I · 第一章
从预测机器到决策伙伴
前提预训练时代
Transformer 预测
Transformer 本质上是预测下一个词，它不是在思考，而是以超人速度做模式匹配。
模式匹配
部署时刻
知识截止
模型通常只在某一时刻训练完成，不会随现实世界变化而实时更新。
静态权重
使用现场
输入决定输出
AI 只能在你持续提供高质量输入的前提下才有效：垃圾进，垃圾出。
上下文依赖
结论：模型本身不生产真相，它放大你喂给它的上下文。
* * *
问题是，高质量输入很容易被反向力破坏
II · 第二章
信息输入流：决定 agent 输出的四条支流
机制人类输入
100%原文
所有上下文来源
计划、数据、新闻、反向观点都从这里进入
战略计划
你偏好的叙事与目标
高
真实结果
财务、团队、客户、竞争数据
高
当前上下文
快速变化领域的新鲜信息
中
反向立场
让 AI 先反驳你的偏好结果
必需
常见错误： 只喂战略计划，不喂真实结果
理想状态：计划、结果、上下文、反向观点四路并进
* * *
这种输入失衡会在两种典型场景下爆发
III · 第三章
两个真实陷阱与一个隐藏风险
失效模式3.1
协议陷阱（Agreement Trap）
你提出问题
带着已有框架寻求 AI 建议
带着已有框架寻求 AI 建议
↓
AI 镜像回应
模型倾向于验证你的框架，给出披着客观外衣的偏见第二意见
模型倾向于验证你的框架，给出披着客观外衣的偏见第二意见
↓
误判为分析
你把它当成客观分析，实则只是镜子
你把它当成客观分析，实则只是镜子
破解：先喂反向立场，让 AI 反驳你的偏好结果
3.2
信息盲区
只喂计划
Fantasy Board 只看到战略 brilliance
Fantasy Board 只看到战略 brilliance
↓
隐藏结果
真实执行数据、客户反馈被省略
真实执行数据、客户反馈被省略
↓
自我强化
Agent 不断确认策略正确，无法识别执行失灵
Agent 不断确认策略正确，无法识别执行失灵
破解：持续补充财务、团队、客户、竞争的真实数据
3.3
数据过时
问题已变
在 Markup AI，AI 编程助手让产品开发速度超过了 go-to-market 团队的跟上速度
在 Markup AI，AI 编程助手让产品开发速度超过了 go-to-market 团队的跟上速度
↓
模型无知
LLM 训练于数月前，未察觉 AI 编程助手最近加速
LLM 训练于数月前，未察觉 AI 编程助手最近加速
↓
建议错位
给出让 GTM "更努力" 的过时建议；原文喂了三篇关于 AI 辅助开发加速的当前文章后，Fantasy Board 才重新 framing 了建议。
给出让 GTM "更努力" 的过时建议；原文喂了三篇关于 AI 辅助开发加速的当前文章后，Fantasy Board 才重新 framing 了建议。
破解：在快速变化话题上补充当前上下文
共同根因
不是 AI 不可靠，而是输入质量决定输出质量
"如果你不用主动对抗 AI 的附和倾向，你得到的不是建议，而是镜子。"
MATT BLUMBERG
* * *
要跳出这些陷阱，需要把输入管理变成闭环
IV · 第四章
高质量输入的反馈闭环
系统不是一次性提示工程，而是持续的信息维护
* * *
最大的张力在于模型训练节奏与现实变化节奏之间的错配
V · 第五章
训练截止线与真实世界之间的时差
节奏错配静态模型 vs 动态现实
当领域变化速度超过模型更新速度时，回答会系统性地滞后
模型知识训练截止线
现实世界持续演进
05101520当前
!
风险：
如果喂给过时的上下文，它会给出比你所处的现实世界落后六个月的答案，把结构性转变误判为执行不力。
* * *
最终结论可以浓缩为一套可执行的操作原则
VI · 第六章
可执行原则
行动清单把把输入质量当作 AI 系统的核心维护项，而不是一次性设置。
1
先喂反向立场
在信任 AI 的背书之前，让它先论证你偏好结果为什么错。
2
用真实结果代替华丽计划
财务、团队、客户、竞争动态，比董事会 deck 更能校准建议。
3
补充当前上下文
快速变化领域，先给几篇最新文章再提问。
4
建立反馈闭环
把修正、结果和新上下文持续喂回 agent，让它随时间学习。
* * *
最终判断
不是 AI 不够聪明，是输入管理太粗糙
适用场景
用 AI/agent 辅助高风险决策的领导者
核心风险
把附和当分析、把过时当全面
关键动作
反向立场 + 真实数据 + 当前上下文 + 持续反馈
* * *
编者评论
这篇文章，如何判断
阅读价值
把"garbage in, garbage out"这个老说法精准落地到 AI agent 的高风险决策场景，Matt Blumberg 用自己的 Fantasy Board 和 Markup AI 实例展示了协议陷阱、信息盲区和数据过时三种失效模式，对正在部署 AI agent 的领导者有直接参考价值。
保留意见
全文以个人经验为主，没有外部数据或对照实验；864 词的篇幅让论证偏短，"六个月滞后"等数字也是修辞性表达而非测量结果。
可迁移启发
任何依赖历史数据做预测的自动化系统——从信用评分到供应链预测——都存在同样的"静态模型 vs 动态现实"张力；关键不是模型多强，而是反馈回路能否比环境变化更快。
原文摘录