""很低"）
2. 理论极限值（理想情况下能做到什么程度）
3. 差距拆解：差距主要来自哪几个环节，各占多少比例
输出格式：
【账本】
差距拆解：
第三步：重构——从零设计方案
假设所有惯例都不存在，你第一天进入这个行业，会怎么解决这个问题？
1. 方案必须对准账本里最大的那个差距
2. 说清楚"做什么→解决什么问题→产生什么价值"
3. 给出最小验证单元：先试哪一件小事，怎么验证有没有用
禁止事项：
- 不准使用"赋能""闭环""抓手""底层逻辑"等空泛表述
- 不准上来就给完整方案，必须先煮沸再算账
- 不准拿"行业最佳实践"当论据，要用事实和数字说话
为什么这套框架有用
大语言模型的训练方式，决定了它更擅长输出"通用答案"而非"定制答案"。当被问到"工厂怎么上AI"时，它会基于训练数据中最常见的做法，给出一套标准组合：知识库、客服机器人、生产质检、供应链优化……每一项单独看都有道理，但组合到一起，和具体某家工厂的真实痛点往往对不上。这和去医院看病类似——如果医生不做检查、不问症状，直接拿出一份"人类常见疾病清单"，上面的病确实都是真实存在的，但没有一项是针对你的。第一性原理框架的作用，是在AI输出方案之前，先强制它走一遍"诊断"流程。先剥离行业惯例的干扰，只留下企业的真实情况；再用数字算出最痛的环节；最后从痛点倒推方案，而不是从方案里找痛点。走不走这一步，出来的东西完全不一样。走了的方案不一定听起来有多厉害，但每一项都能对应到具体的问题上。最后
AI给出的大部分答案，都是通用模板的变体。因为它的训练方式，决定了它天然倾向于输出"最常见的说法"。多一步思考让它煮沸、算账、重构，出来的方案就完全不一样。
夜雨聆风