失败炼金术：AI 加速试错循环

要解决的具体问题

实际开发中，"失败是成功之母"常沦为口号，因为试错有隐性成本：

• 人只能串行试错，速度慢，几轮失败就放弃；
• 失败不留痕，同样的错误在不同会话里反复重演；
• 目标模糊（"尽力而为"），连"什么算对"都说不清，AI 循环无从判卷。

结果就是：错误没变成学习资产，只是时间消耗。

技能如何工作

核心框架是人机分工 + 沉淀：人类定"起点+终点+判卷标准"，AI 跑"题"，复盘把错题本变成资产。

四步设置协议：

1. 把目标变可验证：拒绝"做好 XX"，改成"XX 达到 [可量化标准]"，如"首屏加载 90"而非"做个好看的落地页"；
2. 写验证清单：每条标准给出通过/不通过或数值比较，且要具备反馈功能——不只判对错，还点出差距在哪；
3. 让 AI 并行循环：一次发多个变体或多个角度，快速穷尽常见错误，而不是自己一个一个串行试；
4. 复盘沉淀：每轮结束做 1 分钟 AAR，把"为什么错"增量追加到固定日志（如 ~/fail-alchemy-log.md），隔月、换会话仍能复现成功。

两个关键机制：

• 自治滑块：默认"审核档"，AI 只产出目标草案、验证清单草案、复盘草稿，"有效/无效/执行"的判定权留给人；无对外/不可逆动作。
• 学习目标优先：全新复杂任务用"找到 N 种方法并对比"替代死板绩效目标（如"错误率降到 0"）。

方法有实证支撑：错误管理培训元分析总体 d=0.44，新异任务迁移 d=0.80；目标设置理论中具体困难目标对"尽力而为"的优势约 d=.42–.80，且"坚持"机制强烈依赖反馈。

适用边界与注意点

• 验证过宽时，AI 循环只是空转：看起来在试错，实则不知对错，"快速迭代"反而加速浪费。出口闸门要求每轮书面回答"最强反证"与"失效条件"，答不出就标 [uncertain]，不封顶。
• 激进或设计不良的目标会伤绩效：复杂任务上目标设置效应缩小（d=.48–.67），需在边界内使用。
• 不要对全新任务设死板绩效目标：此时学习目标优于绩效目标。
• 若后续接入发布等不可逆动作，须把自治滑块锁在建议档。