技术与思考
行为研究、人因工程与 AI 工作：实践反思、观点分析和待验证的方法。
全部 22 篇
按议题分组 · 组内最近更新优先
问题重构、知识与判断
- 别把人的决策，当成系统的自然规律从平台规则到项目协作：历史结果之外，还需要识别行动者、信息、激励、权限与反馈，同时承认看不见的内部过程。阅读这篇文章
- 技术上先进之后，还要回答怎样稳定交付从演示走到持续使用，需要比较问题覆盖、验证成本、维护条件与退出能力。为什么简单方案和复杂方案都应该承担举证责任。阅读这篇文章
- 所有问题都是技术性问题我说的技术，是拆解目标、约束与关系，重新组织现有条件，找到可执行、可检验的办法。这句话如何指导我做研究、用 AI，以及与人合作。阅读这篇文章
- 好答案离开对话以后：知识怎样进入团队的工作从查到 PDF 到复用一个判断，还隔着问题、上下文、版本和协作。为什么检索命中、可访问的页面与持续回写都属于知识工程。阅读这篇文章
- “普通人”不是背景介绍，而是比较问题的核心条件在比较就业与经营等路径前，先把起点、分母、时间范围和结果口径说清。总体分布为什么不能直接回答一个具体人的实现难度。阅读这篇文章
- 项目结束后，哪些东西值得留下除了报告，还要留下为什么这样做、哪里出过错，以及下一个人怎样开始。阅读这篇文章
AI 系统与人机协作
- 需要人一直照看的 Agent，究竟自动化了什么后台运行只是起点。把配置、监督、恢复和注意力中断纳入评价，才能判断自动化是否让使用者真正少操心。阅读这篇文章
- 从一次研究到一个 Skill：把专业方法留下来一次好答案不能说明流程可重复。用研究简报这个例子，拆出输入、检索策略、证据记录、判断节点、异常路径与质量验收。阅读这篇文章
- 当工作越来越可以被编程，人的工作发生了什么变化从选择软件到定义任务：当智能体能按需连接工具，目标、上下文、验收和授权为何成为更重要的工作内容。阅读这篇文章
- 把行为数据交给 AI 之前，还有哪些步骤文件归属、时钟、缺失片段与质控没确认，模型就可能解释错了对象。阅读这篇文章
- AI 写出结论后，我要能查回哪一步从错误文件到过度解释：PsyPhiClaw 中需要检查的六类问题，以及还没有完成的验证。阅读这篇文章
- 为什么我的两个 Agent 不共用一份记忆高频简报和业务分析需要不同上下文；对关键记录的读写权限也要单独处理。阅读这篇文章
行为、测量与解释
- 把行为编码成标签时，我们究竟保留了什么动作识别正确，解释仍可能错误。从一次伸手的不同含义出发，讨论编码体系、符号落地，以及行为分析应该保留的情境。阅读这篇文章
- 识别出行为之后：从标签到结构，还有多远相同的动作次数，可以对应完全不同的过程。为什么切片方式、Markov chain、隐状态与长程序列，需要围绕不同研究问题选择。阅读这篇文章
- 姿态、表情与语音：怎样区分观察和推断多一种信号，不等于多一份独立证据。用一个假设场景拆开动作、解释和内部状态，讨论冲突、缺失与真正有用的多模态融合。阅读这篇文章
- 什么时候值得多加一种测量一次乳品包装研究里，EEG、眼动和观察分别承担什么工作，以及怎样判断一种信号有没有必要。阅读这篇文章
- 四年教学留下的习惯：看对方实际怎么做从课堂到研究现场，我逐渐把注意力从“解释清楚了吗”转向“对方在哪一步做不到”。阅读这篇文章
- 怎样判断一次停顿是不是问题从六城金融 App 研究谈起：先保留动作和情境，再决定它是困惑、权衡，还是需要修改的设计。阅读这篇文章
- 视频分三遍处理，第一遍漏了怎么办BehaviorLens 原型的一项取舍：中间步骤便于复核，但只分析候选段无法自动找回漏掉的事件。阅读这篇文章
模拟、体验与验证
想连续读？展开四条阅读路径
把问题接着往下问
四条路径，连起来读。
每篇可以单独阅读；沿着顺序读，可以看见一个判断如何延伸到下一个问题。
从动作到理解
先问标签留下什么，再看行为怎样组织，最后检查不同证据怎样支持解释。
从模拟到现实检验
模拟先提出能被推翻的预期，再展开时间与任务，回到设计过程中的验证。
从一次执行到持续工作
工作怎样变成可执行任务，人的负担有没有减少，方法与知识又怎样留下来。
从结论回到成立条件
检查题目对谁成立、规则由谁改变，再把技术选择放回真实交付条件。