夜雨聆风The Principles of Better Decisions真正拉开差距的，不是知道得更多，而是拥有一套可验证、可复盘、可纠错的决策系统。
这两年做AI Agent越多，我越强烈地意识到一件事：
信息正在变得越来越便宜，判断却没有。
以前，我们做不好一个决定，常常可以归因于“资料不够”。现在不一样了。一个模型几秒钟就能列出十几套方案，帮你查资料、做对比、算成本，甚至模拟不同路径可能带来的结果。
可问题并没有因此消失。
很多时候，选项越多，人反而越难行动。我们把犹豫包装成“还要再研究一下”，把不愿承担风险说成“信息还不充分”，最后不是错过窗口，就是在压力最大的时刻仓促拍板。
这也是我从Agent工程中得到的一个反向启发：一个系统是否聪明，不只取决于它能调用多少模型和工具，更取决于它有没有清晰的目标、边界、停止条件和反馈回路。
人做决策，其实也一样。
好决策并不意味着每一次都能得到好结果。它真正解决的是：在信息不完整、未来不可知的情况下，怎样提高胜率，限制下行风险，并在自己判断错了以后尽快修正。
下面这 7 条原则，是我认为比“多收集一点信息”更有用的东西。
01 先判断：这是一扇“单向门”，还是“双向门”
不是所有决定，都值得花同样多的时间。
有些选择做错了，很容易退回来。比如更换文章标题、调整页面布局、试用一个新的模型API、把一小部分流量切到新方案。这类决定更像“双向门”：进去以后，发现不合适，还能原路返回。
另一些决定一旦做出，撤回代价很高。比如删除原始数据、签下一份长期排他合同、把核心系统迁到难以退出的平台，或者让Agent获得未经审批的生产写权限。这类决定更像“单向门”。
亚马逊在2016年股东信里专门区分过这两类决策：可逆的决定应该由更小的团队、更快地做；真正不可逆的决定，才值得投入更多分析和审查。
现实中最常见的低效，恰恰是把两者弄反了：
对可逆的小事反复开会，生怕选错；
对不可逆的大事，却在情绪、期限或从众压力下匆忙决定。
我现在会先问两个问题：
如果错了，能不能在两周内撤回？
撤回需要付出的代价，是否在我能承受的范围内？
如果答案都是“能”，就不要追求完美信息，先小步行动。如果答案是否定的，就把节奏放慢，增加独立审查、风险隔离和退出设计。
决策速度，不应该由事情看起来有多重要决定，而应该由它有多难撤销决定。
02 不要急着比较选项，先写清你的“目标函数”
很多选择之所以纠结，不是因为几个方案太接近，而是因为我们根本没有说清楚：自己到底在优化什么。
比如要为一个企业知识库Agent选择模型。有人看榜单，有人看参数规模，有人只看价格，还有人被一次漂亮的Demo打动。讨论很容易变成各说各话，因为每个人心里使用的评分标准并不一样。
如果真正的目标是上线一个稳定可用的系统，那么需要看的可能是：中文理解、工具调用成功率、响应延迟、单位请求成本、私有化要求、长文本表现，以及错误发生后能否追踪。
这时，“能力最强的模型”不一定是最好的选择，最适合约束条件的模型才是。
做重要决定前，我习惯先写四行：
我真正想得到的结果是什么？
哪些条件必须满足，不能交换？
哪些指标可以适当牺牲？
最坏到什么程度，我就不再接受？
这四行看起来简单，却能消灭大量伪争论。
因为选择从来不是在真空里发生的。预算、时间、风险承受能力、团队能力和后续维护成本，都会改变答案。脱离这些约束谈“哪个最好”，通常没有意义。
没有目标函数的比较，不是分析，只是偏好的拉扯。
03 先看同类事情真实发生过什么，再听自己讲故事
人很擅长为自己的计划写一个动人的剧本。
“这次团队更强。”
“新模型已经解决了关键问题。”
“只要数据整理完成，两个月肯定能上线。”
这些话未必是假的，但它们都来自“内部视角”：我们盯着当前项目的细节，强调它的特殊性，却很少看类似项目过去真实花了多久、超了多少预算、最终有多少人愿意使用。
更稳妥的做法，是先采用“外部视角”。
假设要做一套新的科研数据平台，不妨先找出过去5—10个相近项目，看看它们从立项到可用的实际周期、数据清洗占比、接口联调次数和上线后的活跃度。先得到一个现实分布，再讨论这次为什么可能更快。
这就是“参考类预测”的基本思想：不要只根据眼前计划推演未来，也要用同类项目的真实结果校正乐观估计。Bent Flyvbjerg对大型项目规划的研究指出，参考类数据能够帮助决策者绕开内部视角带来的乐观偏差。
我会按下面的顺序做：
找到真正相似的一组案例，而不是只找成功案例；
看它们的结果分布，而不是只看平均值；
先把当前项目放进这个分布，再根据明确差异进行调整。
特别要警惕一句话：“我们这次不一样。”
它有时成立，但必须拿证据来换。否则，它只是乐观偏差最喜欢穿的一件外套。
04 把“决定是否合理”和“结果是否幸运”分开
这是我认为最重要、也最容易被忽略的一条。
一个团队先做灰度发布、准备回滚方案、检查监控指标，却因为一个此前从未出现的外部依赖故障，仍然遭遇了短暂事故。这可能是一个合理的决定，碰上了坏结果。
另一个团队跳过测试，直接全量上线，结果那天什么也没发生。这不是高水平，只是一次坏决定碰上了好运气。
如果只看结果，我们就会奖励冒险，惩罚严谨。久而久之，组织学到的不是如何做正确的事，而是如何在出事以后讲一个能过关的故事。
心理学家Jonathan Baron和John Hershey将这种倾向称为“结果偏差”：人们会因为已经知道结果，而改变对当初决策质量的评价。
复盘时，我更愿意把问题拆成两组。
第一组，检查过程：当时掌握了什么信息？有没有考虑基准概率？关键假设是否被验证？是否设置了风险边界？
第二组，检查结果：哪些来自能力，哪些来自运气？哪些风险已经提前识别，哪些是模型之外的新变量？
这样做不是为失败找借口，而是避免从一次结果中学到错误的经验。
好结果值得庆祝，但只有好过程才值得复制。
05 在说服别人之前，先认真反对自己一次
方案一旦由自己提出，人就会本能地搜集支持它的证据。
产品Demo很顺，我们会觉得技术路线选对了；找到了两个正面案例，我们会觉得市场已经被验证；团队第一次测试表现不错，我们会开始想象规模化之后的收益。
真正稀缺的不是更多支持，而是一个能让自己改变主意的反面证据。
我很喜欢Gary Klein提出的“事前验尸（Pre-mortem）”方法。它不问“项目可能遇到什么问题”，而是直接假设：
六个月后，这个项目已经失败了。请解释它究竟是怎么失败的。
如果我们要上线一个能够自动修改代码的Agent，答案可能包括：
测试集覆盖不足，Agent学会了绕过检查；
权限边界过宽，一次错误调用影响了生产环境；
单次任务效果不错，但总体调用成本失控；
日志无法还原执行链路，出错后找不到责任节点；
团队嫌审批麻烦，最后绕开系统使用。
“事前验尸”建立在“前瞻性回顾”的思路上：先把失败当成已经发生，再从未来往回寻找原因，往往比笼统地问“有什么风险”更容易说出那些不方便说、也不愿意想的问题。
为了避免讨论被最有话语权的人带走，我通常建议每个人先独立写，再统一汇总；先收集原因，不急着辩论；最后按“发生概率 × 影响程度 × 可探测性”排序。
红队不是来反对项目的，而是来保护项目不被自己的热情骗过。
06 与其在会议里争论，不如用一个便宜实验购买信息
很多团队把三周时间花在讨论A方案还是B方案，真正需要的可能只是一次两天的小实验。
例如，团队在纠结RAG应该选择复杂的多阶段检索，还是先用简单的混合检索。与其继续对着架构图争论，不如抽取100条真实问题，建立一个小型评测集，分别记录召回率、回答正确性、延迟、成本和失败类型。
实验不一定直接给出最终答案，但它能迅速消灭一批错误假设。
做决定前，可以换一个问法：
现在最便宜、最快，而且最可能改变我判断的证据是什么？
可能是一次访谈、一个原型、一组影子流量、一周试运行，也可能只是把20条真实失败样本重新跑一遍。
但这里还有另一条边界：不是所有不确定性都值得消除。当新增信息已经不太可能改变选择，继续调研就不再是谨慎，而是在推迟承担责任。
所以小实验必须提前写清楚三件事：我们想验证什么；什么结果会让我们改变方向；最晚什么时候停止。
好的实验不是把事情做大，而是用最小成本让事实尽早出现。
07 决策必须自带“退出条件”和反馈回路
很多错误不是发生在决定做出的那一刻，而是发生在新证据已经出现之后，我们仍然拒绝更新。
投入了三个月，就不愿停；公开表态过，就不好改口；负责人亲自拍板，就没人再提反对意见。最后，项目继续推进的理由，不再是它值得做，而是我们已经做了太多。
解决这个问题，不能只靠意志力。最好在行动之前，就把退出条件写下来。
一份最小决策记录可以只有六项：
当前判断与关键依据；
最重要的三个假设；
对结果的概率估计，而不是“肯定”“大概”这类模糊词；
能够最早反映方向的领先信号；
触发暂停、回滚或转向的条件；
下一次重新评估的日期。
例如，决定微调一个行业模型时，可以事先约定：两周后核心指标提升不足3%，或推理成本超过预算上限，就暂停扩大训练，重新比较 RAG、提示工程和数据治理方案。
这样，停止不再等于“谁失败了”，而只是系统按预先设定的规则切换路径。
Daniel Kahneman与Gary Klein在研究“何时可以相信专家直觉”时，给出了两个重要条件：环境本身要有足够稳定的规律，人还要有机会通过及时、明确的反馈学习这些规律。
这意味着，年限本身不会自动变成经验。只有当判断被记录、结果可核对、错误被修正时，直觉才可能越来越可靠。
经验不是做过很多次，而是每做一次，都完成了反馈更新。
最后：好决策的终点，不是“永远选对”
我们总想找到一种方法，确保下一个关键选择不会出错。
但现实世界不是一道答案唯一的选择题。信息永远不完整，变量会中途变化，运气也始终存在。任何声称可以消灭不确定性的决策方法，最终都只是另一种确定性幻觉。
更实际的目标是：
让可逆的决定更快发生；
让不可逆的风险得到足够审查；
用真实基准修正自己的故事；
用小实验尽早购买关键信息；
在行动前写好退出条件；
在结果出来后，更新方法，而不是维护面子。
AI 可以帮我们检索、比较、推演和监控，却不能替我们定义什么值得追求、什么代价不能接受，更不能替我们承担选择的后果。
所以，AI时代真正稀缺的并不是答案，而是一个人面对答案时的判断结构。
我越来越相信，真正的高手并不是每一次都能押中未来。他们只是更擅长把大错误拆成小实验，把模糊争论变成可验证的假设，也更愿意在事实变化之后坦然改口。
他们不是更会证明自己当初是对的，而是更快发现自己可能错了。
而这，可能才是更好决策最重要的原则。
做决定前，我会问自己的10个问题
这件事真正要优化的结果是什么？
哪些约束不能突破？
这是可逆决定，还是不可逆决定？
如果错了，最大损失是什么？
相似事情过去的真实结果如何？
哪项证据最可能证明我错了？
能否先做一个更小、更便宜的实验？
什么结果会让我改变方向？
什么时候必须重新评估？
10.结果出来以后，我如何区分能力与运气？