它解决什么问题

• AI、Agent 或知识库使用次数很多，但下一次任务仍然从零开始。
• 团队只衡量生成量和节省时间，不知道系统能力是否真的增长。
• 每次人工都纠正同类错误，却没有写回规则、评测、流程或长期记忆。
• AI 工作流能完成低风险任务，却迟迟不能承接更复杂、更高责任的任务。
• 知识库沉淀很多，但资料没有进入下一次判断、行动和验收。
• 需要判断一次性提效、知识积累、局部学习和真正智能复利之间的区别。

核心因果回路

真实任务
  -> 人 + AI / Agent 实际行动
  -> 可验证的现实结果与人工纠错
  -> 写回知识库、长期记忆、评测、规则、工具、流程、权限或模型
  -> 可迁移的可靠性、自主度与判断能力提高
  -> 承接更复杂、更高责任的任务
  -> 获得更丰富、更高质量的现实反馈
  -> 回到下一轮真实任务

诊断式表达（不是数学定律）：

智能复利强度 ≈ 结果可信度 × 系统写回率 × 跨任务迁移率 × 任务升级率 − 错误固化率

任何一项接近零，增强回路都可能断裂；如果错误指标、AI 自产反馈或偏见被持续写回，则可能形成“负复利”。

关键变量

交付物

• 智能复利因果回路图。
• 任务—结果—反馈—写回载体—迁移证据—更高阶任务链路表。
• 闭环断点诊断与负复利风险表。
• 任务复杂度与自主度升级阶梯。
• 最小复利实验、升级条件和停止条件。
• E0—E3 证据成熟度记录。

来源与证据状态

• 概念来源：曾鸣关于“智能复利”及智能商业“黑洞效应”的战略讨论。
• AI 时代操作化：本库将其表达为“真实任务—现实结果—持久写回—跨任务迁移—更高阶任务”的人机系统增强回路。
• 认识论身份：机制假说，不是已被全球学界独立确立的定律。
• 当前证据等级：E0；完成模型结构、边界、正反例与验证设计，尚待真实工作流验证。
• 参考入口：https://mp.weixin.qq.com/s/RbxX7d9WV3YuNhfbL2ubgg、https://www.36kr.com/p/1722143309825。

第十九板块：线下服务营销组合模型

它不解决什么问题

• 不证明目标值得追求、客户需求真实或系统边界正确；这些问题先用无免费午餐定理、5W、JTBD 或相关模型审计。
• 不解决一般客户增长、复购和市场飞轮；这些问题优先使用北极星指标与增长飞轮。
• 不直接回答经验应该先工具化、流程化、数据化还是算法化；能力载体迁移优先使用从农业化到智能化。
• 不单独判断反馈应该修动作还是修目标与假设；这类问题优先使用单环学习 / 双环学习。
• 不假设基础大模型会因为普通聊天或 API 调用自动更新权重。
• 不把“保存到知识库”自动视为复利；只有能被检索、调用、迁移并改变后续结果的写回才算数。

适用问题对象

• AI / Agent 能力复利诊断与闭环设计。
• 知识库是否真正改变下一次判断和行动。
• 咨询、投标、课程、内容和经营工作流的连续学习设计。
• 企业完成初步智能化后，如何从一次性提效走向持续能力进化。
• 判断一个人机系统是否值得获得更高自主度和更大责任边界。

诊断问题

• 当前系统反复承接的真实任务是什么，现实结果由谁验收？
• 每次结果和人工纠错回来后，究竟更新了权重、记忆、知识库、评测、规则、工具、流程还是权限？
• 写回内容能否在下一项任务中被稳定检索、调用和执行，还是只被保存？
• 下一轮首稿通过率、人工纠错时间和同类错误复发率是否改善？
• 改善能否迁移到邻近任务，还是只记住了一个案例？
• 系统是否因此获得更复杂任务、更高自主度或更大责任边界？
• 能力改善来自本地系统写回，还是仅仅来自外部基础模型升级？
• 哪些错误指标、AI 自产反馈、偏见或旧知识可能被持续放大？
• 什么证据出现后必须停止放权、回滚写回或重画任务边界？

易混淆模型

• 北极星指标与增长飞轮：它关注客户价值、用户行为和市场增长如何自我强化；智能复利假说关注人机系统的判断与行动能力是否因真实任务而升级。
• 从农业化到智能化：它判断能力主要承载在经验、工具、流程、数据还是算法；智能复利假说判断进入智能化以后，真实反馈能否写回并迁移成更高阶能力。
• 单环学习 / 双环学习：它区分反馈是修动作还是修目标与假设；智能复利假说观察“任务—结果—写回—迁移—更高阶任务”的完整增强回路。
• 系统回路图：它是通用的因果回路表达工具；智能复利假说是一个特定的 AI 能力进化机制。
• 好经济租飞轮：它判断能力和资产如何转成长期溢价；智能复利假说判断这些能力和资产在上游如何持续生长。

可替代模型

• 需要判断目标、需求、边界和模型假设：无免费午餐定理。
• 需要画通用增强回路与调节回路：系统思考、系统回路图。
• 需要判断反馈应修改动作还是底层假设：单环学习 / 双环学习。
• 需要判断能力应该迁移到哪种载体：从农业化到智能化。
• 需要验证新产品假设：精益创业 BML 循环。
• 需要设计客户价值和增长循环：北极星指标与增长飞轮。

正例问题

• “投标 Agent 已经做了几十份标书，为什么还反复犯同样的响应错误？智能复利闭环断在哪里？”
• “知识库调用次数很多，但下一次经营判断没有更准，怎样判断它有没有产生智能复利？”
• “如何让咨询 Agent 把每次客户结果和人工纠错写回系统，逐步承接更复杂、更高责任的任务？”

反例问题

• “如何提高新客增长、留存和复购？”优先使用北极星指标与增长飞轮或 AARRR。
• “经验应该先变成 SOP、数据还是算法？”优先使用从农业化到智能化。
• “这次反馈应该修执行动作，还是重审目标和假设？”优先使用单环学习 / 双环学习。
• “请总结今天和 ChatGPT 的聊天记录。”这是内容处理任务，本身不需要调用智能复利假说。

常见误用

• 认为多聊、多调用、多生成，基础模型就会自动学习。
• 把文件数量、链接数量和知识库体积当成智能复利证据。
• 把“存进知识库”当成终点，却不验证下一次是否能检索、调用、执行和改变结果。
• 只看内部满意度、命中率和生成量，不看客户采用、验收、质量与安全结果。
• 让 AI 生成内容再评价 AI 生成内容，形成脱离现实的自我强化。
• 把外部基础模型升级带来的改善误算成本地系统的复利。
• 只增加自主度，不设置抽检、回滚、旧能力基准和人工升级机制。
• 把知识库当成唯一写回载体，忽略评测、规则、工具、流程、权限和人的判断更新。