所有问题都是技术性问题。
这是我看待问题的一个出发点。一件事很难，我会先问：它由什么构成？哪些条件让它变成了现在这样？重新组织这些条件，事情有没有可能发生变化？
我说的技术，范围很宽。写程序是技术，设计一次实验、提出一个能被回答的问题、安排信息怎样传递、让两个人有办法协作，也在这个范围里。它们有一个共同点：把希望发生的变化，落实到可以做、可以观察、可以调整的事情上。
很多时候，题目里已经偷偷放进了答案
“我们需要上 AI。”“团队应该再做一次培训。”“这个功能要做得更智能。”这些话听起来像需求，其实已经选了一种办法。
拿“团队需要培训”这个假设场景来说。我会先想知道：具体哪件事做不好？是不会做，还是知道怎么做，却拿不到信息、没有权限，或者做了也得不到反馈？
这几种情况可能表现得很像，处理方法却不同。知识不足，可以练习；信息来得太晚，要检查交接；职责冲突，要讨论谁能决定、谁承担后果。直接安排培训，可能让大家又听懂了一遍，回去仍然做不到。
所以我的第一步常常是把目标和方案分开。“要培训”可以重新问成：“我们希望谁在什么情境下，能够完成哪件事？现在阻碍它的是什么？”
重构到这里，才开始有选择。
拆解之后，还要把关系接回去
把一个问题分成十个小标题并不难。难的是发现：究竟哪个条件的变化，会影响另一个条件？
我会看几样东西：想达到的状态，当前实际发生的事，不能轻易改变的限制，以及我们能动手的地方。再沿着一次真实过程走一遍，检查信息什么时候出现，决定由谁作出，动作之后有没有反馈。
例如，用户在一个页面停了很久。把它标成“操作不熟练”，接下来的方案很可能是教学。但他也可能正在确认一笔操作的后果。此时缩短停留时间，未必服务于原来的目标。我们需要先弄清楚这段停顿意味着什么。
系统性拆解要保留这样的关系。只盯着人的能力，容易漏掉环境；只盯着某个环节的速度，也可能让后面的返工更多。
我更关心的是：换一个观察范围，会不会出现原来没看到的解法？
一个具体例子：不用等机器人做完，才能研究交互
在服务机器人研究中，我把一次互动拆成开始之前、如何开始、任务进行中和结束。这样，“让机器人更自然”就能变成更具体的检查：人知不知道它可以互动？发起之后有没有收到回应？结束时知不知道事情已经完成？
功能没有全部实现，也可以先验证其中一些问题。我用后台人工模拟关键响应，让参与者经历一段交互，再观察他们怎么理解。
这里改变的是验证顺序。我们把“实现功能”和“检查人能否理解交互”暂时分开，让后者先发生。人工模拟有能力边界，它不能证明机器人已经具备自主完成任务的能力；它能帮助检查这段交互是否值得继续做。
可及的工具因此多了一种：现场的人，也可以承担原型里尚未实现的部分。
解法的大小，不必和问题看起来的大小一样
在乳品包装研究里，我用了 EEG、眼动和自然行为观察。最后一项可以公开的建议，是增加果杯使用指引。
从设备到一条指引，中间需要做的是把信号放回使用过程：看到了什么，理解了什么，拿取、打开和食用时又发生了什么。工具分别帮助观察这些环节，最后要回答设计可以改哪里。
这个例子也提醒我，方案是否值得采用，要看它能否作用于卡点。它不需要证明我用了多少复杂工具。那条建议有没有改善后续使用，还需要另外验证；提出了建议，不能直接当作效果已经发生。
我选工具时，先问它要承担哪一段工作
我的工具箱里，眼动和行为观察帮助看清过程，模拟交互帮助提前检查想法，Python 和检索工具处理重复的数据工作，OpenClaw 和编码助手帮助我把日常任务接起来。
面对新问题，我会重新选择。有时候现有资料足够，需要的是换一种整理方式；有时候缺少观察，写再多代码也补不出来；有时候流程已经清楚，自动化才开始值得做。
特别是在使用 AI 时，我会先检查：任务的输入是什么，输出由谁使用，错误怎样被发现？如果这些还含糊，把任务交出去，很可能只是更快地产生一批需要重新解释的结果。
工具箱与工作方法里，列了这些手段在具体工作中的用途。工具会变，这个选择顺序可以留下来。
人的情绪、价值冲突，也能这样看吗？
我认为可以从技术角度进入，但要把要解决的事说准确。
比如，两个人对一个方案争执，可能是掌握的信息不同，也可能是他们承担的风险不同。前一种情况可以补证据；后一种情况需要让各自的利益、责任和可接受条件进入讨论。继续堆资料，未必能解决分歧。
技术能帮助我们把这些差异说清楚，设计讨论和协作的方式，比较方案的代价。至于什么更值得追求，谁应当承担代价，需要当事人作出价值选择。把某个人的不同意简单归为“沟通障碍”，可能连题目都定义错了。
同样，面对失去或无法逆转的事情，先要确认一个人希望得到的帮助是什么。陪伴、表达、调整生活安排，可以成为具体的行动；不能用一个优化目标替他定义感受。
这句话需要对自己的边界负责
“所有问题都是技术性问题”是我主动寻找解法的立场。它本身并不能证明任何目标在任何条件下都能实现。互相矛盾的要求、无法获得的资源和不可逆的事实，都需要被认真承认。
条件不足时，我会把它展开：保持现有条件，能做到哪一步？放宽哪项限制，会多出什么可能？相应的代价，相关的人愿不愿意接受？如果不可行，也应该说明为什么，以及这个判断依赖哪些前提。
这里有一个我必须防备的陷阱：问题被重新表述以后，看起来更容易了，却已经偏离了最初想解决的事。把“降低错误”换成“多做培训”，然后用培训人数证明成功，就是这样的偷换。
因此，我会反过来检查自己的重构：它还对得上原来的目标吗？什么结果会让我承认判断错了？真正受影响的人，是否也认为事情改善了？
对我来说，独立思考要走到这一步：既能怀疑给定的题目，也能允许证据推翻自己的答案。
我希望合作的人了解的，就是这种工作习惯。遇到难题，我会先把它拆开，寻找可以重新组织的条件，用手边的工具做一次有意义的尝试。然后回到实际结果，决定下一步。
把这句话继续展开
这篇文章交代了出发点，具体问题还需要各自的论证。对人的研究，要追问行为标签究竟保留了什么；对模拟，要回答什么现实结果能推翻虚拟用户；对 AI 工作，要检查执行变快以后，人的负担有没有减少。
同样，一次比较还需要说明结论对什么起点的人成立，一项方案还要回到规则背后的决策过程。这些问题有相通的检查习惯，也有不同的证据要求。我希望分别把它们想清楚，再讨论它们怎样连接。