企业官网建设流程全解析

LifeOS Science 技能实战：一套覆盖 5 分钟到 2 周的问题求解实验循环

【免费下载链接】LifeOS⛰️ LifeOS — The universal AI Harness designed to move you from Current to Ideal state in both life and work.项目地址: https://gitcode.com/GitHub_Trending/pe/LifeOS

线上突然 500，你翻了 20 分钟日志还是不知道下一步该跑什么命令。这种时刻需要的不是第六感，而是 LifeOS Science——LifeOS 内置的一套科学方法问题求解协议，Debug、A/B 实验、提示词调优走的是同一个循环。这篇按验证成本把它拆成"快""重"两组，每组完整走读一个示例，读完能直接照着做。

核心心智模型：把"随机乱试"收敛成一个闭环

多数"试了半天"的排查不是慢，而是缺目标锚点：没有成功标准，你就判断不出一次改动是否有效，只能无限微调。LifeOS Science 的闭环一句话讲完：先写清成功长什么样，再看现状和基线，列出至少 3 条互相竞争的可证伪假设，跑掉成本最低的那个，收数据、对照目标，证实则收工，证伪则换下一条。SKILL.md 里把它定义成 8 个 Phase（Phase 0 目标 到 Phase 7 迭代），执行时压成三行伪代码就够了：

定目标 → 看现状 → 列假设(≥3) → 跑最便宜的实验 ↑ ↓ └── 对照目标 ←── 收数据 ←──┘

图中每个箭头都对应 Methodology.md 的一个 Phase；Micro 尺度下这些步骤默认隐式执行，不需要任何状态管理。铁律有三条：目标必须可量化，"把弃购率从 40% 压到 25% 以下"是目标，"让它更好"不是；假设必须复数，只测一条等于确认偏差；结论必须带数据基线，"好像变好了"不构成测量。方法还有一句压缩到极致的说法："我认为 X 因为 Y；如果错了，Z 会表现出来——我去查 Z。"一句话里同时装着假设、理由和证伪测试，这就是整个循环的最小形态。

快验证组：分钟级 Debug 与 TDD 都是同一个循环

五分钟 Debug：60 秒列出 3 条可证伪假设

应用在登录时抛 500。这是仓库 QuickDiagnosis.md 工作流的标准落点：15 分钟内能解决的问题，不做重仪式，只跑"最小可行科学"。

Phase 0（目标）：一句话——用户能正常登录且不再出现 500。不设时限、不列约束，一句话足够。

Phase 2（假设）：60 秒，最少 3 条，且每条都要能回答"什么证据能证明它错"：

• H1：数据库连接断了——500 往往意味着后端故障
• H2：昨天的部署引入了回归
• H3：认证服务本身挂了
• H4：限流被触发

Phase 3-4（实验）：按"最快验证 × 最可能"排序，H1 只需 30 秒就能验证，先测它。下面两条命令就是全部实验动作：

psql -c "SELECT 1" # 连接超时 docker ps | grep postgres # 空的——容器根本没在跑

Phase 5-6（测量/分析）：H1 被证实，根因是 PostgreSQL 容器停了，剩下三条假设碰都不用碰。

Phase 7（迭代收工）：修复之后必须回到验证这一步，不能"重启了事"：

docker-compose up -d postgres # 修复 curl -I /api/login # 返回 200 ✅

总耗时 5 分钟，对比"重启、重跑、随手搜"路线的 30 分钟以上。

TDD：先写失败测试就是目标先行

实现一个isValidEmail的 10 分钟小任务，同样先列 3 个实现方案：简单正则 H1、引入校验库 H2、逐步解析 H3——"最少 3 条假设"在微尺度不打折。然后拿 H1 走一遍 TDD：先写跑挂的测试（RED），写最小实现让它变绿（GREEN），补边界用例直到 6 个测试全过、覆盖率 100%，H1 被证实够用，交付简单方案。把循环对上 TDD，是这样一张表：

RED 先行的价值在机制层：目标在实现之前被测试断言锁死，"写出来就算对"没有入口。2 分钟结构化思考换 25 分钟瞎试，这是 Micro 尺度的性价比底线。

重验证组：两周 A/B 实验与两小时提示词迭代

A/B 实验的对照设计与预承诺标准

购物车弃购率 40%，要压到 25% 以下。这类问题的成本和分钟级 Debug 完全不同：一轮实验跑一周，设计严谨性比敲命令的速度重要得多。FullCycle.md 要求两件事在收集数据之前完成。

其一，预承诺标准（PRE-COMMITTED）。实验开始前，把成功标准白纸黑字锁死三条：弃购率 < 25%、转化率不回退、投诉不增加。跑起来之后不许挪动目标，事后找"其实我们本来想要的就是这个"的余地。

其二，对照组设计。独立变量只留一个——是否展示安全徽章：对照组保持现有结账流程，实验组只加徽章，每组 5,000 样本，运行 7 天。两组除被测变量外完全一致，差异才能归因到它头上。

第一轮：对照 40.0%，实验 36.0%，降 4 个百分点，p=0.0003——这是统计显著的差异，不是"看着低了"。H1（徽章降低焦虑）证实，高成本的 H2（4 步改 2 步）排在最后。后续迭代在已证实的基础上逐轮叠加 H4（优惠券输入框）、H3（移动端优化），MeasureResults.md 与 AnalyzeResults.md 分别管收数据和对照目标：

每轮只叠加一个改动，因果才能归到当轮假设上——这正是 Phase 7 的迭代纪律：先更新认知，再决定下一条假设。

提示词迭代为什么必须走 Evals

总结提示词输出不稳定时，目标同样先量化：长度 100-150 词、关键点捕获 >90%、格式 100% 要点列表、评测分 >85%（基线 62%）。假设列四条（加长度约束、指定格式、加关键点提取指引、few-shot 示例），然后跑 Evals——Protocol.md 在此有一条硬指令：做提示词实验就用 Evals，不要临时搭一套 ad-hoc 评测。它的评测套件带位置交换消除位置偏见、多裁判小组摊薄单模型怪癖，分数附置信区间。结果：

反直觉点在最后一行上面：组合约束赢了 few-shot 示例——凭手感，大多数人会认为"加示例"一定更灵。Meso 尺度以上，"感觉变好了"不算测量，Evals 与统计显著性是入场券。

协议落地：任何技能都在实现 Science

Protocol.md 的核心论断：技能不调用 Science，而是实现它。Science 像迭代模式的 TCP/IP——只定义循环怎么转，不关心跑的是什么领域。任何合规工作流都要暴露下面这些行为（原文接口压缩到关键行）：

interface ScienceProtocol { goal: Goal; // Phase 0: 成功标准/指标/约束/反目标 observe(): Observation; // Phase 1: 现状 + 基线 hypothesize(): Hypothesis[]; // Phase 2: 最少 3 条 experiment(h: Hypothesis): ExperimentResult; // Phase 3-4 measure(r: ExperimentResult): Measurement; // Phase 5 analyze(m: Measurement, g: Goal): Analysis; // Phase 6: 对照目标 iterate(a: Analysis): NextAction; // Phase 7 }

这 7 行就是 Development 的映射骨架——测试断言对上goal，跑测试对上measure；Evals 则把评测标准当goal、跑评测套件当experiment；Research、Council、Worktree、RedTeam 各自独立声明同一套合规，无运行时耦合。Templates.md 再给每个阶段配上可填写的字段：

模板里每个阶段都有"快速版"，Micro 尺度直接抄缩略字段即可。

尺度路由：什么时候不该启动 Science 流程

别在 5 分钟的问题上启动两周的仪式。Protocol.md 按尺度给协议遵循定了明确的松紧度：

⚠️ 反向触发同样重要，以下场景不要启动 Science：

• 修复显而易见且 5 分钟内能完成
• 同类问题你已经解决过 50 次以上
• 处于创造性发散阶段
• 直接试错的成本低于思考的成本

QuickDiagnosis 跑满 15 分钟仍未解决，就升级 StructuredInvestigation.md 做多系统、可归档的调查。形式化的成本应该和问题体量成正比，这是"别为结构化而结构化"的另一面。假设生成和实验设计另有专门入口：GenerateHypotheses.md、DesignExperiment.md，完整示例见 Examples.md。

科学方法也自我迭代

Methodology.md 里有一节 "Science Applied to Science"，把这套协议对准它自己：目标定为提升问题求解能力，跟踪哪些实验真正产出了洞察，测量学习率与成功率，对比方法论版本，再让方法论本身演进。SKILL.md 还要求每个工作流跑完追加一条 JSONL 执行记录（工作流、输入摘要、状态、耗时），为元分析攒原始数据。力量不在任何单步技巧，而在循环本身的纪律。

【免费下载链接】LifeOS⛰️ LifeOS — The universal AI Harness designed to move you from Current to Ideal state in both life and work.项目地址: https://gitcode.com/GitHub_Trending/pe/LifeOS