AI 越加越多效果越来越差？你的系统缺的不是更好的模型，是一张体检报告

我花了一晚上，给自己的 AI 系统做了一次体检。

我有 87 个 AI 工具、21 个 Skill、6 个角色、4 个定时任务。系统跑了一个月。体检报告出来了——65 分。

最扎心的一条：我设计了一条完美的知识飞轮，收集→消化→反思→输出，四步闭环。实际数据是：21 张卡片，9 篇反思，17 篇文章。中间断了。飞轮根本没转起来。

你大概率也在犯这个错

大部分人用 AI 的思路是这样的：效果不好？加 prompt 约束。还不好？换个更大的模型。再不好？加个 Agent 审核。加、加、加。

我以前也这样，87 个工具就是这么来的。

但系统论有个基模叫「增长极限」——你加的东西越多，协调成本越高。到某个点之后，继续加，边际收益就是负的。我的 87 个工具里，有多少在真正被用？我不知道，因为我连调用计数都没加。

这不是技术问题，是系统设计问题。

系统论只关心三件事

第一，存量和流量。 你的系统里有什么东西在积累？积累的速度对不对？比如我的知识库，知识卡片在涨，但涨得太慢；工作日志在涨，又涨得太快。一个占满了带宽，另一个被饿死。

第二，反馈回路。 你系统里有没有「刹车」？出了问题能不能自动纠正？我有 5 个行动项过期了，系统有检测吗？有。会自动纠正吗？不会。检测到了但不纠正，等于没有刹车。

第三，延迟。 从问题发生到你发现，隔了多久？我写的文章质量好不好？我不知道，因为质量检测从来没被自动调用过。问题发生了，但我可能一个月后才发现。

六个陷阱，你中了几个

系统论把常见的系统故障归纳成六种「基模」，就像医学有常见病一样，系统也有常见病。我中了四个：

• 增长极限——工具越加越多，但收益变平了。
• 舍本逐末——不断加新工具修表面问题，核心飞轮没人管。
• 富者愈富——工作日志每天自动写，知识卡片没人推，强的越强、弱的越弱。
• 饮鸩止渴——行动项过期了就加新的，但老的还挂着，越积越多。

这些问题都不是 AI 的问题，换个更强的模型也解决不了。因为结构决定行为。

怎么治：改目标，而不是调参数

系统论学者德内拉·梅多斯说过，干预一个系统有 12 个层级。大部分人的直觉是调参数——换模型、改 prompt、加 timeout。但参数是第 12 级，效力最低。真正有效的干预是改目标——第 3 级。

我原来的目标是「工具越多越好」。现在改成「知识飞轮转速」——每周收集几张卡片、消化几篇反思、输出几篇文章。

目标一改，该做什么就清楚了：不是加更多工具，而是加一个飞轮催化脚本，每天统计飞轮转速，断了就推送提醒我。

什么人需要这个

如果你在做以下任何一件事——搭了一个多 Agent 系统但效果不如预期；AI 工具越来越多但不知道哪些在用；知道系统有问题但说不清哪里有问题；想做一个 AI 项目但不知道需要几个 Agent、怎么编排——都可以用这个方法：先做体检，再开药。

不是让 AI 告诉你怎么做，是让 AI 用系统论帮你看清结构——存量在哪、飞轮在哪、刹车在哪、哪里断了。看清了，方案自然就出来了。

结构决定行为

AI 时代最大的幻觉，是以为加一个更好的模型就能解决一切。

模型是引擎。但引擎再好，如果刹车坏了、方向盘歪了、油路断了，车还是开不好。

结构决定行为。你的 AI 系统表现不好，问题往往不在 AI 上，而在它运行的环境上。这就是 Harness——不是驾驭 AI，是驾驭 AI 运行的环境。