有本书里讲过一个故事：一百多年前，有家肥皂厂的生产线偶尔会产出空盒子，老板找来几个博士搞自动化检测，又是 X 光又是称重。方案复杂又贵。结果一个工人放了台电风扇在旁边，空盒子吹走，完事儿。
这事听着像段子，但它揭开的真相特别扎心：我们常常对着一个精心包装的假问题较劲。电风扇背后是重新定义问题——从“如何检测空盒”变成了“如何让空盒别混进去”。
再举个例子。我朋友公司做 App，用户投诉说“上传图片慢”。产品经理立刻规划优化压缩算法、增加进度条……忙活两周，投诉依旧。后来一个实习生跑到用户那边看了一眼，发现很多人是用 2G 网在传原图。最后解决方案特简单：默认开启“低质量上传”并给个清晰提示。你看，用户说的“慢”不是算法问题，是等待心理和流量心疼。不理解这个，再快也是白搭。
用户需求冰山模型手绘草图，表面需求写“上传快些”，深层需求写“省流量、别等待”
所以每次遇到棘手的事，我都逼自己先问一句：“这个问题，到底是谁的？它的真面目是什么？”很多时候答案会让你吓一跳。
工具、经验和直觉：谁更靠谱？
工具、经验和直觉：谁更靠谱？
说实话，我见过太多“经验翻车”的现场。老司机听发动机声音能猜个八九不离十，但碰上混动车就抓瞎；我妈靠手背试温冲奶粉从没出过错，可换了新奶瓶就总烫到孩子——因为那个奶瓶壁薄。经验是双刃剑，它会让你在熟悉的巷子里跑得飞快，却看不见巷子已经拆了。
工具呢？也未必老实。数据会骗人、仪表会失灵。去年修空调，维修工测压力正常，制冷剂不缺，可就是不冷。最后发现是内机管温传感器阻值漂了，报给主板的温度假得很。工具说一切正常，直觉告诉维修工“不对”。这个 case 里，靠的是直觉吗？不全是，他靠的是“系统思维”——把空调当成一个环路，知道温度信号在整个逻辑链里的位置。
所以我现在的做法是：**碰到问题，先不急着上手，而是画个回路**。拿张纸，把相关因素连起来：输入是什么、输出是什么、谁影响谁、哪里有延迟。这招特土，但经常能让隐形的问题现形。比如团队沟通不畅，一画回路就发现，原来是 A 的消息总要经过 B 转达，而 B 上午不在——瞧，症结就这么简单。
大讲堂
