操盘手年鉴The Operators’ Almanac
AI · PB · 118

建议筛选启发法

Advice Evaluation Heuristic · advice-evaluation-heuristic--bret-taylor
AI 与新工作方式 操作手册 AI 时代 2025-07 Bret Taylor ✓ 已核验出处

解决什么问题

创业环境里从不缺建议,缺的是判断"该听谁的"。表达得越自信、越有说服力的观点,不代表越正确,该怎么筛选值得采纳的建议,而不是被最会讲故事的人带偏?

核心内容

Bret Taylor 提出两条具体的、可操作的建议筛选方法(不是"要有好判断力"这种空话,而是两个具体动作):

第一,不要只问"我该怎么办",要先问"我该找谁问"。直接问身边的人"如果要就这个问题获得好建议,我应该去问谁?"——当多个不同的人给出相近的答案时,这本身就是一个关于"这个人判断力好"的强信号。这比自己盲目挑选一个"听起来很懂"的人去问,更可靠。

第二,拿到建议后不要止步于"要怎么做",要追问"为什么"——像一个"不依不饶的两岁小孩"一样反复问"为什么、为什么、为什么",目的是理解对方给出这条建议背后所依据的框架(framework),而不是照单全收一条"规则"。Taylor解释了这一步为什么关键:大多数建议的本质,是别人从极少数几次亲身经历里做的外推(extrapolation)——他们说"永远不要做X"或"总是要做Y",往往是因为自己有一次因为做了/没做某件事而吃了亏或占了便宜。这条建议作为个案参考是有用的,但如果你不去追问"为什么",它听起来就会像一条放之四海而皆准的规则,实际上只是"一个数据点"。

Taylor给出一个升级用法:如果你就同一个问题分别问了三个人,发现他们描述的具体经历有相似之处,你就可以从这些具体案例里,反向提炼出一个第一性原理式的框架——用这个框架去指导决策时,你运用的是"带着分寸感的判断",而不是机械套用一条别人的"规则"。

Taylor同时提醒一个容易被忽视的信号偏差:一个人表达观点时的自信程度,和这个观点本身的准确程度之间,并没有很强的相关性——他甚至观察到,在自己真正精通的话题上,那些"讲得最流畅、最自信、最有说服力"的播客言论,反而常常是最不准确的。这意味着"这个人讲得好有道理、好自信"本身不能作为判断建议质量的依据。

适用边界

  • 这套方法依赖你确实有渠道去问"该找谁"以及能追问多个信息源的"为什么"——如果只有单一信息源可用(比如唯一的行业专家),这套交叉验证的方法就无法完整执行;
  • Taylor自己也承认"好判断力"本身很难教("我不知道怎么教这个"),这套方法是辅助提升建议筛选质量的具体动作,不能替代决策者自身长期积累的判断力和自我反思(对过去错误决策的复盘)。

关键引述 · 原话

"人们经常是在从很少的几次经历里做外推。他们会说,永远不要这样做,或者总是那样做,是因为他们有一次因为这样做而吃了亏,或本可以做得更好。"——Bret Taylor

关联卡片

与"impactful-task-vs-skillset-bias"(bret-taylor)互为呼应——两者共同构成"如何在信息不对称、充满自信却未必正确的建议环境里做判断"的一套组合方法。

出处Bret Taylor (Sierra CEO, OpenAI 董事会主席, ex-Salesforce co-CEO) · 03-podcasts/bret-taylor.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast(2019–2026)。本站为个人学习用途的二次创作,与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2