THINKINGMODELS.SITE · LAUNCH
COGNITIVE SCAFFOLD

不是再给你一个答案，而是保存答案背后的思考结构

Thinking Models 是一个从真实问题出发，帮助用户调用可溯源思维模型、比较不同判断框架，并将分析转化为最小行动的 AI 认知工具。

它的基本使用过程很简单：

提出问题 → 推荐模型 → 查看来源与边界 → 交叉推演 → 形成最小行动 → 沉淀认知路径

你不需要先学习一百个思维模型。

只需要带着一个最近真正困扰你的问题进来。

ThinkingModels.site

01 · 为什么还需要一个思维模型产品？

今天，我们其实已经不缺答案了。

搜索一个概念、问一次 AI、阅读一篇文章，几秒钟后，我们通常就能获得一个看起来相当完整的回答。

但当我们真正面对复杂问题时，困难往往不在于“没有答案”，而在于：

• 这个结论基于哪些事实？

• 中间使用了什么判断框架？

• 为什么选择这个模型，而不是另一个？

• 不同模型之间是否存在冲突？

• 哪些内容是事实，哪些只是推断？

• 这次思考能否成为下一次思考的起点？

一次对话结束后，答案留下了，产生答案的结构却消失了。

我们保存了大量结论，却很少保存自己是如何得到这些结论的。

这就是我做 Thinking Models 的起点。

02 · Thinking Models 是什么？

Thinking Models 是一个可溯源思维模型知识库，也是一套正在生长的认知脚手架。

它不是把一万个模型按照 A—Z 排列起来，也不希望成为另一个“思维模型大全”。

它真正想解决的问题是：

当一个人面对复杂问题时，怎样找到合适的思维模型，理解它的来源和边界，并把分析推进到下一步行动？

这里所说的“脚手架”，并不是替你做决定。

建筑中的脚手架不会代替建筑本身，但它能让人站到原本够不到的位置。

认知脚手架也是如此：它暂时撑住复杂问题中的一段思考，帮助我们把一个模糊的问题，逐渐转化成可以比较、判断和验证的选项。

03 · 一个问题如何被重新组织？

假设你正在思考：

“我已经投入了很多时间，但越来越怀疑这个方向是不是错了。”

我们通常会把问题表达成：

我还要不要坚持？

但这个问题很难直接回答。

Thinking Models 会尝试引入与当前问题相关的模型，例如：

沉没成本谬误

已经投入且无法收回的时间、金钱和精力，不应该直接决定下一步选择。

过去投入了多少，不能证明未来继续投入就是正确的。

机会成本

真正需要比较的，不只是“继续”与“放弃”。

还要考虑：如果继续投入，我会放弃哪些其他机会？同样的资源是否有更值得投入的方向？

把两个模型放在一起后，问题开始发生变化：

我真正需要判断的，也许不是“要不要坚持”，而是还有没有一种成本足够低的方式，可以继续验证这个方向？

接下来，就可以形成一个最小行动：

• 缩短验证周期；

• 只测试一个关键假设；

• 提前设置继续和停止的标准；

• 用真实反馈代替投入感和不舍感。

模型没有替你决定是否坚持。

但它重新组织了问题，并帮助你找到一个能够带回新信息的动作。

这就是 Thinking Models 想提供的价值。

04 · 产品如何工作？

Thinking Models 目前由五个功能组成：

Ask · Browse · Graph · Compare · Path

它们不是五个平行的功能，而是一条逐渐深入的使用路径。

核心入口：Ask，从真实问题开始

在认知助手中，你可以直接写下或说出正在思考的问题。

例如：

• 两个机会都不错，我应该怎么选择？

• 为什么这个计划总是在相同的位置卡住？

• 我是在坚持长期主义，还是只是不愿意止损？

• 团队意见不一致，真正的分歧在哪里？

认知助手会围绕问题提供关键见解，并推荐可能相关的思维模型。

对于每个推荐模型，你可以继续查看：

• 为什么它与当前问题相关；

• 它的核心定义是什么；

• 它适用于什么情况；

• 它可能在哪些情况下被误用；

• 如何使用这个模型继续分析；

• 下一步可以补充什么信息或采取什么行动。

你也可以设置不同的解释角色与背景偏好，让回答更接近自己的知识水平和思考方式。

Ask 是产品的核心入口：先有问题，再调用模型。

底层支撑：Browse，查找可溯源模型

在思维模型知识库中，可以通过搜索、分类和筛选查找模型。

每个模型主要围绕三个问题展开：

1. 定义 Definition

这个模型究竟在说什么？

它的核心概念、成立条件和适用边界是什么？

2. 脚手架作用 Scaffold Role

这个模型能够撑住哪一段思考？

它能否帮助我们发现变量、重新描述问题，或者形成可以比较的选项？

3. 最小行动 Minimum Action

使用模型以后，今天可以多做哪一个动作？

这个动作不追求一次解决所有问题，但应该能够带回来新的事实、反馈或判断依据。

知识库目前建立了包含 10,505 个模型的知识索引，并在持续进行定义校对、来源补充和关系整理。

这个数字代表索引规模，并不意味着所有模型都已经完成同等深度的整理。

深度工具：Graph，发现模型之间的关系

一万个孤立的词条，并不会自动形成知识。

在知识图谱中，可以通过谱系、环形和时间轴等方式，观察模型之间的关系：

• 哪些模型互相支持？

• 哪些模型提供相反的解释？

• 哪些模型存在前置和后续关系？

• 哪些模型研究的是同一个问题的不同尺度？

• 一个概念经历过怎样的发展和延伸？

同一个决策问题，可能同时涉及心理学、经济学、系统论和概率。

知识图谱希望回答的不只是“这个模型是什么”，还包括：

这个模型处在怎样的认知结构中？

深度工具：Compare，比较相似与冲突的模型

很多思维模型看起来相似，解决的问题却并不相同。

有些模型甚至会给出方向相反的建议。

通过模型对比，可以把多个模型放在同一个视野中，比较它们的：

• 核心命题；

• 观察尺度；

• 适用场景；

• 使用边界；

• 可能盲点；

• 相互支持或冲突的部分。

例如：

• 第一性原理和类比思维有什么区别？

• 沉没成本与长期主义是否冲突？

• 局部最优与全局最优应该如何配合？

• 奥卡姆剃刀和汉隆剃刀分别在简化什么？

对比的目的不是选出一个“最正确”的模型。

而是判断：不同模型分别在什么条件下成立。

长期沉淀：Path，形成个人认知路径

知道一个模型，不等于真正能够使用它。

在个人路径中，登录后可以同步学习进度，并逐步查看：

• 学习和调用过的模型；

• 认知助手中的模型调用记录；

• 不同分类的掌握情况；

• 学习时间线；

• 下一阶段推荐；

• 可以继续探索的新模型。

我希望这里最终形成的，不只是一份“读过什么”的记录，而是一份属于个人的认知账本：

我曾经遇到过什么问题？

当时调用了哪些模型？

我的判断发生了怎样的变化？

哪些模型真正改变了我的行动？

05 · 它和通用 AI 有什么不同？

通用 AI 很擅长生成答案。

Thinking Models 更关注的是：答案背后的判断结构能否被看见、检查和继续使用。

通用 AI 通常直接生成结论

Thinking Models 会尽量说明调用了哪些模型，以及这些模型为什么与当前问题相关。

通用 AI 的推理框架容易隐藏在回答中

Thinking Models 会把模型的定义、作用和适用边界单独呈现出来。

通用 AI 可能给出一个听起来合理的统一答案

Thinking Models 鼓励同时调用多个模型，查看它们之间的支持、冲突和不同尺度。

通用 AI 的一次对话通常以“得到回答”结束

Thinking Models 希望把分析推进到一个可以执行的最小行动，并逐步保留模型调用记录。

通用 AI 可以生成观点

Thinking Models 更希望帮助用户检查：

这个观点从哪里来？在什么条件下成立？有没有相反的解释？它是否真的改变了下一步行动？

它不是要替代通用 AI。

而是为复杂问题增加一层可以被检查的认知结构。

06 · 为什么强调“可溯源”？

如果一个系统只是不断生成听起来正确的观点，那么它最终仍然只是另一种形式的答案机器。

所以，Thinking Models 从一开始就把可溯源作为基础方向。

一个模型叫什么，并不是最重要的。

更重要的是：

• 它最初从哪里来？

• 原始概念是什么？

• 有哪些可靠来源？

• 后来的人进行了哪些扩展？

• 我们今天使用的是原始理论，还是互联网转述后形成的二手概念？

可溯源不意味着来源一定正确，也不意味着一个模型可以直接套用到任何问题。

它的价值在于：让知识有机会回到出处，被重新理解、质疑和检验。

只有能够回到来源的知识，才有机会被重新检查。

07 · 它适合解决哪些问题？

复杂决策

当两个选项各有利弊，很难仅凭直觉做出判断时，可以从机会成本、可逆性、风险、长期影响等角度重新比较。

例如：

• 是否应该更换工作？

• 一个已经投入很久的项目是否应该继续？

• 应该扩大投入，还是先做一次小规模验证？

项目诊断与复盘

当一个项目持续延期、指标下降，或者团队反复卡在同一个问题上时，可以调用系统思维、约束理论、反馈回路等模型寻找真正的阻塞点。

重点不只是解释“为什么失败”，而是找到：

下一步验证哪个假设，能够最快获得新的信息？

学习研究与检验 AI 答案

进入一个陌生领域时，可以先找到核心模型、前置概念和相互关系，再逐步建立知识结构。

当 AI 给出一个听起来合理的答案时，也可以继续检查：

• 它使用了什么框架？

• 前提是什么？

• 边界在哪里？

• 有没有相反模型或证据？

从接受答案，转向检查答案是如何产生的。

08 · 已经上线了什么？

Thinking Models 目前仍然处于早期阶段。

已上线的基础能力

• 思维模型搜索、分类与快速阅读；

• 文字和语音问题输入；

• 相关模型推荐与继续分析；

• 模型定义、作用和适用边界展示；

• 知识图谱与模型关系浏览；

• 多模型对比；

• 登录后的学习进度与个人路径。

正在持续完善

• 模型原始来源与参考资料；

• 模型定义和中文表述校对；

• 模型之间的支持、冲突与演化关系；

• 认知助手的模型匹配质量；

• 认知账本与长期思考记录；

• 从分析到最小行动的衔接方式。

它还不是一座已经完工的知识大楼。

它更像它自己的名字：

一副仍在生长的脚手架。

09 · 怎样开始使用？

不需要先阅读完整个知识库。

只需要三个步骤。

第一步：带来一个真实问题

与其输入“决策”，不如输入：

我同时拿到两个工作机会，一个更加稳定，但成长有限；另一个风险更高，却更接近我的长期方向。我应该如何判断？

问题越具体，模型越容易真正参与判断。

第二步：检查推荐模型

不要只看模型名称。

重点查看：

• 为什么相关；

• 核心定义是什么；

• 适用边界在哪里；

• 是否存在相反模型；

• 它有没有帮助你重新描述问题。

第三步：完成一个最小行动

从分析中选择一个今天能够完成的动作。

它可以是：

• 补充一项关键数据；

• 询问一个相关的人；

• 设计一次小规模实验；

• 明确一个停止条件；

• 验证一个最关键的假设。

完成以后，再带着新的信息回来继续推演。

10 · 常见问题 FAQ

使用之前需要了解思维模型吗？

不需要。

Thinking Models 的核心使用方式是从问题出发，再寻找相关模型。你也可以通过知识库、图谱和模型对比主动探索。

它会直接告诉我应该怎么做吗？

它会提供判断框架、模型解释和可能的最小行动，但不会替你承担最终决策。

同一个模型放在不同目标、资源和约束中，可能产生完全不同的判断。

AI 给出的分析一定可靠吗？

不一定。

AI 仍然可能出现遗漏、误读和不恰当的模型匹配。

Thinking Models 强调来源、边界和模型对比，正是为了让回答可以被进一步检查，而不是因为使用了某个模型，就默认结论一定正确。

10,505 个模型是否都已整理完成？

没有。

目前建立的是包含 10,505 个模型的知识索引。不同模型的定义、来源和关系完善程度并不完全一致，仍在持续整理和校对。

是否需要登录？

部分浏览和体验功能可以直接使用。

学习进度同步、个人路径和认知记录等个性化功能，需要登录后使用。具体以网站当前页面为准。

输入个人背景时需要注意什么？

只填写分析问题所必需的信息，尽量不要输入姓名、证件号码等个人敏感信息。

使用语音功能时，只有主动点击后才会请求麦克风权限，不会在后台持续监听。

11 · AI 时代，我们需要保存什么？

我越来越觉得，未来真正稀缺的，可能不是“知道更多”。

甚至也不只是拥有一个更聪明的 AI。

真正稀缺的可能是：

我们有没有能力保存自己的思考结构。

知道一个模型，和在现实问题中真正调用它，中间还有很长一段距离。

得到一个答案，和形成一套可以不断检验、修订和继续生长的认知结构，也完全不是一回事。

Thinking Models 想做的，不是替人思考。

而是帮助一个问题获得更多可以站立的支点，让每一次思考不必从头开始。

搭起你的第一副认知脚手架

不用先学习一百个思维模型。

带着一个最近真正困扰你的问题进来，就可以开始。

进入认知助手：
thinkingmodels.site/ask

浏览思维模型知识库：
thinkingmodels.site

如果你也在思考：

AI 时代，我们应该怎样保存、组织并继续自己的思考？

欢迎来试一试。

也欢迎挑错。

THINKINGMODELS.SITE
COGNITIVE SCAFFOLD · A SOURCED MENTAL MODELS LIBRARY