按场景浏览

用数字工具构建外部记忆系统：通过收集、组织、提炼、表达四个步骤，把信息转化为个人知识和创造力。

知识的层级结构组织：把知识按主题-分支-叶子的树形结构组织，从根到叶层层细化，建立知识体系。

用节点和连线表示概念关系：把概念作为节点，用连线和连接词表示概念间的关系，可视化知识结构。

凡是可能出错的事，就一定会出错——不是悲观，而是提醒你为最坏情况做准备。

每一起严重事故背后，有 29 起轻度事故和 300 起未遂隐患——重大事故不是偶然，是量变积累。

强者愈强、弱者愈弱——已有的优势会带来更多优势，形成累积优势的正反馈循环。

系统在部分组件失效时仍能维持基本功能的能力——关键决策前先算容错率，留足冗余和退路。

用二流零件组装出一流整体——系统的整体性能不取决于单个组件的最优，而取决于组件间的配合和架构设计。

从五个维度看行业竞争：现有竞争者、潜在进入者、替代品、供应商议价权、购买者议价权。

六个问题理清事情：What何事、Why为何、Who何人、When何时、Where何地、How如何，全面分析问题。

用户增长的五个环节：获取→激活→留存→收入→推荐，每个环节优化提升整体增长。

一个指标指引方向：找到最能体现产品核心价值的单一指标，全公司围绕它努力。

按共同特征分组追踪：把用户按注册时间或其他特征分组，追踪各组的行为随时间的变化。

用对照实验比较两个版本：将用户随机分为两组，分别使用A和B版本，用数据判断哪个更好。

用户留存随时间变化的曲线：新用户在一定时间后仍活跃的比例，是衡量产品粘性和增长质量的核心指标。

利息生利息，增长在时间维度上呈指数级加速——第八大奇迹。关键不是利率多高，而是时间多长和永不中断。

世界是不确定的，用概率而非「必然/不可能」来估计结果，并据此决策——不追求正确，追求概率上占优。

新证据出现时，用先验概率 × 证据似然度来理性更新信念，而非全盘推翻或固守。

极端表现之后通常会回到平均水平——不是因为你做了什么，而是因为极端值本来就不可持续。

样本量越大，统计结果越接近真实概率——抛 10 次硬币可能 8 次正面，但抛 10000 次会接近 50%。

无论原始分布是什么形状，大量独立随机变量的和/均值会趋近于正态分布——这是统计推断的基石。

用新证据更新信念：先有初始判断，看到新证据后，按贝叶斯公式更新概率。

既有局部聚集又有短路径：大多数连接是局部的，少数长连接大幅缩短任意两点的距离。

从数据中推断因果关系：用随机实验、自然实验、匹配等方法，区分相关和因果。

用变量预测另一个变量：建立自变量和因变量之间的数学关系，用于预测和解释。

把相似的对象分组：无监督学习方法，根据相似度把对象分成不同的簇。

用数据判断假设是否成立：提出原假设和备择假设，用统计量判断是否拒绝原假设。

模拟蚂蚁觅食的优化算法：蚂蚁通过信息素找到最短路径，模拟这个过程解决复杂优化问题。

模拟生物进化的优化算法：通过选择、交叉、变异操作，在解空间中搜索最优解，适合复杂优化问题。

剥开类比与惯例，回到最基本的不可再分的事实，从那里重新推理——别人告诉你「是什么」，你问「能是什么」。

如果多个解释都能说明同一现象，优先选择假设最少的那个——如无必要，勿增实体。

一个观念的「真理性」取决于它的实际效果——有用就是真理，能解决问题就是好理论。

对一切断言保持质疑，要求证据——不是否定一切，而是「不轻易相信，除非有充分理由」。

把复杂系统拆解成最小组成部分来理解——理解了零件，就能理解整体。

整体大于部分之和——系统的属性不能通过单独研究部分来完全理解，必须看整体和互动。

无解双向博弈死局：用自指回答让规则执行者陷入逻辑矛盾，无论如何选择都会自相矛盾。

全能者能否造出自己搬不动的石头？正反答案都会推翻「全能」设定，专门击破闭环绝对规则。

依靠已知现象和结局反向拆解背后的布局、规则与起因——从「是什么」反推「为什么」。

把时间拉长：关注长期价值而非短期得失，相信时间的复利和正确方向的力量。