在中文互联网上，关于「如何成为专家」的回答，绝大多数都指向了错误的路径：考取高大上的学历、背诵几本经典的教科书、刻意练习一万小时、或者死记硬背一套通用的「思维模型」。
成为专家和这些标准化的书本知识毫无关系，它全靠你在特定领域内对隐性知识（Tacit Knowledge）的精准捕获，以及在结构不良领域（Ill-structured Domain）中进行案例组装的能力。
那些你在学校里学到的、被整理得整整齐齐的「显性概念」，在真实世界中实例化时变化极大，且极其混乱。
以下是基于认知灵活性理论（CFT）和自然决策法（NDM）总结的专家进阶路径。
省流
- 认清领域的本质：现实世界的大多数高阶领域（商业、医疗、软件架构）都是结构不良领域。在这些领域中，案例的优先级高于抽象概念。
- 放弃寻找「普适法则」：专家依赖的是隐性知识和专家直觉。当专家说「感觉对了」的时候，他是在零点几秒内完成了特征线索识别与心理模拟。
- 重构你的笔记与学习系统：不要做线性的概念笔记。你需要构建一个超文本案例库，通过反向链接将案例碎片化，寻找不同案例间「令人惊讶的相似」与「令人惊讶的差异」。
- 主动进行技能提取：不要问专家「你是怎么做到的」，要通过关键决策法（CDM）去挖掘他们经历过的「棘手案例」，逼问他们当时看到了什么线索、有什么预期。
一、 真实世界的本质：结构不良与隐性知识
很多人习惯了学校的教学逻辑：先学一个公式（概念），然后做两道课后习题（例子）。在这种模式下，概念是神圣的，例子是用完即弃的。
然而，在真实世界中，概念的第一性原理往往很难直接推导出新颖情境的解决方案。因为现实世界是一个「结构不良领域」。
以下内容摘自 @Thoughts Memo 汉化组的译文《从他人经验中学习的最佳方式》：
通常来说越是结构不良的领域，「自上而下」的结构为知识应用提供的指导就越差。也就是说，在一个结构不良的领域中，运用抽象概念（理论、一般原则等）来促进理解并指导在自然发生的案例中的行动，变得越来越不顺利。在一个结构不良领域（即一个案例本身是多维的，且与下一个案例之间呈现不规则关联的领域）中，知识在具体案例中的应用是无法通过一般原则预先规定的。这是因为，在结构不良领域中，关于哪些概念元素是相关的，以及它们以何种模式组合这类问题，于不同案例之间存在着巨大的差异性。在一个结构不良的领域中，一般原则无法捕获足够多的案例结构动态；应对高度多样化的新案例时，灵活性越来越依赖于从先例中进行推理。
因此，已有的案例不能仅仅被赋予说明抽象原则（然后就可被抛弃）的辅助地位；案例本身是关键——例子是必要的，而不仅仅是锦上添花。
因此，想要在这些领域成为专家，你需要的不是背诵公式，你需要的是习得专家的「隐性知识（Tacit Knowledge）」。隐性知识是那种无法仅通过文字表达的知识。你无法仅通过阅读物理方程学会骑自行车。你必须去观察专家在现实案例中的直觉判断。
二、 拆解专家的黑箱：识别启动决策模型（RPD）
当你问一个专家「你是如何做出这个牛逼的决策的」时，他通常会说：「我不知道，就是一种感觉。」
专家的直觉和虚无缥缈的玄学无关，它只是隐性记忆中极高能量的模式匹配。 自然决策（NDM）领域的研究者 Gary Klein 提出了识别启动决策模型（RPD），完美拆解了专家的这个黑箱：
当专家看到一个新场景时，大脑会在潜意识中瞬间匹配过往的原型，并同时生成四种副产品：
- 一组线索（Cues）：专家知道在海量噪音中，眼睛该往哪儿看。
- 一组合理的目标（Goals）：知道现在什么最要紧，什么可以延后。
- 一组预期（Expectancies）：能预判局势接下来会如何演变。
- 一个行动方案（Action Scripts）：脑海中立刻浮现出解决办法。
以下内容摘自 @Thoughts Memo 汉化组的译文《更有效的模仿：如何习得专家的隐性知识》：
识别目标、线索、预期和行动是情境识别的组成部分。重要的是要理解，所有这些识别过程都发生在隐性记忆中。这就是为什么专家往往无法用语言清晰表达他们正在做什么。
当专家说「这感觉就是对的」时，他们实际上是在表达：他们将当前问题识别为头脑中已有原型的一个实例，这一识别产生了四种副产品；这种隐性记忆操作发生得如此迅速，以至于他们无法用语言描述思考过程。他们只能说「这感觉就是对的！」，就像你可能对一位熟人说：「我认识她，只是想不起她的名字！」
专家有时会遇到与他们头脑中已有经验不匹配的情境。或者，他们发现了违反最初预期的证据。在这种情境下，专家会立即意识到他们匹配的原型有误，于是他们会退回到模式识别阶段。他们尝试构建一个叙述或模拟来解释眼前所见的情境，以便与不同的原型进行匹配。这时，消防员、程序员或海军陆战队小队长可能会选择收集更多信息——消防员可能会后退一步寻找其他烟雾迹象；程序员可能选择深入研究特定子系统；小队长可能决定通过另一条路径进行侦察。
在传统的规范决策理论中，人们会提出多个选择方案，相互比较它们的优缺点，然后选择可能的最佳选项，通常会运用某种期望值计算方法。然而，在现实世界中，Klein 和他的研究团队发现专家们并不默认采用这种策略。相反，他们采用「满足化」策略——选择第一个满足其标准的可行方案。
具体来说，专家会选择一个行动方案，在脑海中逐步模拟其执行过程，然后要么采纳这个方案，要么因为其不足而放弃。他们会反复评估每个设想的行动方案，直到找到第一个满足所有标准的方案。如果他们用尽了所有可能的行动方案，他们会退回到原型识别阶段。但如果他们找到一个在心理模拟中看似有效的行动方案，他们会立即付诸实施。
识别启动决策模型之所以有价值，是因为它为我们理解人类专业知识提供了一个框架。当你在某位专家的指导下学习时，实际上发生的是你在隐性记忆中构建原型——即你在识别关键线索、学习合理目标、内化行动方案并储存预期结果。同时，你也在积累必要的经验，以便能在头脑中模拟各种行动方案。
三、 实践指南：如何通过系统化手段习得专家技能？
如果你理解了上述两个理论，你就会明白，在结构不良领域，企图靠背诵类似查理·芒格的几十个「普世心智模型」来包打天下，是幼稚的。你必须建立属于自己的案例库。
1. 放弃线性笔记，构建 CFT 超文本学习系统（自建案例库）
利用 Obsidian、Logseq 等支持「反向链接」的笔记工具，不要按学科大纲记笔记，要按案例记笔记。
- 收集十字路口案例（Crossroad Cases）：搜集 10 - 20 个该领域内最复杂、最具代表性的真实案例。
- 打碎并重连：将案例拆成碎片，用概念去标记它。点击某个概念（如 [[规模经济]]），你能瞬间横向对比德州仪器和 Netflix 是如何在不同语境下实例化这个概念的。
- 多案例对比：每天问自己，案例 A 和案例 B 表面上看起来一模一样，为什么细节上差异巨大？
2. 对专家进行技能提取：关键决策法（CDM）
如果你身边有高段位的专家，不要浪费时间去听他吹嘘通用的方法论。去挖掘他脑子里的隐性知识：
- 锁定棘手案例：请他讲一个他职业生涯中搞砸了、或者惊险获胜的「最艰难的真实故事」。
- 拉出时间线：精确到分钟，还原事件在当时（而非事后诸葛亮）的展开过程。
- 使用认知探针（Cognitive Probes）：在关键节点不断逼问他：
- 「你当时最先注意到了什么线索？」
- 「你当时预判接下来会发生什么？」
- 「如果当时没有信息 X，你会怎么做？」
- 「如果是新手来处理，在这里会踩什么坑？」
3. 提升心智模拟（Mental Simulation）能力：决策练习（DMX）
没有真实案例可做时，就去做决策游戏。
以下内容摘自 @Thoughts Memo 汉化组的译文《将心智模型付诸实践（五）：技能提取》：
1. 首先，识别出个人工作领域中的若干个决策点。每一个决策点，都代表一个你接下来要刻意训练、以求改进的具体领域。
2. 其次，只要有可能，就寻找在行动中进行试错的机会。例如，与其启动一个全面的大项目，不如先进行一些规模更小、成本更低的实验。寻找一些能快速检验你领域特定心智模型某些方面的行动。当然，这并非总能实现，这就引出了第三点——
3. 在无法从行动中学习时，进行模拟。克莱因等人开发了一种名为「决策练习」（Decision Making Exercises,DMXs）的模拟技术。DMX 这种决策训练模式最初于 1996 年为美国海军陆战队步枪班班长和军官设计，至今仍用于班长训练。我在此描述的版本，是克莱因针对企业决策者改编的。（译者注：这里推荐对此类反馈系统感兴趣的朋友阅读美军作战手册《FM6-22》，可以让gpt帮你找到这本书）
4. 第四，由于获取经验的机会相对稀少，你应该最大限度地从每一次经验中学习。克莱因对决策批判有具体的建议，不过你会发现，这些建议与现有的「行动后复盘」（after-action reviews）的建议非常相似，这并不足为奇。我们将只对此稍作提及。
克莱因指出，基于真实情境构建的 DMX，其结局往往会趋同于现实中最终采取的行动。这通常被视为「正确答案」，但这并不理想。在多数情况下，你想要的是一个没有标准答案的开放式游戏，以激发充满活力的意见交流。实际的决策，远不如模拟思考整个情境的经验来得重要。
把你遇到的困难决策写成 DMX 剧本（提供背景、逐渐释放事件线索），和同行、专家在午餐时间花 30 分钟推演。对比你和专家的线索、预期和行动方案差异。
总结
想要精通一个领域并成为专家，去啃大而无当的教科书是低效的。
你必须承认现实世界的混乱，去收集海量的「十字路口案例」，通过超文本系统将它们切碎并横向对比。同时，利用关键决策法去榨干你身边专家的隐性直觉。
这套方法在初期会让被学校教育腌入味的你感到反常、困惑且无所适从。但如果你能耐下心来完成这些精细的案例解构与心理模拟，你对这个领域的理解，很快就会将那些只会念教科书的平庸之辈远远甩在身后。
相关知识库
隐性知识 & 结构不良领域以上回答初稿由 gemini-3.1-pro-preview 根据汉化组的 1903 篇回答生成[1]