Paul Jialiang Wu agentic-portfolio 中文 Español 한국어 日本語✉️ 免费订阅
← 返回作品集

AI-NATIVE 系列 · 目的地,不只是工具箱 · 第 2/3 集 · 原则 2

跨尺度 OEC:代码库与团队如何无需提醒也能持续进化

作者Paul Jialiang Wu · futuremake.io · 2026-10-26 · 阅读约 17 分钟

Cover: OEC loops at every scale. Three cards: who it is for (builders who want gains that stay gained without a reminder), what you leave with (five loops at five scales, and a floor that only rises), the one finding (at a quality score of 97 out of 100, a live run and an outside reviewer still found eight bugs the tests had missed).
目的地,不只是工具箱 · 第 2/3 集:原则 2

1 分钟速览

这是什么 这是一篇写给一线建设者的随笔,也是一次关于 OEC 循环(观察、评估、控制)的演练场。为什么同样的循环要在每个时间尺度上都跑一遍?从秒、分钟、pull request、一周到一个月,这个代码库曾把自己从 65 分打到 97 分,自动拒绝回退,但依然需要线上实测和外部评审来发现测试遗漏,修复后才到 98 分。

为什么重要 大多数改进之所以会消退,是因为太依赖人去记住。只有那种能观察、提前设定标准、并主动采取行动的循环(不管是出错后的 feedback,还是出错前的 feedforward),才能让进步不靠提醒也能持续。团队和产品的“掉链子”方式和代码库如出一辙,所以这些循环同样适用。

读完后你能做什么 选一个你手头的系统。按五个时间尺度(从秒到一个月),各写出一个循环,再写一个带日期的前馈 tripwire,然后去 Playground(演练场,下文简称 Playground)试试,能不能让一个变更悄悄溜过质量底线。

Destination, Not Toolbox — 系列脉络

▶ 看它实际运行:打开在线演示 公开 · 无需登录

  1. 智能体化软件给你的是选项,而不是工具 第 1 集
  2. OEC 循环,层层递进 本集
  3. 真理、爱与美:同一系统 第 3 集

核心问题:系统上线后,没人记得去改进,它还能怎么持续变好?

本文不会解释这个系统的用途,也不会讨论为什么它的核心是人的选择——这些内容请见 第 1 部分。至于“真理、善意与美”如何在这些循环中彼此守护,详见 第 3 部分.

这篇文章讲什么:OEC 循环,以及为什么一个循环永远不够

这是一篇关于 OEC 循环(观察、评估、控制)的文章。讨论的是:系统上线后,如何在没人需要记得去改进它的情况下,依然持续变好。写给那些眼见干净代码库、好团队习惯或精心计划在短短一个月内就开始变味的建设者。你只需要一个浏览器、一支笔,和四十分钟左右的空档。

故事依然来自同一个代码库,见 第 1 部分:一个为小型创始团队自托管的办公系统,完全用代码驱动。九月时它还只是个空文件夹,后来变成了能自我评分的系统。第一天自评分 65/100,第二天 91。到十月底已经 97,并且一路上自己挡住了回退。但上线实测和外部审阅者还是找出了 8 个所有测试都漏掉的 bug;修完这些,分数升到 98。故事的两半都是教训。

本文背后的原则,是本系列的第二条,我称之为 跨尺度、跨维度 OEC。在所有尺度(秒、分、天、周、月;一行代码、一个团队、一个预算)和所有你能度量的维度(一个数字、一条时间线、一张表格、一个结构,甚至循环自身的嵌套)上,同时进行观察、评估和控制。单一尺度的循环只是记分牌;把循环叠起来,系统才能自我修正。

第 3 部分,真理、关爱与美感:一体的控制系统,探讨是什么让所有这些循环保持真实可信,并用一个系统串联起本系列的三条原则。

第 1 部分的烹饪阶梯也贯穿本篇,因为它天然就是一个多尺度的例子。厨房每个层级都在执行同样的三步流程,只是各自的节奏不同。

厨房层级观察对照标准控制
厨师,秒级尝一口勺里的菜菜谱立刻加盐
传菜口,分钟级看一眼盘子本店标准退回重做
主厨,新菜品冷静地从外部品尝菜单承诺的味道上桌前就改菜
每周菜单例会卖了什么,退了什么上周的目标下周改一个
连锁,一季度每家餐厅的运营数据提前设定的各项指标调整整体策略

请先停一下。你最终要帮一位同事,为他们手头的某个系统,画出一张五层级循环表。请带着“我要用一支笔讲明白 feedback 和 feedforward 区别”的心态来读。元分析显示,39项研究中,带着“要教别人”预期去学习再讲解,得分提升 g = 0.48(某子组结果);而没有这种预期的讲解则没有显著提升(g = −0.02) (Kobayashi(2024),Educational Psychology Review(ERIC EJ1414484)).

活动 1 · 用手掌平衡一支笔

站起来,把一支笔或铅笔竖直放在张开的手掌上,平衡十秒。然后再试一次,这次边慢慢走动边平衡它。

继续往下读前,先写下两点:你的眼睛在看什么?你的手是什么时候动的?开始走路后,又发生了什么变化?

站着不动时,你盯着笔尖,等笔开始倾斜才动手,这就是 feedback:必须先出错才会纠正。走路时,你大概率会提前把手往前,因为你知道自己要动了,这就是 feedforward:在错误发生前,基于计划或已知干扰提前行动。控制工程师一句话就能概括这两种方式。Åström 和 Murray 写道:“Feedback is reactive: there must be an error before corrective actions are taken.(反馈是被动的:必须先出现错误,才会采取纠正措施。)”并且描述了提前应对已知干扰的做法:“This way of controlling a system is called feedforward.(这种控制系统的方法叫前馈。)”Feedback is reactive: there must be an error before corrective actions are taken.(反馈是被动的:必须先出现错误,才会采取纠正措施。)”,并且描述了提前应对已知干扰的做法:“This way of controlling a system is called feedforward.(这种控制系统的方法叫前馈。)" (Åström & Murray(2020),Feedback Systems: An Introduction for Scientists and Engineers,第二版,v3.1.5,§1.2他们对两者取舍的结论,其实就是本文的缩影:“Experience indicates that it is often advantageous to combine feedback and feedforward(经验表明,将反馈与前馈结合往往更有优势。)”Experience indicates that it is often advantageous to combine feedback and feedforward(经验表明,将反馈与前馈结合往往更有优势。)" (Åström & Murray(2020),Feedback Systems,第二版,§1.2).

三个动词,最容易被漏掉的那个

一句话总结:OEC 循环在每个层级都做三件事——先观察测量,再用提前定好的标准评估,最后据此控制下一步行动。

一个OEC 循环 包含三个环节。观察:用你信得过的传感器测量当前状态。评估:和你事先定下的标准作比较。控制:根据差异采取行动。这个思路由来已久。Norbert Wiener 甚至以此为名,开创了一个全新领域,他在《1948: 控制论》的副标题里写道「Cybernetics, or control and communication in the animal and the machine(中译:控制论,或动物与机器中的控制与通信)" (Wiener (1948), Cybernetics: Or Control and Communication in the Animal and the Machine (Open Library work OL4307531W)).

实际工作中,最容易被忽略的就是第三步。我在早期的一篇文章里就写过,这也是我见过最常见的失败:「evaluation without a control hook is just a scoreboard(中译:没有控制动作的评估,只是个记分牌)" (Wu, P. J., The App That Audits Itself」。没人采取行动的看板只是观察没有控制;发现问题没人修的评审只是评估没有控制。两者看似有条理,实际什么都没变。

控制分两类,这两样你都得有。反馈:在出错后纠正。前馈:在错误发生前,基于计划主动出手,比如一条规则、一个限制,或者一条预设触发线,提前写好日期和触发动作。只有反馈总是慢半拍,只有前馈则对意外视而不见。

一个循环,五种时间刻度

同样的循环,在五个时间尺度下都在运行,每一环都被办公室代码库的某次失败亲自“教育”过。

A table of five scales: seconds (a unit test, against the expected value, fix before commit), minutes (make check and the score, against the quality floor, refuse the change), a pull request (an outside review, against what the spec said, fix before merge), a week (make oec, against the 10X numbers, one next action), a month (the 30-day numbers, against tripwires set earlier, change the plan).
五重时间刻度下的 OEC 循环:从单元测试到每月触发线

秒级:单元测试。 每个测试观测一个值,对照预期结果评估,并决定是否允许提交。这是最快的循环,也最容易被假象欺骗。这个代码库的测试用的是一个虚拟文件驱动,任何上传都能通过。而真实驱动会拒绝将文件保存到不存在的文件夹。所有离线测试全都通过了,第一次线上运行却直接翻车。快循环只能看到它的假传感器能看到的世界。

分钟级:棘轮。 每次变更都会运行一个命令,把代码(文档、函数体积、嵌套、类型、测试)量化成一个分数,然后和 ratchet(棘轮)对比:分数下限写在一个文件里,只能上调不能下调。低于下限的变更会被直接拒绝。每次真正提升后,下限会上调,想要下调则必须写明理由。在第一次运行时,棘轮就揪出了自己的四舍五入 bug、README 徽章与实际分数不符,以及实现每周循环的文件导致分数跌到 90。循环第一次跑就自己抓住了自己引入的回归。

Horizontal bars with a black step line for the floor: 65 at the start with no floor; 91 after the seams refactor, floor 91; a hollow red bar at 90 marked refused, caused by the weekly loop's own file, under floor 91; 96 before the October refactor, floor 96; 97 when it landed, floor 97; 98 after the review, floor 98, in orange.
分数一级一级往上爬,下限也跟着抬高。唯一一次分数跌破下限(90,由每周循环的文件引起),闸门果断拦下。

一次 pull request:外部审阅者。 十月重构合并前,另一个审阅者冷读了新代码,发现了测试漏掉的七个真 bug。最精彩的一个:同一个文件下方还藏着旧版函数,悄悄覆盖了上方修复后的版本。为这个 bug 新写的测试第一次就挂了,这才发现了重复定义。我的上一篇文章解释了为什么审阅者必须是别人:“a loop that scores its own work does not get better — it gets more confident.(中译:一个给自己打分的循环不会变得更好——只会更自信。)" (Wu, P. J., Loop Engineering Is a Referee).

周级:观测循环。 每周有一个命令观测所有关键点(闸门、下限、生成文档是否过期、外部是否能访问、最新备份的时间,以及现在还有多少决策等着人来拍板),并只输出一个下一步行动。如果连续三周都是同一个行动,它会提醒你。重复的行动不是待办,而是循环被卡住了。这个循环曾暴露过一个更隐蔽的失败:我用在代码智能体上的自我提升引擎,记录了 111 次运行,却没有一条经验被提升进常驻记忆。它只是在记录,没有产生复利。

月级:触发线。 十月重构上线时就设好了带日期的触发线。如果到 11 月 9 日还没有决策通过新循环,说明决策速度根本不是瓶颈,我会先问团队再决定要不要继续开发。如果十次决策后,人类只同意机器首选不到三分之一,说明目标本身就有问题。这些触发线都是在还没有任何数据时就写下的——这才是关键。等看到结果再来定触发线,那只是事后诸葛亮。

活动 2 · 画出你的五个尺度

选一样你手头的东西:代码库、习惯、团队仪式、家庭预算。画一个五行表:秒、分、一次变更、一周、一个月。每行写下你观测什么、和什么对比、你会怎么做。

圈出每一个空着的“控制”单元格。每一个都是假装成循环的记分板。

大多数人会发现两类空白。慢行的格子没人负责所以空着;快行的没有外部视角,因为作者自己就是审阅者。每类只补一个格子,往往比加第六个指标更有用。

多维度:从一个数到分形

尺度决定你多久看一次;维度决定你看的是什么形状——一个点、一条线、一张表、一张连线图,或者循环本身。只测一种形状的系统,盲区正好就是其他形状的总和。

维度观测对象在这个代码库里单独看会遗漏什么
0 维:一个点单一数值质量分数 98分数是怎么来的
1 维:一条线随时间变化的数值每次打分的记录,按时间顺序排列分数为何波动
2 维:一个平面指标 × 项目的表格得分卡:五项指标,每个失分项都点名各部分之间的关联
3 维:结构哪些部分可能依赖哪些一个测试:只要核心模块导入了任何附加组件就会失败结构如何演变
4 维:随时间变化的结构结构在不同版本间的变化这里还没测:还没有对比过不同版本的依赖关系图版本间的缓慢漂移
分形循环中嵌套的同一个循环test → check → review → week → month这一层没有具体内容;它本身就是整个循环栈。

最后一行名副其实。Benoit Mandelbrot 发现,海岸线的测量长度取决于你用多长的尺子,他那篇论文的副标题正是「Statistical Self-Similarity and Fractional Dimension(中译:统计自相似性与分数维)" (Mandelbrot (1967), How Long Is the Coast of Britain? Statistical Self-Similarity and Fractional Dimension, Science 156(3775), 636-638」。系统的质量也是如此。用一秒的“尺子”(比如单元测试)去量,看起来一切平滑无瑕;但用实机运行或让外部读者来检验,就会冒出短尺子根本看不到的新细节。这些循环本身就是自相似的:每个尺度都在重复同样的三个动作。这正是循环栈能起作用的原因——每一层都能发现更快那层太细、太容易被蒙蔽而漏掉的问题。

每个度量都暗藏陷阱

循环的诚实程度取决于它的传感器,而一旦度量变成目标,它就不再是好传感器了。最常被引用的说法来自 Marilyn Strathern,1997 年:「When a measure becomes a target, it ceases to be a good measure.(中译:一旦度量变成目标,它就不再是好度量。)" (Strathern (1997), 'Improving ratings': audit in the British University system, European Review 5(3), 305-321, as quoted by Wikipedia, Goodhart's law」。Goodhart 1975 年的原话谈的是经济统计:「Any observed statistical regularity will tend to collapse once pressure is placed upon it for control purposes.(中译:一旦某个统计规律被用来控制,它就会趋于失效。)" (Goodhart (1975), Problems of Monetary Management: The U.K. Experience, as quoted by Wikipedia, Goodhart's law」。Strathern 的摘要还补了一句更尖锐的警告:「audit does more than monitor—it has a life of its own that jeopardizes the life it audits.(中译:审计不仅仅是监控——它有自己的生命,会威胁到被审计对象的生命。)" (Strathern (1997), European Review 5(3), 305-321).

这个代码库里的棘轮机制就有这样的软肋,而且它在自己的得分卡上也坦白了。它的“tested”数值是测试函数数除以生产函数数,这并不等于覆盖率。随便写四个无关痛痒的测试也能把分数抬高。把这个漏洞直接写在页面上,是我能想到的最低成本防御:一个虚高的闸门比没有闸门更糟,因为它带来的是假信心。

另一种极端是:有个闸门从没人见过它真正触发。我在 andon cord 那篇文章里说得很直白:「a gate that has never fired is indistinguishable from a gate that cannot fire(中译:一个从未触发过的闸门,和一个根本无法触发的闸门没有区别。)" (Wu, P. J., ANDON: Pull the Cord」。丰田的做法是实物:在生产线上,「the operator can stop the line by pulling the stop cord themselves(中译:操作员可以自己拉停绳让产线停下来。)" (Toyota Motor Corporation, Toyota Production System (global.toyota)」。只有循环第一次真的拦下问题,才开始赢得信任。这个代码库里的每个闸门都有测试,专门喂给它一个预埋的违规,确保它能如预期地失败。

活动 3 · 写一个触发线(tripwire)

针对你在活动 2 画出的系统,严格按照这个格式写一个触发线:「如果 [指标] 在 [日期] 前 [高于/低于] [数值],那么我将 [行动]。」

再写下一条观察,能直接推翻这个触发线本身。

这个格式强制你用上三个动词:指标是观察,数值和日期是提前定下的标准,行动就是控制。第二句话是循环套循环:一个你完全想不到会错的触发线,其实只是信念,不是控制。

活动 4 · 试试能不能绕过底线

打开Destination Playground(演练场)的第 5 节。先提交一个 92 分的变更,再把底线抬高。现在试着提交一个 70 分的。

找找有没有“降低底线”的按钮。继续往下读前,先猜猜为什么没有。

没有“降低底线”的按钮,这是故意设计的。在真实代码库里,确实可以降底线,但那得你手动改文件,还要写一条决策说明理由。这个操作门槛,就是棘轮机制里 feedforward 的一半:提前约定,红色构建只能靠修代码解决,而不是降标准。演练场里唯一真实的是规则,分数都是虚构的。

同一个故事,五种出路

你的身份是……这会改变你做的决定本周你要做的一件事
学生你怎么为重要的事学习在已有的反馈(批改作业)之外,加一个 feedforward 规则(自测的日期)
工程师你的代码库缺了哪一环在你的五层表里找到空着的控制格,把它补上
创始人你怎么知道团队习惯还在坚持在数据出来之前,先为本季度写好三个带日期的触发线
高管一个仪表盘能不能算作一个循环每看到一张图表,都要追问:它对应的行动是什么?由谁来执行?
投资人公司在演示之后,质量还能否持续保持?请对方拿出一个真正触发过的闸门,以及它实际拦下了什么

这篇文章里的真、善与美

有一个视角是我自己的,我会特别标明。使徒保罗写给腓立比人的信最后有一句关于“观察什么”的劝勉:最后,弟兄们,凡是真实的,凡是可敬的,凡是公义的,凡是纯洁的,凡是可爱的,凡是有美名的,若有什么德行,若有什么称赞,这些事你们都要思念。" (腓立比书 4:8在我的信仰里,这就是人的 feedforward:提前决定你要关注什么,而不是等一天结束再被动接受。上面这些循环,即使没有这个信念也能成立。

那些似是而非的误区

那些我一直在用、但没起名字的原则

重读这个系列的早期文章时,我发现自己其实早就反复用过四条原则,只是一直没给它们命名。每一条,都是跨尺度 OEC 的一环。

现在轮到你教别人了

你的教回路。和同事一起花十五分钟,把笔递给他,一起做活动 1。然后帮他为自己负责的一件事填一张五层循环表(活动 2),再一起写一个带日期的 tripwire(活动 3)。如果他还没读 part 1,就从那里开始:循环得先有目标,才谈得上地板。

结果:你的同事能用一支笔、不看笔记,讲明白 feedback 和 feedforward,并且有一个带日期的 tripwire 写进了日历。把 tripwire(去掉隐私信息)发在本文评论区。

为什么重要:五问追根

问题:一个代码库自评分 97/100,所有测试全过,结果第一次线上跑几秒就暴露了一个 bug,合并前外部审查又找出七个。

  1. 为什么测试会漏掉这些问题? 测试用的是比真实环境更宽容的假驱动,还只验证了作者自己设想的那些可能出错的情形。
  2. 那为什么还能拿到 97 分? 得分只是单一尺度上的一个数字。它衡量的是代码的结构,评分表自己也明确指出测试指标并不等于覆盖率。
  3. 为什么慢循环能发现快循环看不到的东西? 真实运行和冷读者是两种不同的传感器,尺子也更长。Mandelbrot 的海岸线就是例子:换个尺度就能看到新的细节(Mandelbrot (1967), How Long Is the Coast of Britain? Statistical Self-Similarity and Fractional Dimension, Science 156(3775), 636-638).
  4. 为什么团队会跳过慢循环? 慢循环既费时,又需要多一个人,而且跳过时不会有任何红灯警告。漏掉一次评审,任何看板上都不会留下痕迹。
  5. 根本原因: 质量被当成了单一尺度下的属性,而不是每个层级都堆叠 observe-evaluate-control 循环,每层都用不同的传感器补足快循环看不到的盲区。解决办法就是这套堆叠,并且要在数据出来之前就写好 feedforward 的 tripwire。

实操:本周动手跑一遍

  1. 先读一遍 teach-ahead 的引导句。
  2. 站着、走路各平衡一次笔(活动 1,3 分钟)。
  3. 画出你的五层循环表,圈出所有空着的 control 单元格(活动 2,10 分钟)。
  4. 写一个带日期的 tripwire,再写一句能推翻它的观察(活动 3,5 分钟)。
  5. 去 Destination Playground 里试试能不能绕过质量底线(活动 4,5 分钟)。
  6. 教给一位同伴,并把 tripwire 发出来。

反馈:怎么判断你做对了

本方法看不到的:你的标准本身是否合适。循环只负责让系统守住标准,不负责选标准。这是第 1 部分(目标)和第 3 部分(标准如何自证)的主题。

前馈:触发线要现在就定好

5S 自评

S主张证据
简明正文难度不高于高三水平;全篇由一个三步循环贯穿。Flesch–Kincaid 等级:7.0(区间 ≤ 12),由以下工具重新计算:node scripts/check-numbers-four-ages.mjs --series agentic-collab
扎实控制理论观点来自教材;指标陷阱归功于原作者。"Experience indicates that it is often advantageous to combine feedback and feedforward(中译:经验表明,将反馈与前馈结合通常更有优势)" (Åström & Murray)
犀利每个尺度都能发现更快尺度看不到或被蒙蔽的细节。五个尺度 · 多维度
SMART本周行动:画一张五层循环表,写下一条带日期的触发线,再教会一位同伴。执行
意外之喜循环首次运行时,就自己揪出了因自身代码引发的回归问题。棘轮机制
真 · 善 · 美分数有据、弱点直陈;闸门是体贴的善意;同一个三步循环,贯穿每个尺度。真、善与美

参考资料

  1. Åström, K. J. & Murray, R. M. Feedback Systems: An Introduction for Scientists and Engineers,第二版(电子版)版本 v3.1.5(2020-07-24)). caltech.edu
  2. Wiener, N. (1948). Cybernetics, or Control and Communication in the Animal and the Machine. Open Library
  3. Mandelbrot, B. (1967). How Long Is the Coast of Britain? Statistical Self-Similarity and Fractional Dimension. Science 156. Crossref
  4. Strathern, M. (1997). 'Improving ratings': audit in the British University system. European Review 5. OpenAlex
  5. Goodhart 定律,含 1975 年 Goodhart 原文及 Strathern 的表述。wikipedia.org
  6. Toyota. Toyota Production System. global.toyota
  7. Kobayashi, K. (2024). Interactive learning effects of preparing to teach and teaching. Educational Psychology Review. ERIC EJ1414484
  8. 腓立比书 4:8,World English Bible。bible-api.com
  9. Wu, P. J. The App That Audits Itself. agentic-portfolio
  10. Wu, P. J. Loop Engineering Is a Referee. agentic-portfolio
  11. Wu, P. J. ANDON: Pull the Cord. agentic-portfolio
  12. Wu, P. J. ANDON: Rules as Data. agentic-portfolio
  13. Wu, P. J. Silence Is Not a Status. agentic-portfolio
  14. Destination Playground(本系列的在线演练场,首次出现时译为“演练场”,下文直接用英文)。agentic-portfolio

相关内容

作者:Paul Jialiang Wu · agentic-portfolio · 2026-10-26。所有原则均由 Paul Jialiang Wu 提出;文中经历源自他为创始团队重建自托管办公系统(私有代码库,文内未涉及公司具体信息)。 构建工具:playbook-math:一个想法,四个阶段,每个数字都可溯源。文中观点仅为个人见解,不代表雇主立场。