AIMeticulously

#挑战100天100个GPTs 写在前面机场出口，有人塞给你一朵花。你不想接，可花已经在你手里了，再还回去显得不近人情。几秒后他开口：能捐点钱吗。你掏了二十块。这不是你慷慨，是互惠倾向在替你结账。 互惠倾向，是查理·芒格《人类误判心理学》25 条里的第 9 条，Reciprocation Tendency。一句话：人收到别人的好处（或让步），会自动生出”该还回去”的冲动，而且往往还得比收到的更多。这套反应不是修养，是写在基因里的社会程序。芒格原话讲，连猿猴、狗乃至更低级的动物都有，它”facilitates group cooperation”（促成群体合作），是贸易、婚姻、契约能跑起来的底层协议。学术源头比芒格更早、更细：社会心理学家 Robert Cialdini 1984 年那本《Influence》把互惠列为说服的六大原则之首；Dennis Regan 1971 年在康奈尔做的”可乐实验”是它最有名的实证，助手 Joe 给被试一瓶可乐，回头让他买抽奖券，收到可乐的人买的券是没收到的人的两倍，而且跟他们喜不喜欢 Joe 没关系。互惠的可怕就在这里：它绕过了”我喜不喜欢你”这...

#挑战100天100个GPTs 写在前面一家公司里所有部门都在推 AI 大模型试点，每个汇报里都写着”行业头部企业已全面落地 AI”。一把手拿着这份材料去拍预算，几乎没人问一句：那个”全面落地”到底是哪几家、落到什么程度、还是只是新闻标题。等一年后复盘，试点炼狱里堆着十几个跑不通的 PoC，大家才发现当初那个”人人都在做”的判断，根上是个互相参照的回音壁。这就是社会证明倾向（Social-Proof Tendency）在组织里最典型的发作姿态：当一件事的答案不明确，人会把”别人怎么做”当成”该怎么做”的捷径，而那个”别人”往往也只是看了另一个”别人”。 社会证明倾向，大白话就是”大家都这么干，那我也这么干”。它由查理·芒格在《The Psychology of Human Misjudgment》25 条倾向里给它第 15 条 Social-Proof Tendency，原话大意：人本来复杂的行为，会因为观察到周围人怎么想、怎么做，而自动跟着想、跟着做——这种跟从多数时候挺好用（到了陌生城市，跟着人流走就能找到球场），可一旦参照的那个”多数”是错的、或人在压力下，它就成了羊群、成...

#挑战100天100个GPTs 写在前面一家公司年年喊”客户至上”，可销售提成只按签约额算。于是销售拼命推能拿高返点的劣质机型，客户拿到手就后悔——这不是销售的人品问题，是他站在那套激励下能做的最优选择。CEO 大骂”这帮人怎么这么没底线”是问错了问题；该问的是”我把激励设计成这样，凭什么指望他们替客户着想”。这是奖惩超反应倾向最典型的发作姿态：人不是按你的口号行动，是按你发的奖金行动。 奖惩超反应倾向，大白话就一句——你想让人干什么，就把奖惩对准什么。芒格把它放在他《The Psychology of Human Misjudgment》25 条心理倾向的第 1 条（Reward and Punishment Superresponse Tendency），开篇就引富兰克林的话：”If you would persuade, appeal to interest and not to reason”（想说服人，诉诸利益，别诉诸道理），接着甩出一句狠话：”Never, ever, think about something else when you should be thin...

#挑战100天100个GPTs 写在前面二战 1943 年，美军轰炸机战损率高得揪心。军方统计了返航飞机上的弹孔分布，发现机翼、机身、机尾弹孔最密，引擎上几乎找不到。直觉结论很自然：哪里中弹多就在哪里加固装甲。统计学家亚伯拉罕·瓦尔德（Abraham Wald）拦住了这个决定——他说，我们看到的都是能飞回来的飞机；引擎上没弹孔不是因为它不会中弹，而是中弹的那些根本没飞回来。装甲该加在弹孔最少的地方。这一句把幸存者偏差讲透了：你只研究飞回来的飞机，结论就一定偏向”怎么飞回来”，永远看不见”怎么掉下去”。 幸存者偏差思维模型，讲的是”看不见的失败样本才是最关键的信息”。它的经典源头就是瓦尔德 1943 年在哥伦比亚大学统计研究小组（Statistical Research Group, SRG）的那份备忘录《A Method of Estimating Plane Vulnerability Based on Damage of Survivors》。瓦尔德本人就是个反讽——一个 1938 年从纳粹欧洲逃到美国的罗马尼亚裔犹太统计学家，父母姐妹都没能逃出、死于集中营，他用统计救了无数...

挑战100天100个GPTs写在前面一位资深信贷审批员，凭二十年经验，三秒钟就能嗅出一笔贷款”有味道”。大多数时候他对，偶尔他错得离谱，而他自己分不清这次是哪次。 卡尼曼把人脑子里这道裂缝叫系统1和系统2：快思考省力、自动、靠直觉，慢思考费力、刻意、靠逻辑。麻烦在于，系统1给你的”确定感”和你到底对不对，没有必然联系——你越老练，往往越觉得自己对，哪怕环境已经变了。 这款 GPT 不打算消灭直觉（灭不掉，也没必要灭）。它只在你该慢下来的地方，帮你装一个”停一下”的开关。适合靠判断吃饭、一次失误代价很大的人：信贷、采购、招聘、战略择时、定价、质检。如果你只想背一串”认知偏差”名词，这篇帮不了你；如果你想知道自己哪类决策可以放心交给直觉、哪类必须强制走流程，可以接着往下看。 效果呈现 GPTs 源码：https://github.com/iaiuse/100day100gpts/blob/main/030、卡尼曼双系统思维模型 把一个你最近拿不准的决策告诉它——信贷要不要批、采购选哪家、这个人要不要招、这个价怎么定都行。它会先判断这事主要落在系统1还是系统2，再看你所处的环境该不该...

#挑战100天100个GPTs 写在前面一个判断做完，事后证明错得离谱，复盘时常怪自己”当时脑子发热”。其实大多数时候不是脑子发热，是脑子在偷懒——在信息不全、时间又紧的时候，它本能走了捷径。Tversky 和 Kahneman 在 1974 年那篇 Science 论文里把这种捷径叫做”启发式”（heuristic），并指出三条最常用的：代表性（像不像典型）、可得性（想不想得起来）、锚定（被第一个数字带跑）。捷径本身是好的，问题在于它会系统性地把你往同一个方向带偏，而且你以为自己在理性判断。这款 GPT 的活儿，不是劝你”凡事别冲动”那种废话，而是逼你说清：我这个判断，靠的是哪一条捷径？它最可能把我往哪里带偏？要不要为这条偏差补一道校验？ 先把一个流传很广的混淆拆掉。这套”启发式偏差”的源头是 Kahneman 和 Tversky 的学术体系，不是查理·芒格。芒格另有一套《人类误判心理学》（1995 年哈佛讲演，后整理为 24/25 条心理倾向），那套偏行为主义、讲激励和社交影响，和 Kahneman 这套偏认知心理学的启发式不是一回事。中文”100 个思维模型”清单...

#挑战100天100个GPTs 写在前面一家做企业通信的产品经理，盯着自己负责的视频会议功能发愁：功能越堆越多，客户还是不满意，对手的同类功能甚至更花哨。他一直在”这个功能加不加、那个 bug 修不修”的层面打转，越想越窄。换个视角——把视频会议放进九宫格里：往上看超系统（企业的协作生态、办公套件、行业合规），往下看子系统（编解码芯片、网络协议、AI 降噪模块），再看这条线在过去是怎么演化来的、未来三年会被什么颠覆。一拉到这九格，他的注意力被迫从”功能细节”跳出来，看到自己一直没看见的东西：视频会议的未来不在画质和功能数，在它怎么长进 AI 原生的协作流里。这就是九宫格最典型的发作姿态：它不给你答案，它逼你换视距。 九宫格思维模型，真身是 TRIZ（发明问题解决理论，Theory of Inventive Problem Solving）创始人根里奇·阿奇舒勒（Genrich Altshuller）提出的”九屏幕法”（Nine Screens / Nine Windows / System Operator / Multi-Screen Thinki...

#挑战100天100个GPTs 写在前面竞争是不是你死我活？很多人默认是。这个模型给的答案是另一套——竞争的真正产物不是”谁赢”，是”所有参与者都被逼着进化”。红皇后那句话最直白：你拼命跑，只为留在原地。 这款 GPT 适合在红海里越拼越累、或正犹豫要不要进某个拥挤赛道的人。它帮你分清自己处在红海还是蓝海、找到对手短期抄不走的差异化定位、把能合作的零和转成正和——把竞争当进化的燃料，而不是互相消耗的战场。 效果呈现 GPTs 源码：https://github.com/iaiuse/100day100gpts/blob/main/028、竞争进化思维模型 怎么用：把下面「GPTs 源码」里的提示词完整复制到任意 AI 工具（Claude / GPT / Gemini），开始对话即可。 实测对话三个角度测这个 GPT（个人 / 组织 / 边界），挑顺手的丢进 Gem，把对话粘回对应块，不用的发布前删掉。 竞争进化·实测①（个人·红皇后检查） ...

#挑战100天100个GPTs 写在前面一家做了十几年的运营商系公司，每次谈 AI 转型，最后都卡在同一句话上——“我们这个行业不一样，监管不允许”。可隔壁省的兄弟单位，同样的牌照、同样的监管，半年前就跑通了智能客服试点。差别不在监管，在”行业不一样”这五个字已经成了条件反射：方案还没讨论，脑子里那堵墙先立起来了。这是”破束缚思维模型”最典型的发作姿态：束缚很少来自外部规则，绝大多数来自我们自己搬进脑子里的隐性边界——经验、惯例、所谓”常识”、那句”一直就是这样”。 破束缚思维模型，看的是那些限制你思考、却从没被拿出来审视的隐形假设。束缚有几个常见来源：前提（你默认成立的那些”当然”）、时空（”这事只能现在做/只能在这做”）、格局（”我只能在这一层解决”）、角色（”我是 X，这事不归我管”）、视角（只从一个角度切）。把”理所当然”挨个拎出来问一句”凭什么必须这样”，很多看似无解的题会突然松动。这套做法的真身其实混了四股劲：斯多葛学派的 premeditatio malorum（先想最坏、倒推应对）、数学家 Jacobi 的”反演、永远反演”、Edward de Bono...

#挑战100天100个GPTs 写在前面一个董事会上，CIO 汇报”我们要全面上 AI Agent，今年先做六个试点”。没人质疑，预算批了。半年后，六个试点五个停在 POC，没一个进生产。复盘时才有人问出口：当初那个”全面上 AI Agent”的决定，到底默认了什么？它默认了”模型够强就能落地””试点跑通就能规模化””供应商的 ROI 故事等于我们的 ROI”——这些没说出口、却人人当成真的前提，才是这个项目真正的底座。底座没被验过，楼就盖在了沙上。MIT NANDA 2025 年的研究摆在那里：约 95% 的生成式 AI 试点产生不了可量化的损益影响，根因不是模型不行，是组织集成的那些”没说出口的假设”塌了。 隐含前提思维模型，干的就是这件事：把一个观点、一个决定、一句宣传背后没有说出口、却被默认成立的前提挖出来验。每个人说话做事，都站在一堆自己未必察觉的假设上——“加班比陪家人重要””客户总会为好东西买单””这个市场会一直涨”。这些前提平时是效率（卡尼曼说的 System 1 靠它们快速决策），可一旦前提错了，再漂亮的推理也是错的，只是错得很自洽。这款 GPT 是个挖前提的陪...