先筛选，再呈现
管理的稀缺资源不是信息，而是能持续投入的注意力。AI 先聚类、去重和排序，人只看异常、冲突与高影响事项。
产品：默认只展示 3 个选项；允许追溯全部证据。Cognition · Organization · Agency
AI 不是第二颗大脑，
而是组织认知的外接系统。
真正的交叉点，不是让 AI 模仿人，而是重新分配注意力、记忆、判断与执行：人保留目标、取舍和责任，Agent 承担筛选、检索、草拟、执行与留痕。
外包存储，不外包理解；外包执行，不外包责任。
好的系统让人只掌握少数关键模型，同时看得见证据、不确定性、决策点和执行结果。
六个真正的交叉点
不是多学知识，而是重新安排认知劳动
每个交叉点都对应一个产品机制：既利用 AI，也防止人把必要判断一起交出去。
把上下文放到系统里
工作记忆容量有限。让 AI 保存历史、检查清单和项目状态，界面采用渐进展开，避免一次抛出长篇答案。
产品：一个屏幕只完成一个决定，细节按需展开。提醒“想起”，不是要求背诵
检索练习能加强长期保持；但普通用户不需要背全部细节。系统在相似情境中提一个微问题，激活关键心智模型。
产品：执行前先让用户做一个预测，之后再给建议。扩大选项，保留取舍
人无法掌握全部信息，AI 可以补充候选方案、证据和反例；目标冲突、风险承受与最终责任仍由人决定。
产品：方案必须同时显示代价、置信度和反方证据。知道“谁 / 什么知道什么”
高效团队不要求每个人记住一切，而是形成可靠的认知分工。知识条目必须有来源、负责人、权限和失效时间。
产品：答案旁显示证据出处、所有者和最近验证时间。让结果更新方法
只有经过真实执行、结果对比和异常复盘的流程，才值得变成 Skill。未经验证的 Prompt 只是草稿。
产品：执行回执 → 人工纠错 → 版本化 Skill → 下次复用。人 × Agent 的最小协作协议
七步闭环：人负责方向，Agent 负责推进
关键不是让人学会所有按钮，而是每一步都知道“为什么现在要我决定”。
- 01定目标
人说明期望结果、对象、时限和不能触碰的边界。
人必须会 - 02先判断
人先给一个直觉或预测，防止被首个 AI 答案锚定。
保护独立思考 - 03委派
Agent 拆解任务、收集证据、标记缺口并给出最多三套方案。
AI 承担认知劳动 - 04反证
批判角色专门寻找冲突信息、失败条件和不可逆风险。
不是再写一遍答案 - 05确认
人比较代价与不确定性，确认关键选择和外部承诺。
责任不转移 - 06执行留痕
Agent 执行可授权动作，并保留输入、版本、操作和结果。
可审计、可撤回 - 07沉淀 Skill
用真实结果更新触发条件、步骤、检查点和失败恢复。
让组织真正变聪明
管理学先于自动化
先分决策权，再谈 Agent 自主性
自主程度由影响、可逆性、标准清晰度和权限共同决定，而不是由模型“看起来有多聪明”决定。
低影响 · 可逆 · 标准清楚
格式转换、去重、已批准模板填充、公开信息归档。
事后抽检中影响 · 可恢复
报告草稿、分类标签、会议任务、内部知识更新。
人确认关键字段高影响 · 有价值冲突
对外承诺、付款、招聘、绩效、政策、医疗与法律判断。
AI 提供选项和证据未授权 · 不可验证 · 高风险
绕过权限、伪造来源、处理超范围敏感数据或无法恢复的动作。
停止并升级处理从个人记忆到组织记忆
四层记忆，不把所有东西塞进一个向量库
不同记忆有不同寿命、权限和验证方式。保存得越多，不代表知识越好。
短期、最小、任务结束即清理
当前对话、临时文件、正在执行的状态；默认不进入长期知识库。
证据、决定与交付物
保留来源、版本、责任人和“为什么这样决定”，项目结束后按策略归档。
经过验证的可复用流程
触发条件、输入契约、步骤、人工检查点、评估标准与失败恢复。
制度、权限与知识所有者
谁可读取、谁可修改、多久复核、何时失效；不是无限期保存所有聊天记录。
Agent 与 Agent 协同
不是 Agent 越多越好，而是责任边界越清楚越好
默认先用一个 Agent。只有任务可独立验证、确需不同专业或反方视角时，才增加角色。
人类负责人
定义目标、预算、边界和验收标准；处理价值冲突与例外。
协调 Agent
拆分任务、分配上下文、控制成本、汇总状态，不代替最终决策。
专家 Agent
在限定输入和工具权限内完成可验证的子任务。
批判 Agent
寻找矛盾证据、边界案例和失败条件，不能只做语言润色。
知识管理员
检查来源、重复、所有者、权限、版本和失效时间。
评估 Agent
比较预期与结果，记录人工介入率、失败恢复和真实业务指标。
论文与实证
目前证据支持什么，不支持什么
研究结论来自不同场景与方法，不能把生产率数字直接复制到所有组织。
综述 · 2016
Cognitive Offloading
外部动作与工具可以降低认知需求，也可能改变人保留和使用信息的方式。
产品推论：外包细节，但保留关键模型与复核入口。 学习科学Retrieval Practice
主动检索通常比重复阅读更能支持长期保持。
产品推论：用情境中的微回忆替代题库和机械打卡。 决策科学Bounded Rationality
Herbert Simon 从有限信息与有限计算能力出发理解组织决策。
产品推论：AI 扩大搜索，人设定满意标准和停止条件。 组织科学Transactive Memory Systems
团队表现与“成员知道谁擅长什么、到哪里找知识”的共享结构相关。
产品推论：知识系统必须显示所有者和可靠来源。 CHI 2025 · 自报调查GenAI 与批判性思考
319 名知识工作者的自报数据显示，AI 信心越高，批判性思考投入往往越低；工作重点转向核验和整合。
边界：这是自报相关性，不能证明 AI 造成认知退化。 实地研究 · 5,179 人Generative AI at Work
客服场景平均生产率提升约 14%，新手和低技能者的收益更大。
边界：一个具体组织与任务场景，不是所有工作的通用效果。 758 名顾问Jagged Technological Frontier
在 AI 能力边界内，速度和质量提升；边界外的任务可能出现反向效果。
产品推论：先识别任务是否在能力边界内，再决定自动化程度。 200,000 次对话Working with AI
生成式 AI 更常用于信息、写作、教学和建议类活动。
边界：活动适用性不等于岗位必然被替代。六位思想者的第一性原理
每个人只解决一个核心问题
把理论当作设计镜头，而不是贴在页面上的权威标签。
注意力比信息稀缺
组织设计的任务，是在有限理性下分配搜索、判断和注意力。
直觉需要决策卫生
用独立判断、外部基准和反证减少偏差；不要把“双系统”误当作大脑里两个按钮。
先减少无关负荷
学习与工作界面应减少无关信息，把有限工作记忆留给真正的推理。
团队可以共享“去哪里找”
不要求每个人拥有全部知识，而要让认知分工可靠、可访问、可校正。
认知发生在人、工具与环境之间
分析整体协作系统，而不只评价单个人或单个模型。
在锯齿状边界上实验
把 AI 当协作者，但用真实任务不断校准它能做什么、何时失败。
书籍与开源实现
理解原理，再选择实现工具
开源项目是工程参考，不是脑科学证据；生产使用前需再次核验许可证、权限与维护状态。
五本书 · 按问题阅读
- 01The Sciences of the Artificial
如何把复杂组织和系统当作“可设计之物”。
- 02Thinking, Fast and Slow
理解判断偏差；阅读时应结合后续复现研究，不把所有流行结论当定论。
- 03The Extended Mind
如何利用身体、环境和他人扩展认知。
- 04Co-Intelligence
如何在现实工作中与生成式 AI 协同和实验。
- 05Make It Stick
把检索、间隔和交错练习转化为低负担的学习机制。
五个开源项目 · 按机制借鉴
Soar ↗
长期发展的通用认知架构，可帮助理解目标、记忆、规则与学习如何分层。
BSD-2-Clause；研究参考，不等于直接可用的企业 Agent。HumanLayer ↗
把高风险工具调用送到人类审批通道，适合实现决策权矩阵。
Apache-2.0；接入前仍需自定义身份、授权和超时策略。Langfuse ↗
记录 Agent 调用、评估和反馈，让“为什么这样做”可以追溯。
核心 MIT；企业目录有单独条款，部署前复核仓库说明。OpenLLMetry ↗
用 OpenTelemetry 观察 LLM 与 Agent 工作流，为失败分析提供统一事件。
Apache-2.0；日志必须脱敏并设置保留期。Dapr Agents ↗
参考持久状态、消息驱动和可恢复编排，适合长期运行的组织工作流。
Apache-2.0；多 Agent 只在独立子任务确有收益时使用。把理论变成一次真实协作
拿一个正在做的任务，先划清人和 Agent 的责任。
只需写出：期望结果、不能出错的地方、可交给 Agent 的步骤，以及最终由谁确认。系统再帮你生成协作流程和可复用 Skill 草案。