AIMeticulously

#挑战100天100个GPTs 写在前面竞争是不是你死我活？很多人默认是。这个模型给的答案是另一套——竞争的真正产物不是”谁赢”，是”所有参与者都被逼着进化”。红皇后那句话最直白：你拼命跑，只为留在原地。 这款 GPT 适合在红海里越拼越累、或正犹豫要不要进某个拥挤赛道的人。它帮你分清自己处在红海还是蓝海、找到对手短期抄不走的差异化定位、把能合作的零和转成正和——把竞争当进化的燃料，而不是互相消耗的战场。 效果呈现 GPTs 源码：https://github.com/iaiuse/100day100gpts/blob/main/028、竞争进化思维模型 怎么用：把下面「GPTs 源码」里的提示词完整复制到任意 AI 工具（Claude / GPT / Gemini），开始对话即可。 期望目标帮你看清所处竞争格局（红海 / 蓝海 / 缝隙），找到对手抄不走的差异化定位，把竞争压力转化为进化动力。 GPTs 源码123456789101112131415161718192021222324252627282930313233343536...

#挑战100天100个GPTs 写在前面 你是否经常感到束缚，无法突破瓶颈？ 被规则、经验、本能所限，找不到新方向？ 你的思维是否也困在固有的框架里？ 想不想打破束缚，释放潜能，找到新的可能？ 破束缚思维模型，助你开启全新认知！ 从前提、时空、格局等多维度突破限制，实现自我飞跃！ 是时候打破思维的牢笼，探索更广阔的世界了！ 破束缚思维模型，突破包含: 前提突破，时空突破，格局突破，系统突破，需求突破，辩证突破，角色突破，视角突破，逻辑突破等等。束缚源于边界，规则，框架，经验，人的本能，视角等等。 效果呈现 体验地址 期望目标[AI 生成的目标] GPTs 源码1[GPTs源码占位符] Prompt 收获[AI 生成的 Prompt 收获] 补充说明延伸问答什么是破束缚思维模型？破束缚思维模型，也称为“反其道而行之”模型，是查理·芒格常用的思维模型之一。它鼓励我们不要被现有的框架、规则和假设所束缚，而是从相反的角度思考问题，寻找非传统的解决方案。 这个模型的核心是挑战现状，质疑“默认选项”，并探索所有可能的选择，即使它们看起来很奇怪或违反直觉。通过这种方式，我们可以突...

#挑战100天100个GPTs 写在前面 你为什么总是感到焦虑？ 你为什么总是难以拒绝别人？ 你为什么总是陷入自我怀疑？ 也许，是时候审视你的“隐含前提”了。 这些潜意识的假设， 正如代码般操控着你的人生。 你，想成为代码的编写者吗？ 隐含前提思维模型，一个人有的很多观念，情绪，行为，源自一个人形成的隐含前提，比如: 男盆友就应该包容我的坏脾气，面对不熟的人我不能拒绝，面对别人的要求，我就应该有善意的包容。这种隐含前提，也会随着时间，空间而不断变化。隐含前提，好处是可以加快一个人信息处理速度，比如，在远古时期，看见狮子就跑的人生存能力更强，这样的人就成了我们的祖先，而在那思考为什么的就被吃掉啦～而且，有固化一年前提的人容易形成自我一致性，有稳定产生的安全感。同样的，这些隐含前提也容易让人固执，偏见. 效果呈现 体验地址 期望目标[AI 生成的目标] GPTs 源码1[GPTs源码占位符] Prompt 收获[AI 生成的 Prompt 收获] 补充说明延伸问答什么是隐含前提思维模型？隐含前提思维模型是指，我们所说的话、做出的决定，通常是基于一系列没有被明确说出来...

#挑战100天100个GPTs 写在前面 思维裸奔？不，是超越本能的飞跃！ 刺激来了，你还是提线木偶吗？ 被动响应，是你放弃的选择权？ 深思熟虑的行动，让生活不再是条件反射的舞台。 从“刺激=反应”中觉醒，主宰你的每一个决定。 选择，是插入刺激与反应的自由之刃。 拒绝无意识生活，掌握“非 SR”思维密钥。 你，甘心做外界操控的傀儡吗？ 主动思考，让每次选择都掷地有声。 改变，从意识到自己不是反应的奴隶开始。 非 sr 思维模型，很多人在思考时基于刺激，反应。缺少中间过程，这个中间过程，就是自己的选择，要把被动变成主动，从应激的刺激反应到刺激，思考后的选择，反应。 效果呈现 体验地址 期望目标[AI 生成的目标] GPTs 源码1[GPTs源码占位符] Prompt 收获[AI 生成的 Prompt 收获] 补充说明延伸问答什么是非 SR 思维模型？这里其实有个误解，“非 SR 思维模型”并非一个独立的思维模型。查理·芒格提倡的是多元思维模型，他借鉴了来自不同学科的有效模型来解决问题，这些模型并非他独创。“SR” 通常指的是“强化和刺激”（Stimulus-Re...

#挑战100天100个GPTs 写在前面一家做效率工具的公司，在国内卷成红海、利润薄得像纸；同样的东西搬到东南亚，那边还停留在”有没有都行”的早期，结果供不应求。落差就是机会。可三年后，跟风的挤进去、本地选手也起来了，价差被拉平，红利没了。这是”不平衡性思维模型”最典型的发作姿态：发展是不匀速的，先看见落差的人吃肉，等落差被拉平，只剩卷。 不平衡性思维模型，看的是一件事发展的不匀速——它从诞生、成熟、应用到大规模普及，本身分阶段；它在不同地区、行业、人群里成熟的程度也不同。这种”发展不平衡”有两个维度：时间差（代际更替，比如功能机到智能机）和空间差（地区/行业间的成熟度差，比如同一套模式在 A 国已红海、在 B 国还是蓝海）。把两者看清，就能”套利”落差：把成熟市场里已被验证的东西，搬到它还没成熟的地方；或在代际拐点切换时站对新一边。最出名的应用是孙正义的”时光机”——软银把美国跑通的互联网模式，按时间差搬回日本、再搬到中国和东南亚。这款 GPT 是个机会扫描陪练：你给它一个机会判断，它不替你拍板，逼你想清”这个落差靠时间差还是空间差、还有多大、窗口多久会关”。本文先把...

#挑战100天100个GPTs 写在前面一个高管的账户里有上千万，却为钱包里丢的一百块痛心疾首半天。按总财富算那一百块不值一提，可他比的不是总财富，是”手边那三百块”。这种”丢一点都受不了”的反应不是小气，是大脑的基本设定——查理·芒格把它叫”剥夺超反倾向”（Deprival-Superreaction Tendency），卡尼曼和特沃斯基用前景理论把它量化：丢 100 块的痛，大约要捡 225 块的乐才能抵（小金额近似，金额越大偏差越大，但量级感是对的）。这是损失规避在组织里最日常的发作姿态。 损失规避，大白话就是”丢的痛，远超过捡的乐”。同样 100 块，丢掉的难受程度大约是捡到的两倍多。它由 Kahneman & Tversky 1979 年的前景理论提出（一句话：losses loom larger than gains，损失比收益更刺眼），1992 年量化出损失规避系数 λ ≈ 2.25。芒格在《The Psychology of Human Misjudgment》25 条倾向里给它第 14 条 Deprival-Superreaction Tendency，...

#挑战100天100个GPTs 写在前面一个政企方案的立项答辩会上，团队展示的”市场调研”全是支持这个方案能成的证据——愿意签约的客户、看好的行业报告。问起可能颠覆立项的信号，每条都被一句”那个不适用”挡了回去。调研从一开始就被设计成”证明立项对”，而不是”检验立项站不站得住”。全场听下来像高度一致，其实是确认偏误把反对面筛了个干净。这是它在组织里最隐蔽、也最贵的发作姿态。 确认偏误，就是一旦信了某件事，就只找支持的证据。你形成一个判断后，会自动去搜寻支持它的证据、把模糊信息往支持的方向解读、记住支持的部分、忘掉反对的部分——而且多半是无意识的，自己还觉得挺客观。它由英国心理学家 Wason 1960 年用”2-4-6 任务”提出并命名；卡尼曼在《思考，快与慢》里把它收进系统 1 的 WYSIATI（你看到的就是全部）；芒格体系里没有专门一条叫确认偏误，他把”结论一旦形成就自我确认”折进第 5 条 Inconsistency-Avoidance，解药反复用达尔文的反证法则。这款 GPT 是个证伪陪练：你给它一个判断，它不帮你找支持，反而逼你想清”如果我是错的，最可能错在哪”，再帮...

#挑战100天100个GPTs 写在前面一个产品例会上，决定下一版重点的，是最近投诉最猛的几个客户、和上季度那次上了通报的事故。这两个画面太生动、太好回忆，于是整场讨论围着它们转。可它们到底在整体用户和整体事件里占多少比例，没人拿数据出来。会议室里赢的，是讲得最生动、最近、最响的那一派，不是数据最扎实的那一派。这就是易得性偏差在组织里最普遍的发作姿态。 易得性偏差，就是用”例子好不好回忆”去估”事情多常见”。你脑子里浮出多少例子、浮得多快，你就觉得它多大、多靠谱。问题在于：好不好回忆，由近因、生动、媒体曝光、个人经历决定；真不真常见，由基础概率决定——两者经常对不上。它由 Tversky 和 Kahneman 1973 年正式提出（可得性启发法），查理·芒格把它收进自己 25 条心理倾向的第 18 条”Availability-Misweighing Tendency”，用一句歌词点了题：”When I’m not near the girl I love, I love the girl I near”——人脑天然用最容易够到的信息干活。这款 GPT 是个决策陪练：你给它一个判...

#挑战100天100个GPTs 写在前面一个核心系统改造项目，立项时预算两亿、计划两年，做到第三年预算翻倍、上线节点还看不见。每季度评审会都问”还要不要继续”，每次的结论都是”已经投了这么多了、现在停太可惜、再投一年就能上”。三年过去，小亏拖成了大亏。这是沉没成本谬误在组织里最贵的发作姿态。 沉没成本，就是已经花掉、要不回来的那些——买电影票的钱、投进项目的人月、烧掉的研发预算。经济学的基本结论很硬：理性决策只看未来的成本和收益，沉没成本不该进决策。可人偏偏做不到，反而因为”已经投了那么多”继续往里加码，行为经济学管这叫沉没成本谬误（Arkes & Blumer 1985）和承诺升级（Staw 1976）。查理·芒格把这病根叫”心理否认”，他的处方很干脆——“这一笔我能核销掉、活着再战”。这款 GPT 是个决策陪练：你告诉它一件你正纠结要不要继续的事，它帮你把”已经收不回来的”和”未来还要付出的”切干净，再用一句”如果今天从零开始，我还会不会投”逼出你自己的判断。沉没成本最难治的地方在于，光懂理论过不去心里那道坎——得靠机制和习惯。 效果呈现 GPTs 源码https:/...

#挑战100天100个GPTs 写在前面一个产线经理把第二道工序的效率优化了 30%，全线产能却一点没涨——因为瓶颈在第五道，第二道再快也只是堆半成品。这就是局部最优的经典坑：在你这一片做到了最好，对整体毫无帮助，甚至有害。更阴险的是，局部最优感觉像成功：你的 KPI 达标、你比周围都强、往哪边看都是下坡，于是你安心停下，一辈子没见过更高的山。 这条模型借自数学和运筹学。在一个解的”景观”里，局部最优是它附近那一片的最好解，全局最优是所有可能里最好的解；只往眼前更高处走的爬山式搜索，会卡在局部峰顶。认知科学这头，诺贝尔奖得主赫伯特·西蒙用”有限理性”和”满足化”解释了人为什么天然会停在”够好”，不愿再花成本去找”最好”。投资这头，巴菲特借棒球名将泰德·威廉姆斯讲耐心：把好球区切成 77 格，只挥最甜点那一格能打出 .400，去够最差的角会跌到 .230；投资里没有”好球必挥”的规则，可以一直等那个全局最优的肥球（fat pitch）。这款 GPT 把这套镜头做成决策陪练：你抛一个你正满意的方案，它先逼你想清”你在不在局部最优、值不值得为全局付出那段下坡”。本文讲清这套模型到底看什...