strip-artificial-complexity

name	strip-artificial-complexity
description	当意识到自己因追求“完美方案”、“秘密知识”或过度理论化而拖延实质性行动时

strip-artificial-complexity

When to Use

当意识到自己因追求“完美方案”、“秘密知识”或过度理论化而拖延实质性行动时description

Core Logic

执行步骤

1. 识别复杂性信号：审视当前任务，判断是否存在以下情况：

   • 输入：当前任务描述、已收集的信息、计划采取的行动。
   • 操作：自问：“我是否在寻找一个不存在的‘完美’方案？”“我是否在过度研究，试图掌握所有‘秘密’知识后才敢开始？”“我当前的计划是否比完成目标所需的基本步骤复杂得多？”
   • 判断标准：能明确列出至少一个将行动复杂化的具体想法或行为。
   • 输出：一份“人为复杂性”清单。
   • 常见误区：将必要的背景研究或合理规划误判为“人为复杂性”。

2. 剥离复杂层：针对识别的每一项复杂性，将其替换为最基本、最直接的行动原则。

   • 输入：“人为复杂性”清单。
   • 操作：对清单中的每一项，追问：“完成这件事最核心、不可省略的一步是什么？”或“行业内公认的、最有效的初级做法是什么？”将复杂的计划简化为基于此核心原则的单一、明确的下一步行动。
   • 判断标准：为每个被识别的复杂点，都定义了一个具体的、可立即执行的简单动作。
   • 输出：一个简化后的“核心行动步骤”清单。
   • 常见误区：简化过度，忽略了成功所必需的基础步骤（如发布产品前必要的质量检查）。

3. 执行与迭代循环：立即开始执行简化后的核心步骤，并建立“行动-反馈-调整”的循环。

   • 输入：“核心行动步骤”清单。
   • 操作： a. 执行清单上的第一个或最优先的步骤。 b. 完成后，收集结果和反馈（无论是成功、失败还是数据）。 c. 基于反馈，仅对后续步骤进行必要的最小化调整。 d. 重复 a-c 步骤，持续推动任务进展。
   • 判断标准：任务取得了可衡量的进展（如完成了初版、获得了用户反馈、解决了具体问题）。
   • 输出：任务进展成果与实时反馈数据。
   • 常见误区：在获得一次反馈后，又陷入为“优化”而设计复杂新方案的老路，中断了持续执行的循环。

输出格式要求

向用户清晰呈现：

1. 识别出的复杂性：列出发现的拖延性复杂想法。
2. 简化后的核心行动：将每个复杂点转化为一个具体的下一步行动。
3. 启动指令：明确建议用户立即开始执行哪一个最简单的行动。

Metadata

属性	值
领域	个人成长
类型	procedural (procedural)
置信度	90%
前置条件	已明确需要完成的目标或任务
来源	习惯 4：创造人为的复杂性