判断力的结构化封装

Gary Yang2026 年 3 月

选自《我的教学日记》

2026年3月13日，晴

深圳的课程结束。回程高铁上，我刷到一条消息。

Y Combinator 的 CEO Garry Tan，把自己多年积累的工程判断力拆解成一套 AI 系统并开源。开源 48 小时，GitHub 上破万星。

我有点被震住了。

因为我心里也有一个类似的想法，在自己的领域里，却始终没有动手。

辅导高管演讲一直是我工作的一部分：一对一、面对面，聆听与提问，通过对话调整视角、澄清观点、理顺逻辑。

问题也很明显：一次只能服务一个人。

市面上关于演讲的书和视频，多半只解决通用问题，偶尔甚至是在解决假问题。一位高管真正卡住的地方，往往是其特有的情境、角色、目标纠缠在一起，书本帮不上忙。真正能帮上忙的，是一对一的诊断式对话——偏偏这件事最难规模化。

能不能把这种诊断式的专业能力数字化？好几个人认真跟我提过这样的建议。

一次从广州飞厦门，旁边坐着一位 Dell 的工程师。我们聊了一路，下飞机前他说：你应该把这些技能数字化。还有一次坐动车去深圳，同行的开发者也说：你做个 App 吧。

我当时都没接话，心里还觉得他们太 Nerd。

但我真正的顾虑是：那个应用不会好用。

给高管发一套问卷？每个问题背后都是一棵分叉树，三轮下来路径就爆炸。就算设计出来，高管也没有耐心跟着走完。前后的回答关联不起来，系统发现不了矛盾。最后做出来的东西，只能是 if-else 硬编码——遇到没预见到的情况就失灵。

所以我没做。

但现在不同了。

LLM 不需要预设分叉树。我们不用穷举所有可能的问答路径，只需要定义判断原则；它就能根据用户当下说的话，实时决定往哪个方向深入。

它的交互形式是自然对话，不是问卷。用户说一段话，里面可能同时涉及三个层面的问题，它能听懂并一次性提取。用户的体验不是在填表，而是在跟一个懂行的人聊。

它的上下文窗口把整段对话都装在里面。用户前面说"团队配合还不错"，后面又说"跨部门协作是最大的挑战"——它能捕捉到这个矛盾，自然追问，帮他自己把事情想清楚。

那四个死结，就能逐一化解。

电脑里有一个文件，我会不定期优化。Executive Speech Diagnostic Framework。

这是我这些年辅导高管演讲积累下来的诊断地图：五层，从最宏观到最微观，依次扫描。

第一层，情境。规模、时长、场合性质——这些是表达策略的边界条件。情境判断错了，后面所有准备都建立在错误的假设上。

第二层，关系。演讲者和听众之间的角色结构与权力关系。关系定义了你该用什么姿态说话。

第三层，目标。不是"我要讲什么"，是"他们听完要怎样"。没有它，思考会飘走。

第四层，逻辑。内容的先后顺序和推进节奏。同样的素材，换一种排列，效果完全不同。

第五层，内容。故事、数据、比喻、观点——选什么、用多少、怎么配比。

五层扫下来，原本搅在一起的东西，一层层拆开了，处理起来就有章法了。

现在，这五层应该做成 AI 教练的思考骨架了。

还有一点我很明确：不做多角色。

不会有几个不同领域的专家同时对一位高管提建议。那样他会觉得自己被围着挑毛病。只有一个声音，一个 AI 教练，自然温和，通过对话帮他自己看清楚事情。

高管下周二上台，但我这周满了。以前他只能等。以后他可以先和我的系统走完一轮诊断，然后我们进入精修。我的时间从全程陪跑，变成关键介入。

Garry Tan 的 gstack 提醒了我：专家的判断力是可以被结构化、被封装的。我想在自己深耕的领域里，也试试看。

那你什么时候开始？嗯？Gary？

Gary，你在吗？