建立判斷力訓練系統（Prediction Journal + Validation Loops）

[atomchung]

目標

建立一套個人判斷力訓練系統，核心邏輯：
Taste = 暴露在大量好東西裡 × 大量產出 × 快速對帳

最便宜也最有效的加速器是「寫下預測 + 定期回看」。本 issue 追蹤這套系統的實作與習慣建立。

---

為什麼做這個

• AI 時代「執行」成本趨近於零，瓶頸從「會不會做」變成「知道做什麼」
• 多數人判斷力原地踏步十年，不是因為沒經驗，而是從不記錄當初怎麼想
• 寫下預測 → 一個月後回看，是 Philip Tetlock 在 Superforecasting 證明過最有效的校準方法
• 成本：5 分鐘/天；回報：十年判斷力複利

---

系統設計

三個核心變數（任何 validation loop 都在優化這三個）

1. 頻率：多久跑一次？
2. 訊號品質：回饋有多誠實？
3. 痛感：錯了會不會真的痛？沒痛感 = 沒學習

---

實作 Checklist

Phase 1：基礎設施（本週）

• 建立 predictions.md（Notion / Obsidian / repo 內檔案皆可）
• 訂定欄位格式：日期 | 領域 | 預測 | 信心% | 驗證日期 | 結果 | 錯在哪
• 行事曆設定「每月 1 號 review predictions」30 分鐘 recurring
• 寫下第一筆預測（任何非瑣碎決定都算）

Phase 2：場景化 Loop（兩週內）

寫程式 / 技術判斷

• 每個 PR 描述加一句「我預期這個改動會 X」
• 部署後接 Sentry / PostHog 看真實行為
• 規則：一週內沒人用的功能 = 判斷錯，砍掉

產品判斷

• 任何新點子先做 landing page + $50 廣告，24 小時看 conversion
• 5 人朋友測試 protocol：不解釋、看第一個動作、看第一個皺眉

寫作 / 內容判斷

• 長文前先發 280 字 Twitter 版本測水溫
• 沒人轉發 = 觀點不夠尖銳，不要安慰自己「演算法問題」

設計 / 美感判斷

• A/B 並排規則：做兩版，24 小時冷卻後再選
• 給三個人看，不解釋，問「選哪個 + 為什麼」

Phase 3：外部校準（一個月內）

• 找一個「殘忍但誠實」的朋友，約定每週 15 分鐘 review
• 找不到人時的 fallback：用 Claude，prompt =「以 [領域頂尖人物] 的標準，找出三個我沒看到的問題」
• 鎖定 3-5 個 taste 標竿深度追蹤（看他們批評什麼、忽略什麼，不只看他們稱讚什麼）

Phase 4：複盤機制（每月）

• 月底 review：哪些預測對、哪些錯、信心校準了嗎
• 找出「系統性錯誤模式」：哪類判斷我反覆錯？
• 區分「結果錯」vs「判斷錯」——賭對也可能是判斷爛（運氣好）
• 季度更新 taste 標竿清單

---

Taste 標竿初始名單（待篩選成個人 top 5）

AI / 技術

• Andrej Karpathy
• Anthropic 團隊（Amanda Askell, Dario Amodei）
• François Chollet
• John Carmack

產品 / 設計

• Tobi Lütke (Shopify)
• Ivan Zhao (Notion)
• Karri Saarinen (Linear)
• Rauno Freiberg

獨立開發者

• Pieter Levels
• DHH
• Tony Dinh

投資 / 思考

• Naval Ravikant
• Paul Graham（讀 How to Do Great Work）
• Elad Gil
• Nat Friedman + Daniel Gross

待辦：

• 從上列挑出 3-5 人深度追蹤
• 每人讀至少 5 篇/看 5 個作品
• 寫下「他們的 taste 共通點是什麼」

---

成功指標

3 個月後檢驗：

• predictions.md 至少 30 筆紀錄
• 至少做過 3 次月度 review
• 能說出自己「系統性錯在哪類判斷」
• 至少跑過 1 個完整 validation loop（廣告測試 / 用戶測試 / 並排設計）
• 信心 % 校準改善（80% 信心的預測，實際命中率接近 80%）

---

一句話原則

錯得快 = 學得快。護自己決定的人，學不到東西。