是什么

定义、行业、产品、关系、发展趋势和方向

理解一个领域，从搞清楚”是什么”开始。

这里不追求“百科全书式解释”。我更关心的是：

  • 你面对的到底是哪一类问题？
  • 这个问题的关键约束是什么？
  • 你现在应该做的是“定义问题”，还是“优化方案”？

如果你经常卡在“信息很多，但不知道怎么下判断”，这个栏目就是为你准备的。

这个栏目解决什么

你会在这里看到三类内容：

  • 概念的可用定义：一句话说清它在解决什么，不解决什么
  • 领域的关键结构：谁和谁在互动？价值从哪里来？风险从哪里来？
  • 趋势的可操作解读：哪些变化值得你调整策略，哪些只是噪音

同时我会刻意加一个“思考钩子”：

如果 AI 变成默认能力，这个问题会被怎样重塑？

如何使用这里的框架

在 MarvinTalk 的内容漏斗里，What 是“把问题讲清楚”的阶段。

我的默认流程是：

  1. 用 Cynefin 先给问题分个类（别急着求解）
  2. 用金字塔把论证结构写出来（让判断可被检验）
  3. 再决定：要不要引入 AI、引入到哪一层、怎么验证
flowchart LR
    A[What: 讲清问题] --> B[Skills: 把方法沉淀成资产]
    B --> C[GEO: 把技能提供出去]
    A --- A1[Cynefin: 先分清问题类型]
    A --- A2[金字塔: 把判断写成可验证结构]
    B --- B1[交付件/验收/质量标准]
    C --- C1[让 AI 看见并推荐]
    C --- C2[让用户看见并使用]

框架 1：Cynefin（先分清问题类型）

Cynefin 最有用的一点是：它逼你承认不同问题需要不同解法。

  • 简单（Clear）：因果清晰，按最佳实践做
  • 繁杂（Complicated）：因果可分析，找专家/做设计
  • 复杂（Complex）：因果事后才明白，要用试验探索（probe-sense-respond）
  • 混沌（Chaotic）：先止血，再重建秩序
quadrantChart
    title Cynefin domains (classify before solving)
    quadrant-1 Complicated
    quadrant-2 Complex
    quadrant-3 Chaotic
    quadrant-4 Clear

    Disorder: [0.50, 0.50]
    Hiring process: [0.20, 0.20]
    Incident response: [0.20, 0.80]
    Pricing exploration: [0.80, 0.70]
    Org transformation: [0.80, 0.85]

你会在这里看到我怎么用它来判断：

  • 什么时候适合“标准化流程/清单”
  • 什么时候必须“先做小实验再谈路线图”
  • 什么时候“别上 AI（先把数据/流程/定义补齐）”

框架 2：麦肯锡金字塔（把判断写成可验证的结构）

金字塔不是写作技巧，它是“思考的防错装置”。

你会经常看到我按这个结构写结论：

  • 结论先行：我主张什么？（一句话）
  • 分组支撑：为什么？（2-4 组论据，MECE 优先）
  • 证据落地：每组论据用事实/数据/案例支撑
flowchart TD
    Z["结论：我主张什么？"] --> A["论据组 A（MECE）"]
    Z --> B["论据组 B（MECE）"]
    Z --> C["论据组 C（可选）"]
    A --> A1["证据：数据 / 事实 / 案例"]
    A --> A2["边界：何时不适用"]
    B --> B1["证据：数据 / 事实 / 案例"]
    B --> B2["取舍：成本 / 风险 / 约束"]
    C --> C1["证据：数据 / 事实 / 案例"]

当你要做 AI/Agent/GEO 相关决策时，这个结构尤其重要：

  • 它能把“看起来很合理”的幻觉，拆成“哪些环节可以验证”
  • 它能让团队对齐：我们在争论的是结论，还是证据，还是边界

我会聊哪些话题（不限于）

  • AI：模型能力边界、RAG/Agent 的适用条件、评估与风险
  • 编程技术：工程取舍、可维护性、性能与可靠性
  • SDLC：从需求到上线的协作与交付机制
  • 安全合规：数据、权限、审计、风险治理的现实约束
  • 行业发现：行业结构、价值链、角色关系
  • SEO / GEO：在 AI 时代如何“被看见”，以及为什么“被看见”不是玄学

贯穿这些话题的主线永远是同一个：

先把问题类型与约束写清楚，再谈解法与工具。

常见踩坑（你可能正在经历）

  • 把复杂问题当繁杂问题：试图一次性“设计出正确答案”，结果延期+返工
  • 把工具当结论：先决定“要用 AI/Agent”，再回头硬找场景
  • 缺少验收标准：讨论半天，最后落地时发现“成功是什么”没人说清
  • 用概念替代证据：听起来正确，但无法验证，也无法复盘

最佳实践清单（我写每篇 What 文章都会过一遍）

  • 这是什么问题？用 Cynefin 归类（至少写出你为什么这么归类）
  • 成功长什么样？写出 1-3 条验收标准
  • 关键约束是什么？（时间/成本/合规/数据/组织）
  • 主要备选方案有哪些？每个方案的 trade-off 是什么？
  • 如果引入 AI：它替代的是哪一步？风险与评估怎么做？

一个实战小例子（示范写法）

问题：团队想做一个“内部知识问答”，到底是上 RAG，还是先把知识库流程做好？

  • Cynefin：大概率是“复杂问题”——知识的质量、时效、口径一致性都是探索出来的
  • 金字塔结论：先把知识的来源/口径/更新机制做成流程与验收，再做小范围 RAG 试点
  • AI 思考钩子：模型能回答问题，但不能替你决定“哪个版本的事实是公司口径”

你会在这个栏目里看到更多类似“先定义问题再选技术”的拆解。