回归事物的最基本事实，从零开始推理——而不是用类比抄答案
第一性原理思维（First Principles Thinking）是一种从最基本的事实和假设出发，逐步推导结论的思维方式。它的对立面是类比推理——因为别人这么做，所以我也这么做。
"别人用什么技术栈？"
"行业最佳实践是什么？"
"竞品怎么做的？"
→ 跟随，不会错，但也不会有突破
"这个问题的本质约束是什么？"
"哪些是真正不可改变的？"
"哪些只是习惯/传统？"
→ 重新定义问题，可能找到全新解法
首次系统阐述"第一性原理"概念：在每一系统的探索中，存在第一本原（first principles）——即最基本的、不可再简化的真理，所有其他知识都从这里推导出来。
"方法论怀疑"——怀疑一切可以怀疑的，直到找到不可怀疑的"我思故我在"。这是第一性原理的哲学方法论。
"如果你不能用简单的语言解释一件事，说明你没有真正理解它。"费曼学习法的本质就是回到第一性原理——用最基本的概念重建理解。
把第一性原理从学术概念变成了商业武器——SpaceX 和 Tesla 的核心创新都源于此。
2002 年，Musk 想去火星。一枚火箭的价格约 $6500 万。用类比推理的结论是："火箭就是这么贵，我也只能买。"
但用第一性原理：
火箭由什么组成？铝合金、钛、铜、碳纤维——这些都是大宗商品。
火箭的原材料成本约为成品价格的2%左右。
$6500 万的价格中，98% 是制造和工艺成本，不是材料本身的成本。
为什么制造这么贵？因为传统航天行业的效率极低——供应链冗长、人工密集、批量极小。
如果材料只值 2%，那关键不是"买更便宜的材料"，而是"改变制造方式"。
Falcon 9 的单次发射成本约 $6700 万，但 Falcon 9 的第一级火箭可以重复使用。回收后的发射成本降至约 $2000-3000 万——比传统火箭便宜了 60-70%。
这不是渐进式改进——这是重新定义了"火箭成本"的构成。
2006 年，电池组的成本约 $600/kWh。用类比推理："电池一直很贵，电动车不可能有竞争力。"
用第一性原理：
结论：电池的"贵"不是材料决定的，是制造工艺和规模决定的。随着规模扩大和工艺改进，电池成本会大幅下降。
Musk 的第一性原理推理被时间验证：
| 年份 | 电池成本 $/kWh | 关键事件 |
|---|---|---|
| 2006 | $600 | "电池太贵，电动车不可能" — 类比推理 |
| 2010 | $1,100 | Tesla 开始自建电池工厂 |
| 2016 | $190 | Gigafactory 投产 |
| 2020 | $137 | Model 3 大规模量产 |
| 2023 | $89 | LFP 电池 + 4680 电芯 |
从 $600 到 $89——不是渐变，是量级级别的下降。类比推理者看不到这个可能性。
技术选型是最适合用第一性原理的场景之一。大多数技术选型用的是类比推理："大公司都在用""这个技术栈很热门"。
不要从技术开始——从约束开始：
| 硬约束（不可变） | 软约束（可变） |
|---|---|
| 物理定律（延迟受光速限制） | "行业标准技术栈" |
| 法规要求（GDPR、数据本地化） | "招聘方便" |
| 预算上限 | "大家都用微服务" |
| 团队能力的天花板 | "这个框架更现代" |
而不是在"行业惯例"里找最流行的。
常见场景：独立开发者做 SaaS，日活 500，选择了：
类比推理：大公司用 X → 我也应该用 X
第一性原理：我的约束是什么 → 满足这些约束的最简方案是什么
独立开发者做 SaaS，日活 500：
这不"酷"，但这从约束出发是最优解。等日活到 5000，约束变了，再重新用第一性原理推理。
设计 Agent 前，先从第一性原理理解 LLM 真正擅长什么：
| 本质能力 | 设计含义 |
|---|---|
| 语言理解和生成 | 所有 I/O 尽量通过自然语言 |
| 模式匹配 | 给它足够的示例，比给它规则更有效 |
| 上下文推理 | 上下文窗口内的推理能力很强 |
| 不确定的概率输出 | 需要确定性验证机制 |
用第一性原理理解 Agent 工具：
"给 Agent 更多工具让它更强大"
→ 工具列表越来越长
→ Agent 选择困难
→ 效率下降
"工具的本质作用是什么？"
→ 扩展 LLM 的能力边界
→ 只加 LLM 做不到的工具
→ 精简但高效
LLM 擅长：文本处理、推理、代码生成。LLM 不擅长：精确计算、实时数据、物理操作。工具应该只弥补后者的不足。
用第一性原理理解 Agent 记忆：
很多 Agent 框架把"记忆"做成一个复杂系统——但第一性原理思考：记忆的本质需求是在需要时检索到相关信息。向量数据库 + 好的检索策略就够了，不需要复杂的记忆管理架构。
用最精确的语言描述你要解决的问题。不是"如何做 X"，而是"X 的本质需求是什么"。
列出你对这个问题的所有隐含假设。哪些是事实？哪些只是"大家都这么认为"？
对每个假设问"这是真的吗？我如何验证？"把未经证实的假设标记出来。
只从已验证的事实出发，重新推导解决方案。忽略"行业惯例"和"最佳实践"。
你的结论是否比类比推理的方案更好地满足了原始约束？如果是，采用它。
输入你的问题，分解假设，找到真正的约束：
| 用第一性原理 | 用类比推理 |
|---|---|
| 重大战略决策 | 日常操作决策 |
| 创新和突破 | 成熟领域的最佳实践 |
| 问题被"行业惯例"锁死 | 快速学习新领域 |
| 成本/效率存在数量级改善空间 | 增量改进就够了 |
| 约束条件清晰可量化 | 约束模糊或不可量化 |
面对一个决策，应该用第一性原理还是类比推理？
选择以上选项获得建议...