方法论有两种，命运完全不同。
细粒度方法论活了下来。双盲随机对照的实施规程、统计分析的预注册流程、软件工程的代码评审清单、会计的复式记账、飞行的检查单——这些东西被写成表格、纳入培训、嵌进软件、写入法规，一代一代稳定传递。一个新人可以在几周内学会执行，执行质量可以被第三方核查，执行失败可以被定位到某一格。
粗粒度方法论没有活下来。创新方法论、辩证法、设计思维、六顶思考帽、TRIZ、系统思维、批判性思维训练——它们有教材、有课程、有认证，但在真实的知识生产中，几乎没有一条成为像检查单那样被实际执行的工序。它们的命运高度一致：先被当作思想解放的钥匙，再被简化成一套口号，最后退化成研讨会上的破冰活动。
这个对比通常被解释为”高层思维本来就不能被程序化”。这个解释太省事了。它把结果当成了原因：正因为这些方法论从未被工程化，我们才只见过它们的口号形态；而口号形态又反过来证明它们不可工程化。
本书提出另一个解释，而且是一个成本结构上的解释：粗粒度方法论工程化不了，不是因为它涉及的判断太高级，而是因为它的每一道工序都要求同一个人同时承担两项成本——把候选空间铺开的成本，和逐条否决的成本。这两项成本在人力条件下不可分离，合起来超出任何个人的预算。
AI 改变的正是这一点：它第一次把”铺开”那一半移出去，使”否决”可以单独作业。于是粗粒度方法论第一次具备了工序化的条件。
本书以作者的 SDE 方法论为例——三大方程、六路径、123 原理——说明这套东西在 AI 之前为什么只能停留在描述层，在 AI 之后为什么第一次成为可执行的产线，以及这条产线自身有哪些必须防的病。
需要先约定用词。本书所说的”三原理”，指 123 原理的三步：D 与 E 的矛盾推动 S 改变，S 的改变回写 D 与 E，循环不止。三大方程、六路径、123 原理是三个不同层次的东西——方程说三元是什么关系，原理说这关系如何自我推进，路径说判断时从哪里起手——本书全程不把它们混用。
先看三个粗粒度方法论是怎么死的。诊断死因，比宣布它们无效有用。
样本一：TRIZ。它有一张 39×39 的矛盾矩阵和四十条发明原理，是二十世纪最系统的创新方法论。它不像别的创新方法那样空洞，它的每一格都对应过真实专利。但它的实际使用范围至今主要限于机械与化工领域的少数专利工程师。原因不在矩阵本身，在于用它一次的成本：使用者必须先把手上的问题翻译成矛盾对，再在矩阵里找到对应格，再把该格推荐的原理翻译回自己的领域——这三次翻译每一次都要求铺开大量候选并逐条否决。一个工程师做一次要几天，而他一周要处理十个问题。于是它在培训里活着，在工位上死了。
样本二：文献综述。综述本来是一种粗粒度作业：把一个领域的全部主张组织成一张有结构的图，指出谁与谁真正冲突、哪些冲突是术语差异、哪块地方没人去过。这项作业的核心是否决——排除掉那些看似相关其实不相关的、看似冲突其实同义的。但实际写出来的综述绝大多数是罗列：按年代或主题把文献排队，每篇一段，最后一节写”未来研究方向”。原因同样是成本：要做否决，必须先把五十篇的主张全部铺开到可比较的粒度上，而铺开一篇就要读懂一篇。铺开的成本吃光了预算，否决那一步只好省略。综述退化成罗列，不是作者偷懒，是工序被成本结构压塌了。
样本三：辩证法。它是粗粒度方法论最古老的形态，要求在一个判断里同时持有它与它的反面，并让二者的张力推出第三者。它从未被工程化，从未有过检查单，也从未被可靠地教会过任何一批人——它的传承方式始终是”跟着某位老师读几年书”。原因在于它要求的铺开是对立面的构造：给一个判断找到真正有力的反面，而不是稻草人。构造一个有力的反面，成本常常高于构造原判断本身。个人预算下，这一步只能靠天赋或运气。
三个样本，三个领域，同一种死法：工序要求铺开，而铺开的成本落在与否决同一个人身上。
本书要证三件事。
其一，粗粒度思维发生有它特定的成本结构，这个结构说明了为什么这一类方法论普遍停在描述层，而不是普遍无效。
其二，SDE 方法论的三个层次——三大方程、六路径、123 原理——每一个都恰好卡在这个成本结构上；把它们的工序展开，可以逐条看出人力条件下哪一步做不动。
其三，AI 对候选铺开的接管，使这三个层次第一次可以写成工序表：谁在什么位置上做什么，做到什么读数算合格，不合格怎么退回。这不是把思考交给机器，恰恰相反——它是把否决从铺开中解放出来，使人第一次可以专职做否决。
本书不要证的有三件。不证 SDE 方法论优于其他方法论；比较需要同题对照，本书没有做。不证经过这条产线的产出一定更好；产出质量需要外部盲评，本书只给出产线自身的读数。不证工程化本身是好事；本书第二十九章专门处理工程化引入的新病，其中一种（表演式否决）在本书看来是必然发生的。
最后交代本书在全书中的位置。前面各编证明了一件不乐观的事：AI 腾出的那块地不会自己被占住，默认状态是腾出即塌陷。本书提供一个反向的实例——一条确实占住了的产线。它的占住方式恰恰符合前文的判据：把候选生成交出去，把否决留下来，并且强制留痕。因此它不是全书的附录，是全书唯一的正例。
“把方法论做成工具”并不是新念头，必须说清本书与三类已有尝试的分别。
其一，方法论软件。TRIZ 有软件，系统性综述有筛选与去重工具，质性研究有编码软件。这些工具工程化的是记录与检索，不是判定：它们帮你把材料排好、把编码存住、把流程走完，但矛盾对怎么翻译、哪两条主张真正冲突、这个编码算不算一类，仍然全部由人在没有候选支持的条件下决定。它们降低的是下一章会说的”管理成本”，不是铺开成本。
其二，自动科研流水线。近年出现了一批让模型自己提出问题、做实验、写论文的系统。它们与本书的方向正好相反：那些系统把判定也交出去，追求的是无人化；本书的产线把判定留下，追求的是让人专职做判定。两者在读数上的差别是可检的——前者不需要 k_self，后者的每一道闸都是 k_self 抽测。
其三，提示词工程。把方法论写成一套提示语，让模型按步骤输出。这与本书的差别在于闸：提示词工程没有判死机制，产出不合格时的处理是”重新提问”，而不是”这条判断死了”。一套没有判死机制的流程不是产线，是模板。
因此本书所说的工程化，有一个明确定义，用来与上述三类区分：
工程化 ＝ 工序可复述 ＋ 每道工序有合格读数 ＋ 不合格有明确的退回或判死路径 ＋ 全程留痕可被第三方复核。
四项缺一不可。缺第二项是口号，缺第三项是模板，缺第四项是个人手艺。
粗粒度的思维发生，指一次操作所处理的最小对象是一整块判定，而不是一句话、一个引用、一次计算。
这里的”一整块判定”具体指三类对象：
这三类对象的共同点是：它们不能被拆成小块逐个完成。一条母题不是十个小结论的和；从 S 起手还是从 E 起手不能各做一半；回写要么整条退回去改，要么就没有发生。
与之相对，细粒度的思维作业可以逐块完成并累加：算完第一步算第二步，读完第一篇读第二篇，改完第一段改第二段。细粒度作业之所以容易工程化，正是因为它可分割——可分割就可分工，可分工就可流水线，可流水线就可核查。
必须立刻挡住一个误解。粗粒度不等于粗略。
把十页材料压成”综合考虑、协同推进”八个字，材料变短了，但它包含的关系消失了。这是概括不足，不是粒度上升。有效的粗粒度作业要满足一个额外条件——关系保真：单位变大的同时，内部的关键关系必须仍然可被指认、可被展开、可被检验。
因此粗粒度作业有两个指标而不是一个：单位尺度，以及关系保真度。只看第一个，很容易把空话当成高层思维。一篇通篇是”范式”“结构”“本质”的文章，尺度很大，保真度可以是零。
这一点在本书前文已经作为课程原则出现过：颗粒度必须能伸缩，能整体推进也能返回细节。本书在方法论层面重复这条纪律：任何一道粗粒度工序，都必须附带一个可以把它展开成细粒度的入口。没有展开入口的粗粒度工序，就是口号。
| 细粒度 | 中粒度 | 粗粒度 | |
|---|---|---|---|
| 最小对象 | 一步演算、一条引用 | 一个完整论证 | 一条判定链（母题／路径／回写） |
| 可否分割完成 | 可 | 部分可 | 不可 |
| 失败可定位 | 定位到某一步 | 定位到某个环节 | 只能整条判死 |
| 铺开成本 | 低 | 中 | 组合爆炸 |
| 否决成本 | 低 | 中 | 高 |
| 两项成本可否分离 | 可 | 部分可 | 人力条件下不可 |
| 现有工程化程度 | 高（检查单、规程） | 中（审稿意见、评审表） | 近于零 |
最后两行是本书的全部要害。
一道粗粒度工序，无论属于哪套方法论，都要付三笔钱。
第一笔：铺开成本。要在一个岔口上作出判定，必须先知道这个岔口上有哪些走法。候选不会自己出现；每多一个候选，都要一次独立的构造。而构造一个有力的候选（不是稻草人）的成本，通常与构造最终答案的成本同量级。这就是辩证法教不会的原因，也是综述退化成罗列的原因。
第二笔：否决成本。逐条排除候选，并说出排除的依据。这一步产生的才是判定的实质内容——第九章已经论证过，判定住在被否决的分支里，被选中的那条只是结果。否决成本低于铺开成本，但它要求的能力更高：它需要判准，而判准主要从自己走错的路上长出来。
第三笔：回写成本。新结论若与先前的前提冲突，必须退回去改，并留下”原来为什么那样问、什么证据改变了它”的差异记录。回写成本之所以高，一半是认知的，一半是心理的：人对已完成的工作有沉没成本，退回去改等于承认前面白做。
三笔成本里，第二笔是判定的本体，第一、三笔是它的开销。人力条件下，三笔全由同一个人付，而第一笔常常吃掉预算的八成。于是真实发生的事情是：铺开做一半，否决只好凭直觉，回写干脆不做。
这就是粗粒度方法论的普遍死法——不是想不到，是付不起。
由上一节可以定义一个刻画粗粒度作业质量的量：
判定密度 ＝ 一次作业中真正完成的否决数 ÷ 作业的总产出量（按字数或工时计）。
判定密度高的作业，产出可能不长，但每一处都经过排除；密度低的作业可能很长、很流畅、引用很多，却没有一处是排除出来的。
粗粒度方法论的全部工程化目标，可以压成一句：在不增加个人预算的前提下抬高判定密度。AI 之所以构成转折，不是因为它能生成更长的文本——那恰恰降低密度——而是因为它可以承担第一笔成本，从而让同样的个人预算全部投到第二笔上。
抽象定义容易被误读，给一个具体的走法。设题面是：“为什么教育改革总是走向内卷？”
细粒度做法：查内卷的定义，找教育内卷的文献，统计课外补习时长与支出，访谈若干家长，得出”竞争加剧、资源有限”的结论。产出完整，每一步都可核查，判定密度接近零——因为没有一处是排除出来的。
粗粒度做法：先判这是一道什么题。它问的是”为什么会这样、换什么条件它会变”，是求驱动的题。于是不去铺开现象，而去铺开可能的驱动候选：资源稀缺、评价单一、信息不对称、囚徒困境、单位错位……逐条问：哪一条能解释”越努力越差”这个反常，而不只是解释”竞争激烈”？前四条都只能解释后者。排除。剩下”单位错位”——加码落在复合主体上而测试取在自然人身上——它能解释反常。于是母题成形：内卷不是竞争太激烈，是加码的单位与结算的单位不是同一个。
两种做法的字数可能一样，甚至第一种更长。差别只在一处：第二种的每一步产出都是一次排除的结果，而第一种的每一步产出都是一次收集的结果。
这个例子同时展示了粗粒度作业的三笔成本：铺开五条驱动候选（第一笔），逐条问它们能否解释反常并排除四条（第二笔），而如果做到后面发现”反常”本身描述错了，就得退回去重写题面（第三笔）。