当我们陷入困境时，无论是工作中的难题还是人生选择，我们往往会倾向于向自己或是他人来寻求答案。
此时，我们可以通过使用思维框架来进行辅助决策。这个思维框架就像是一个备忘录，它往往不会是一个答案，而是会指导你去进行思考。使用这些思维框架，不仅仅可以帮我们弄清楚到底发生了什么，而且能够让我们更敏锐的感知事物和事情的发展方向。这样的话我们就可以在各种各样的条件下找到更好的答案。
我们有了 AI 之后，可以利用 AI 的能力并应用思维框架，在与 AI 对话的过程中逐渐提升思维，帮助我们做出更好的决策。
第一性原理思维
什么是第一性思维
“第一性原理思维”（First Principles Thinking）是一种通过将复杂问题分解为其最基本、最核心的组成部分或事实（即“第一性原理”），然后基于这些基本事实重新构建解决方案的思维方式。
它与我们更常用的“类比思维”（Reasoning by Analogy）相对。类比思维是基于过去的经验、现有的做法或别人的做法来进行判断和决策，本质上是在现有框架内做微小的调整或模仿。
第一性原理思维与类比思维的对比：
类比思维： “别人都是这么做的，我们也这样做吧，稍微改改。” 或者 “这个东西像那个东西，所以它的特性应该也类似。”
- 优点：快速、省力，适用于很多日常情况。
- 缺点：容易陷入思维定式，难以产生颠覆性创新，可能继承现有方案的缺陷。
第一性原理思维： “这个问题的本质是什么？构成它的最基本要素有哪些？这些要素遵循哪些基本规律？基于这些规律，最优的解决方案应该是什么样的？”
- 优点：可能产生突破性创新，发现更优、更高效、成本更低的解决方案，深刻理解问题本质。
- 缺点：耗时、费力，需要深入的知识和强大的分析能力。
核心理念：
1、分解（Decomposition）： 面对一个问题或目标时，不接受现有的假设、惯例或“常识”。而是不断地问“为什么”，直到触及问题的最基本、不可再分割的要素。这些要素是基于物理定律、基本人性、数学公理等不证自明的基础事实。
2、质疑（Questioning Assumptions）： 挑战所有预设的前提条件。很多时候，我们认为理所当然的事情，其实只是过去的习惯或基于特定历史条件的产物，并非牢不可破的真理。
3、重构（Reconstruction）： 在确定了最基本的原理之后，抛开现有的解决方案和路径，从这些基本原理出发，一步步地、逻辑地推导出新的、可能完全不同的解决方案。
应用实例（以埃隆·马斯克和 SpaceX 为例）：
问题： 传统火箭发射成本极高。
类比思维： 看看 NASA 或其他航天公司怎么造火箭的，他们的成本是多少，我们想办法在这个基础上降低 10-20%。
第一性原理思维（马斯克的做法）：
- 分解： 火箭是由什么组成的？铝合金、钛、铜、碳纤维等材料。这些材料的基本市场价格是多少？制造和组装需要多少成本？燃料成本是多少？发射操作成本是多少？
- 质疑假设： 为什么火箭必须这么贵？是因为材料本身贵，还是因为现有的供应链、制造工艺和“航天级”标准导致价格虚高？火箭必须是一次性的吗？
- 重构：
- 计算出制造一枚火箭所需原材料的总成本，发现只占当时市场火箭报价的极小一部分（约 2%）。
- 结论：巨大的成本差异来自于制造、集成和传统做法。
- 解决方案：自己设计和制造大部分零件，垂直整合供应链，优化制造流程，最重要的是，开发可重复使用的火箭技术，从根本上降低单次发射成本。
为什么需要AI来辅助进行第一性原理思维决策？
AI，特别是大型语言模型（LLM），在信息处理、模式识别和生成多样化观点方面有独特优势，可以成为你思维过程中的强大助手。
如何使用AI来辅助进行第一性原理思维决策
核心原则：将 AI 视为一个不知疲倦的研究员、一个创意发散器和一个严格的“质疑者”，但最终的判断和整合仍需由你完成。
步骤与方法：
| 步骤 | 目标 | AI可以做的事情 | Prompt 示例 |
|---|---|---|---|
| 1、清晰定义你的决策问题 (Define the Decision) | 非常清晰地表述你面临的决策或需要解决的问题,越具体越好 | 你可以向 AI 描述你的问题，并让它帮你提炼或从不同角度重新表述，确保你没有遗漏关键方面。 | Prompt 示例: "我正在考虑是否应该[辞职创业/更换职业赛道/投资某个项目]。请帮我将这个决策问题分解成更具体、可分析的子问题。" |
| 2、利用 AI 进行分解与信息搜集 (Decomposition & Information Gathering) | 将问题分解到最基本的组成部分，并收集关于这些部分的基础事实信息。 | 分解问题: 要求 AI 列出构成该决策的所有关键要素、变量和利益相关者。 | Prompt 示例: "关于决定是否[辞职创业]，构成这个决策的基本要素有哪些？（例如：财务状况、市场机会、个人技能、风险承受能力、时间投入、家庭影响等）" |
| 搜集基础事实: 让 AI 查找与这些基本要素相关的、不带偏见的基础数据、物理定律（如果适用）、公认的经济原则、基本的人性需求等。（关键：要求 AI 提供信息来源，并自行验证！） | Prompt 示例: "关于[某个特定市场]，其基本规模、增长率、主要竞争对手有哪些客观数据？" 或 "启动一个[某类型]公司，其最基本的法律要求和固定成本构成通常有哪些？" 或 "从心理学角度看，人类做出职业选择时最基本的需求有哪些？（例如：安全感、成就感、归属感等）" | ||
| 3、利用 AI 识别和质疑假设 (Identify & Question Assumptions): | 找出你或社会普遍存在的、关于这个问题的隐含假设，并对其进行挑战。 | 列出常见假设: 要求 AI 列出关于你决策领域常见的“常识”、行业惯例或普遍信念。 | Prompt 示例: "在[某个行业/决策领域]，人们通常有哪些默认的假设或思维定式？例如，关于[创业失败率/某个技术的必要性/某种商业模式的可行性]的常见看法是什么？" |
| 扮演“魔鬼代言人”: 要求 AI 针对你提出的某个假设或现有方案，提出质疑和反驳观点。 | Prompt 示例: "我现在假设[为了成功创业，必须要有大量启动资金]。请扮演魔鬼代言人，挑战这个假设。有哪些反例或不同的路径？这个假设在什么条件下不成立？" | ||
| 探究假设来源: 让 AI 尝试分析某个假设可能源自何处（历史原因、特定技术限制、文化因素等）。 | Prompt 示例: "为什么人们普遍认为[某种做法]是必要的？这种看法的历史根源可能是什么？" | ||
| 4、利用 AI 从基本原理出发重构方案 (Reconstruct Solutions from First Principles): | 基于前面确认的基本事实和原则，不受现有框架束缚，构思全新的解决方案。 | 生成多样化选项: 给出你识别出的基本原理（例如：最低成本要求、核心用户需求、必须遵守的物理定律），让 AI 基于这些原理生成可能的解决方案，包括那些看似不合常规的。 | Prompt 示例: "假设我的目标是[以最低成本实现 X 功能]，并且必须遵守[物理原理 A 和 B]，同时满足用户最基本的需求是[需求 Y 和 Z]。请基于这些第一性原理，构思几种实现这个目标的可能方法，不必考虑当前市场上的主流做法。" |
| 组合基本要素: 让 AI 探索将不同的基本要素以新颖的方式组合起来，可能产生什么结果。 | Prompt 示例: "如果我们将[基本要素 A]和[基本要素 B]结合起来，应用于解决[决策问题]，可能会产生哪些创新的解决方案或商业模式？" | ||
| 评估方案可行性（初步）: 让 AI 基于基本原理，初步评估某个新构思方案的优缺点、潜在风险和资源需求。 | Prompt 示例: "对于刚才构思的[某个新方案]，基于我们确定的基本原理和事实，它的主要优点、潜在缺点和可能遇到的最大障碍是什么？" | ||
| 5、你进行批判性评估和决策 (Critical Evaluation & Decision by You): |
注意事项：
- AI 只是工具: AI 提供的信息、质疑和构思都需要你进行严格的审视和判断。
- AI 的局限性: AI 可能产生“幻觉”（编造信息）、带有训练数据中的偏见、缺乏真正的理解和常识、无法完全把握复杂情境的细微差别。
- 验证信息: 再次强调，AI 提供的事实性信息（数据、定律等）必须通过可靠来源进行验证。
- 提问的质量决定输出的质量 (Garbage In, Garbage Out): 你向 AI 提出的问题越清晰、越具体、越深入，得到的回应就越有价值。
- 迭代过程: 使用 AI 辅助 FPT 不是一次性的，可能需要多轮提问、澄清、质疑和重构。
- 结合实际: 将 AI 生成的、基于纯粹原理的方案，与你自身的具体情况（资源、风险偏好、价值观、时间限制等）相结合。
- 保持主导: 始终记住你是思考的主体，AI 是辅助工具。不要完全依赖 AI 的结论。
- 整合与决策: 最终，由你整合所有信息，权衡利弊，做出符合第一性原理思考的、明智的决策。
一个简化的例子：是否要购买电动汽车
1、定义: 决定是否将现有燃油车更换为电动汽车。
2、分解 & 搜集:
- Prompt: "购买和使用汽车的基本要素有哪些？（成本、能源、维护、续航、环保、便利性等）"
- Prompt: "电动汽车和燃油车的核心工作原理分别是什么？（能量转换效率、燃料来源等）"
- Prompt: "目前电池的基本成本构成是什么？电网电价的基本构成？汽油价格的基本构成？本地充电设施的普及率数据？" (需验证 AI 数据)
3、质疑假设:
- Prompt: "人们对电动汽车常见的假设有哪些？（例如：充电不方便、电池寿命短、不环保、购买成本高）"
- Prompt: "请挑战‘电动汽车总成本一定比燃油车高’这个假设。在哪些条件下它不成立？计算总拥有成本（TCO）需要考虑哪些基本要素？"
4、重构:
- Prompt: "基于能量效率、能源成本、维护需求这些基本原理，以及我的年行驶里程 [X 公里] 和本地电价 [Y 元/度]、油价 [Z 元/升]，不考虑现有补贴政策，重新计算和比较电动车与燃油车的长期使用成本。"
- Prompt: "如果我的核心需求是最低的通勤成本和对环境影响最小，基于基本原理，除了购买现有电动车，还有哪些出行解决方案？（例如：共享出行、电动自行车、优化现有车辆使用等）"
5、你决策: 结合 AI 提供的信息、计算结果、对假设的挑战，以及你自己的财务状况、生活方式、对环保的重视程度等，做出最终决定。
通过这种方式，AI 可以极大地扩展你的信息处理能力和思维边界，帮助你更系统、更深入地运用第一性原理进行决策。
二阶思维
什么是二阶思维
“二阶思维”（Second-Order Thinking）是一种更深入、更全面、更具批判性的思考方式。它要求我们不仅考虑行动的直接后果（一阶后果），还要进一步思考这些直接后果所引发的后续后果（二阶、三阶甚至更高阶的后果）。
简单来说：
一阶思维 (First-Order Thinking)：关注的是直接的、明显的、即时的结果。它通常是肤浅的、简单的、容易想到的。
例如：“我很饿，所以我要吃一块蛋糕。”（直接满足饥饿感）
二阶思维 (Second-Order Thinking)：关注的是间接的、隐藏的、长期的影响，以及行动可能引发的连锁反应和意想不到的后果。它需要更深入的思考和分析。
例如：“如果我吃了这块蛋糕（一阶后果：满足感），那么我可能会摄入过多糖分和卡路里（二阶后果），这会影响我的减肥计划（三阶后果），长期下去可能对健康不利（更高阶后果）。”
二阶思维的关键特征：
- 超越表面 (Going Beyond the Obvious)： 不满足于显而易见的答案或结果，探究更深层次的影响。
- 考虑时间维度 (Considering Time)： 思考决策在短期、中期和长期的不同影响。一阶思维往往只关注短期。
- 系统性思考 (Systems Thinking)： 认识到事物是相互关联的，一个行动可能在系统的其他部分引发涟漪效应。
- 预测连锁反应 (Anticipating Chain Reactions)： 尝试预见一个行动可能触发的一系列后续事件。问自己：“然后呢？(And then what?)”
- 考虑意外后果 (Considering Unintended Consequences)： 意识到即使是出于好意的行动，也可能带来负面的、未预料到的结果。
为什么要使用AI基于二阶思维来辅助决策？
AI 可以帮助你拓展思路、识别盲点、模拟可能性，从而更深入地思考。
如何使用 AI 基于二阶思维来辅助决策
以下是一些具体的方法，你可以如何使用 AI 来辅助进行基于二阶思维的决策：
使用 AI 辅助进行二阶思维决策的方法：
| 步骤或方法 | 你的行动 (Your Action) | AI 的作用 (AI's Role) | Prompt 示例 (Prompt Example) |
|---|---|---|---|
| 1. 拓展后果链条 (Brainstorming Consequences) | 描述你正在考虑的决策或行动。 | 帮助列出直接后果（一阶），并针对每个一阶后果追问，推演后续影响（二阶、三阶等），形成后果链。 | "我正在考虑[决策X：例如，给所有员工加薪10%]。这个决策最直接的后果（一阶）可能是什么？" (针对一阶后果) "如果[一阶后果：公司运营成本增加]，这可能会进一步导致什么情况（二阶后果）？长期来看呢（三阶）？" "请帮我思考执行[决策X]的一个‘然后呢？’后果链条，至少延伸到三阶影响。" |
| 2. 探索不同时间维度的影响 (Exploring Time Horizons) | 明确告知 AI 你想分析决策在不同时间尺度（短、中、长期）上的影响。 | 系统性地分析和列出决策在短期、中期、长期的潜在正面和负面影响，揭示短期利益可能带来的长期成本。 | "关于[决策X：例如，收购一家小型竞争对手]，请分别列出它在未来 3 个月内（短期）、未来 2 年内（中期）和未来 5-10 年内（长期）可能产生的正面和负面影响。" "这个决策[决策X]的短期好处有哪些？但这些好处在中长期可能带来哪些意想不到的成本或问题？" |
| 3. 识别潜在意外后果与风险 (Identifying Unintended Consequences & Risks) | 要求 AI 扮演批判者、风险评估者或“魔鬼代言人”的角色。 | 跳出你的思维定式，主动识别和列出决策中容易被忽略的负面可能性、连锁反应、隐藏风险以及对其他利益相关者的非预期影响。 | "针对[决策X：例如，推行一项新的环保政策]，有哪些潜在的、我可能没想到的负面后果或风险？" "请扮演一个‘魔鬼代言人’，反驳我做出[决策X]的理由，并指出其可能带来的最糟糕的二阶和三阶后果。" "这个决策[决策X]除了直接相关方，还可能对哪些群体（如：供应商、当地社区、客户的客户）产生意想不到的负面影响？" |
| 4. 系统性思考与关联性分析 (Systems Thinking & Interconnections) | 描述决策所处的环境或系统（如公司、市场、生态系统、家庭）。 | 分析决策如何在系统内部引发涟漪效应，识别决策对系统中其他看似不相关部分可能产生的间接影响。 | "我的决策是[决策X：例如，市场部改变广告策略]，它发生在一个[系统描述：例如，跨国公司内部]。这个决策除了影响市场部和销售额，还可能如何间接影响公司的其他方面，比如[例如：产品研发、人力资源、品牌声誉、供应链]？" "如果[决策X]导致了[某个一阶后果：例如，用户投诉增加]，这个后果在整个[系统名称：例如，客户服务生态]中可能会触发哪些其他的变化？" |
| 5. 评估不同选项的二阶影响 (Comparing Options) | 提供给 AI 几个不同的备选决策方案。 | 对比分析每个备选方案的二阶及后续后果（特别是潜在的风险和长期影响），帮助你更全面地衡量不同选项的优劣。 | "我正在考虑方案 A [描述方案A] 和方案 B [描述方案B]。请帮我分别分析这两个方案可能带来的主要二阶后果（正面和负面都要考虑），并进行对比。" "在长期（比如 3 年后）来看，哪个方案（A 或 B）可能产生的负面二阶风险更大？为什么？" |
| 6. 模拟情景与压力测试 (Scenario Simulation & Stress Testing) | 设定一些特定的（可能是负面的）外部条件、变量或假设情景。 | 推演在特定外部条件下（如市场变化、资源限制、意外事件），你的决策会带来怎样的二阶后果，测试决策的稳健性。 | "假设我执行了[决策X：例如，启动一个新产品线]，但同时[设定情景：例如，主要竞争对手也发布了类似产品/原材料价格上涨30%]。在这种情况下，原先预期的后果会如何变化？会出现哪些新的二阶问题？" "如果最坏的情况发生，即[描述一个极端负面情景]，我的决策[决策X]会引发哪些灾难性的二阶或三阶后果？" |
使用提示：
- 提供清晰上下文： AI 的分析质量很大程度上取决于你提供的信息的详细和准确程度。
- 保持批判性： AI 提供的是基于模式的推演，你需要结合自己的知识和判断进行评估。
- 迭代追问： 不断深化问题，引导 AI 进行更深层次的思考。
- AI 是辅助工具： 最终决策权和责任在你手中。
