第六章 搜索空间

问题的问法，已经决定了答案的上限

有一类产品团队常年被同一个问题困扰：新用户引导流程的流失率居高不下。

他们问 AI：“如何优化我们的新用户引导流程，把流失率降下来？”

AI 给出了堪称教科书的回答：精简步骤、减少必填项、增加进度提示、优化文案、提供跳过选项。团队照着执行了两个迭代，流失率略降了一点，然后不动了。

直到某次复盘会上，有人换了个问法。问 AI 的不再是“如何优化流程”，而是：

“一个新用户打开这类产品时，他真正想完成的是什么？引导流程在这个过程中扮演什么角色？”

这个回答把一个被忽略的前提摆到了桌面上：这类产品的用户并不想“被引导”，他们想立刻体验核心价值；引导流程可能正是流失的原因。团队随后砍掉大半引导步骤，让用户直接进入核心功能，流失率开始回落。

同一个 AI，同一个产品。第一种问法里，AI 的知识和推理能力并没有减少，但搜索被限定在“如何优化流程”之内——答案的上限，在问题问出口的那一刻就已经封顶了。

限制回答质量的，往往不是 AI 的能力，而是问题替它划出的那块空间。

空间是被问法塑造的

第三章给过定义：搜索空间（Search Space）是一次搜索实际可探索的可能性范围。前两章分别讲了起跑状态（初始化）和评判标准（目标），本章处理的是两者之间最广阔的一块：这次搜索能去哪些地方。

关键在于：搜索空间不是预先固定的范围，而会随提问方式变化。“如何优化引导流程”划出的空间，只包含“流程的改良”；“用户真正想完成什么”划出的空间，才包含“流程该不该存在”。AI 再强，也只能在被划出的空间里搜索。

实践中有效的空间操作，可以归纳为八个参数，分成三组：重塑空间的位置（起点、方向），重塑空间的形状（广度、深度、边界、约束），重塑空间的坐标（时间、抽象层级）。它们分别决定从哪里出发、空间如何展开，以及从什么时间尺度和抽象层级观察问题。

第一章用过三个变量——起点、方向、范围——并提到它们会在四层模型里获得更精确的定义。本章将把这三个变量具体展开：起点和方向原样保留，“范围”拆成边界与约束两个参数，另外再补充四个维度。

第一组操作：重塑空间的位置

起点：回到问题本身

一个方案讨论得越久，搜索起点越容易被方案本身占据。“如何优化引导流程”默认了“流程应当存在”，于是所有搜索都从这个前提出发，前提本身反而没有被检验。

搜索起点（Search Reset）的作用，是放弃这个被方案占据的起点，回到问题本身重新出发。常见操作包括第一性原理（First Principles）：抛开既有方案，回到最基本的事实重新推导；以及根源分析：不停下来修症状，一路追问到根本原因（Root Cause）。从“流程怎么改”回到“用户要什么”，开头那位新成员做的正是一次起点重置。

当讨论一直在方案细节里打转，所有人都在打磨、没人质疑时，起点多半已经被方案占据。

方向：主动选择探索的朝向

起点决定从哪出发，方向决定朝哪儿走。第一章已经详细讲过搜索方向（Search Direction）：默认搜索沿着提问者给出的方向展开，一句“请站在反方立场”就能开辟相反方向。方向通常是八个参数中最容易调整的一个，但它改变的是朝向，不会扩大空间本身。

第二组操作：重塑空间的形状

广度：对抗第一条路径的诱惑

让 AI 给一个方案，它通常会沿最熟悉的路径作答；要求十个完全不同的方案，后面的选项有时反而更有价值。原因不在于后一次更努力，而在于它暂时推迟了第一条路径的收敛。

搜索广度（Search Breadth）就是强制增加路径的数量：头脑风暴、一次给出多种方案、树状展开（Tree of Thoughts）都是广度的操作。广度的价值不在“多”，而在于它推迟了收敛，让搜索先在空间里铺开，再决定往哪深入。它是对抗局部最优的基本手段。

深度：对抗停在表面

广度管“铺开”，深度管“走下去”。搜索深度（Search Depth）增加的是单条路径上的推理层数：一步一步分析（思维链）、连续追问五个为什么（Five Whys），都是在加深路径。

表面答案和深层答案的区别，往往就是层数的区别。问“用户为什么流失”，浅层的回答是“流程太长”；再往下追一层是“流程占用了用户时间”；再追一层是“用户的时间预期是十秒内看到价值”，第三层才是能指导决策的答案。深度的操作，本质是不允许搜索在第一个合理的答案处停下。

边界：什么内容允许进入搜索

广度和深度改变搜索在空间里的走法，搜索边界（Search Boundary）决定哪些内容允许进入这次搜索。

讨论一个功能设计，边界可以划在“功能内部”，也可以扩大到“整个产品”、“用户的工作流”或“所在行业”。边界过小，搜索只能在局部优化；边界过大，又容易发散失焦。开头的案例中，“如何优化流程”把边界限定在流程内部，而“用户想完成什么”把边界扩展到了用户的工作场景。

约束：方案必须满足的条件

搜索约束（Search Constraints）与边界容易混淆，但作用相反：边界圈定空间范围，约束规定空间内部的可行条件。预算、法律、性能指标、现有接口和组织能力，都是方案必须满足的条件。

约束常被当成限制，它恰恰让方案更具体。没有约束的搜索会产出“正确但落不了地”的方案；约束越具体，可行区越清晰，方案反而越明确。“预算五十万、三个月、不增加人手、必须复用现有网关”。每加一条约束，空间就小一圈，剩下的路径也更真实。第五章的评价函数管“什么算好”，约束管“什么算数”，两者配合，搜索才有落点。

第三组操作：重塑空间的坐标

时间：同一个决策，换一个时间尺度

很多争论的双方都对，只是时间尺度不同。要不要引入一个重量级框架？以三个月为尺度，它是负担；以三年为尺度，它可能是基石。时间维度（Time Horizon）就是把时间轴变成搜索的一个坐标：让搜索分别以今天、一年后和十年后的尺度重新审视同一个问题。

一个常用操作是“事后回溯”：假设三年后这个项目失败了，最可能的死因是什么。这等于把搜索放到未来再回头看，很多当下看不见的长期风险会浮出来。第一章案例里“假设方案上线一年后彻底失败，写一份事后复盘”，用的正是这个参数。

抽象层级：切换观察对象

最后一个参数最隐蔽。抽象层级（Abstraction Level）控制观察问题的层级：Logo、产品、企业、行业、社会，关注的对象并不相同。

很多会议上的各执一词，源于双方关注的对象不同：一个人在讲按钮的颜色，另一个人在讲产品的价值主张。显性切换抽象层级，说一句“先不谈功能，从品类角度看这个问题”，或者反过来“先放下战略，落到用户看得见的那一步”，常常就能让僵局松动。

八个参数的全貌

八个参数分属三组，构成搜索空间层的控制台：

这张控制台不是 checklist。没有人每次提问都要调整八个参数。延续第三章的诊断逻辑，先判断空间出了什么问题，再调整对应参数：答案一直在打磨方案细节，就检查起点；只有一个方向，就补方向；方案平庸雷同，就加广度；分析停在表面，就加深度；答案落不了地，就补约束；争论没有结论，则检查双方是否处在不同的抽象层级。

Prompt 映射

常见的 Prompt 技巧，大多作用在这一层。对照如下：

常见技巧	改变的参数
第一性原理、回到问题本身、根本原因	起点
扮演反方、站在竞争对手视角	方向
头脑风暴、给出十种不同方案、树状展开	广度
一步一步分析、连续追问五个为什么	深度
从整个系统、行业、用户工作流的角度考虑	边界
限定预算、合规要求、性能指标、技术栈	约束
以十年为尺度评估、假设三年后失败做复盘	时间
从品类层面看、落到用户看得见的一步	抽象层级

这张表也解释了为什么技巧清单总在增长：八个参数可以组合出无数操作。看懂结构后，面对新场景，缺哪个参数就调整哪个，不必等待新的技巧名称。

项目案例

假设一个 SaaS 产品增长停滞了一段时间，团队内部的讨论一直在“如何提升官网转化率”上打转。现在重新检查这个问题的搜索空间。

重置起点。他们先把“提升转化率”这个方案化的起点放下，回到问题本身：“目标用户到底为什么愿意为这类产品付费？”AI 在这个新起点上的回答让团队第一次意识到：他们的核心价值主张和用户真正的购买理由之间存在错位——官网转化率低，可能只是错位的症状。

开辟方向。接着要求 AI 站在“试用后放弃的用户”立场，写一份放弃理由书。这次没有立刻改变讨论的走向，团队把结论放了一晚，隔天回看才注意到其中一条此前没人提过：产品最强的那项功能，在官网上几乎没有出现。

加上时间维度。然后是一年前瞻：“假设一年后增长依然停滞，最可能的根本原因是什么？”这次搜索把讨论从页面优化拉到了品类位置：如果错位不解决，所有转化率优化都是在给错误的价值主张引流。

校准抽象层级。最后，团队把讨论从“按钮与文案”（功能层）显式提升到“我们在品类里占据什么位置”（行业层），重新定义了首页要传达的第一句话。

几轮搜索之后，讨论的焦点不再只是优化转化率，而是重写价值主张和首页叙事。整个过程使用同一个模型，没有增加新技巧，变化来自对空间参数的有意识调整。

另一个案例：写一部小说

把场景换到小说写作。一位写作者从一次挫败开始调整方法。

他先用最常见的方式让 AI 协助写小说：“帮我续写一段。”AI 写得很快，文字流畅，结构工整。但他越读越觉得不对：这些段落像许多小说的平均值。主角发现真相，必定震惊；遭受背叛，必定愤怒；雨总会在该下的时候下起来。

这不是模型不会写。第二章说过，搜索的每一步都沿概率最高的方向走，而通俗桥段在认知空间里概率最高。AI 写小说有一个稳定的特点：它总在写“最像小说的小说”。默认路径的尽头不是好也不是坏，是俗套。

于是他开始调整搜索空间。

用广度对抗俗套。他不再说“续写一段”，而是要求 AI 把这个场景的走向尽可能多地列出来，彼此必须截然不同。清单呈现出清晰的规律：排在前面的，都是“震惊—愤怒—复仇”这类桥段的变体；越往后，真正陌生的东西才越多。这个过程可以复现：同一个场景，让 AI 把走向继续列下去，清单前后会出现明显差别。最先出现的路径通常最熟悉，后面的选项才可能偏离俗套。

用方向换一个讲述者。一场关键的对手戏写僵了，他让 AI 用反派的视角重写同一事件。场景没变，意义全变了：主角的正义，在对方嘴里成了傲慢。这一幕从此有了两副面孔，读者得自己判断谁在说谎。

用约束逼出个性。他发现 AI 的“安全写法”有固定套路：下雨、回忆、内心独白。于是他下了硬约束：“这一章，不许下雨，不许回忆，不许内心独白。”熟悉的退路被一一堵死后，AI 被迫寻找新的表达方式，一段依赖动作和对话推进的文字出现了，反而有了他想要的个性。

用重置起点治卡文。卡文时，“下一段写什么”是个被污染的起点，它让搜索困在卡住的地方打转。他改问：“这个角色此刻最想要什么？最怕失去什么？”搜索从情节回到人物，路就开了。

写长篇时，他还撞上了一个空间参数解决不了的问题，它不在本章的控制台里。AI 不记得几十次对话之前定下的设定：第三章人物的瞳色，到第十七章对不上了。解法是把设定集、人物档案整理成文档，每次写作时带上相关切片；另附两页自己满意的段落作为文风示例。前者是搜索配置，后者是搜索偏置。搜索配置属于第三篇的主题，本书后面会着重展开。

这个场景没有涉及工作流程，但它和前面的 SaaS 场景使用的是同一组参数。原因在于，这套理论作用于认知搜索，与任务类型无关。只要 AI 沿概率路径生成，俗套就可能成为默认结果；起点、方向、广度和约束在不同领域仍然适用。边界也很清楚：AI 可以扩大可探索的空间，但哪条路算好，仍由评价函数和读者判断决定。

容易混淆

“八个参数，是不是每次提问都要全部用上”

不是。八个参数存在的意义是提供诊断坐标。当前搜索的空间问题属于哪一类，就调整对应参数。每次都全用，反而会增加干扰。

“边界和约束，是不是一回事”

两者作用相反。边界决定哪些内容允许进入搜索，约束决定方案必须满足什么条件。边界太小容易导致局部最优，约束缺失则会让方案落不了地，两者的症状不同。

“广度和深度，是不是互相矛盾”

它们作用于搜索的不同阶段，正确的顺序是先广度后深度：先用广度铺开候选路径，再用深度把选中的路径走到底。只有广度没有深度，得到一堆浅方案；只有深度没有广度，可能在一条平庸的路上走得极深。

本章总结

本章从一次问法的转折开始：同一个 AI，“如何优化引导流程”得到改良清单，“用户真正想完成什么”则把流程本身纳入了讨论。答案的上限，在问题划出的空间里就已确定。

搜索空间由八个参数塑造：起点与方向重塑空间的位置，广度、深度、边界、约束重塑空间的形状，时间与抽象层级重塑空间的坐标。流传最广的 Prompt 技巧大多作用在这一层；而看懂结构的人不需要技巧清单，参数只有八个，缺哪个拧哪个。

两个场景说明，这组参数可以跨任务使用：SaaS 团队借它重新审视价值主张，写作者借它避开熟悉套路。它作用的对象是搜索过程，而不是具体任务。

八个参数过完，该回答每章末尾的那个问题了：

本章讨论的，是搜索系统的哪一部分？

答案是：四层模型的第三层——搜索空间。搜索从哪里开始（初始化）、为了什么（目标）、能去哪里（空间）已经明确；下一章转向最后一层：搜索如何执行、反馈、纠错和停止。

章节信息

• 所属篇目：第二篇 · 一次认知搜索
• 本章回答的核心问题：它改变了搜索系统哪一部分？——四层模型的第三层，搜索空间，八个控制参数分三类：位置（起点、方向）、形状（广度、深度、边界、约束）、坐标（时间、抽象层级）