README·0432·多视图阅读指南
README · 多视图阅读指南
你不是来”读完 17 篇”的，你是来在面试桌、选型会、救火台上赢一场具体对话的。这篇 README 把同一个专题织成三条不同长度、不同终点的路径，再用 ≥10 道自测题和一套反方对话训练逼问你：你以为你懂了，但你能扛住业界反方的六连击吗？
全专题一句话立场：传统软件的依赖是可锁的物，AI 产品的核心依赖是一个会单方面、无公告、不可锁地漂移的供应商。 时间性（temporality）是 AI 产品区别于一切传统软件的硬维度，且传统软件里没有对应物。专题总览（MOC）见 _AI 产品的时间性系统化专题·总览。
§0 怎么用这篇 README
- 你赶时间 / 准备面试 → 走【路径一 求职速通】，约 20 分钟，3 篇。
- 你要做选型决策 / 写技术方案 → 走【路径二 决策链】，约 40 分钟，4 篇。
- 你线上已出事 / 要给现有功能体检 → 走【路径三 紧迫度救火】，约 30 分钟，3 篇。
- 三条路都跑完后 → 做 §4 的 ≥10 道自测，再用 §5 的反方对话训练给自己”压力测试”。
- 想看全景依赖图 / 跨域调度表 / SABCD 验收档案 → 回 _AI 产品的时间性系统化专题·总览。
[!tip] 三条路径不是互斥的难度分级，是三种身份。同一个人在不同周可能是三种身份。建议至少完整走过一次【路径二】，因为它是把”概念”沉淀成”决策器”的主干。
§1 路径一 · 求职速通路（面试桌 · 约 20 分钟）
身份：你下周有 AI PM 面试，面试官大概率会问”AI 产品和传统软件最大的不同是什么”。你需要一个反共识、带证据、30 秒能讲完的答案，而不是背”会幻觉”。
| 步骤 | 节点 | 时长 | 读完你应该能产出 |
|---|---|---|---|
| 1 | A01 AI 产品时间性概念谱系 | ~6 分钟 | 一句话讲清”为什么传统软件没有’时间性’这个维度”——可锁版本、有 changelog、有 semver、由你点”升级”的那一刻；AI 把这四样全拿走了 |
| 2 | S01 AI 时间性风险分层剖面 | ~9 分钟 | 把模糊的”供应商风险”拆成六层风险栈（L1 版本 / L2 行为漂移 / L3 能力变化 / L4 定价 / L5 弃用 / L6 合规）+ 三个致命层间耦合；能现场画出来 |
| 3 | E03 滴滴平台政策变更 vs AI 模型更新对比剖解 | ~5 分钟 | 一个全 vault 独家的迁移锚点——“四个更 + 一个反而不”：AI 比平台政策更不可观测、更不可拒、更不可锁、更彻底（会整个退役），但治理成熟度反而落后平台经济约十年 |
[!success] 路径一终点产出（面试杀手锏） 被问”AI 产品和传统软件最大的不同”，30 秒答： “不是它会幻觉——那是空间维度的单点失真。真正的硬差异是时间维度：传统软件依赖是可锁的物（
pin libfoo==2.3.1它永远是 2.3.1），AI 的核心依赖是一个会单方面、无完整 changelog、不可锁地漂移的供应商。我会把它拆成六层风险栈来评，最致命的是 L2 行为漂移——斯坦福/伯克利的 Chen et al. (2023, arXiv:2307.09009) 实测 GPT-4 素数识别准确率三个月内从 84% 跌到 51%，而你的代码一行没改。这个维度，传统软件供应链里压根没有对应物。“
§2 路径二 · 决策链路（选型会 · 约 40 分钟）
身份：你在为一个真实产品选模型 / 写技术方案，要在选型会上把”时间性”从一句担忧变成一张能打分、能对冲的决策器。
| 步骤 | 节点 | 时长 | 读完你应该能产出 |
|---|---|---|---|
| 1 | S01 AI 时间性风险分层剖面 | ~9 分钟 | 六层风险栈 + 三个致命层间耦合（如”锁快照=买 L1 稳定，代价是欠下 L5 退役债务”）。这是整条决策链的坐标系 |
| 2 | S02 时间性风险应对策略对照矩阵 | ~10 分钟 | 六策略（版本锁定 / 快照固化 / 回归测试 / 多模型路由 / 自建模型 / 抽象层）× 四维（成本 / 可控 / 锁定 / 质量）对照矩阵 + 决策树；能说清每个策略”买到什么、欠下什么” |
| 3 | S03 AI 供应链时间性全景 | ~10 分钟 | 把模型当供应件：单点依赖审计 / 二供 / 安全库存（快照）/ SLA 条款 / 退出预案——一套从实体供应链移植来的治理动作清单 |
| 4 | R02 多模型路由抗供应商锁定 | ~11 分钟 | 一个可落地的抽象层 + 多模型路由方案（最小可运行 → 生产级），以及它如何反噬你（抽象层只解耦接口，解耦不了行为；过度抽象会丢能力、增延迟） |
[!success] 路径二终点产出（选型会硬指标） 把”时间性”从评分卡的脚注提升为和价格、能力并列的一等指标，至少加这四项硬指标：
- 可锁性：能 pin 到具名快照吗？pin 的是版本号还是行为？（pin 快照只买 L1，pin 不住行为）
- 弃用窗口：官方承诺的弃用预告期多长？（OpenAI GA 模型 ≥6 个月；专项变体 ≥3 个月；但 2026-01 曾出现约两周预警下线多个模型，引发开发者强烈反应——承诺 ≠ 兜底）
- 权重保存：供应商是否承诺保存已发布模型权重？（Anthropic 已公开承诺永久保存 + 退役发保存报告，是治理向”可问责”演进的早期信号；但访问协议未公开）
- 退出预案：迁移到二供的成本量级？（按”重写业务逻辑”排预算——Chen et al. 体系下约 60% 的 prompt 补丁要重写，跨厂商 prompt 不兼容）
§3 路径三 · 紧迫度救火路（在岗救火 · 约 30 分钟）
身份：线上已经出事（同样的 prompt 突然行为变了），或你要在今天之内给现有功能做一次时间性体检。你要的不是理论，是今天就能跑的动作。
| 步骤 | 节点 | 时长 | 读完你应该能产出 |
|---|---|---|---|
| 1 | R03 时间性风险评估 | ~9 分钟 | 一张四维敞口评分表（供应商集中度 / 锁定度 / 漂移敏感度 / 退出预案）+ 退出预案分级——给定一个具体功能，今天就给它打一张分 |
| 2 | R01 模型更新回归测试机制 | ~10 分钟 | 行为基线 + 漂移告警双轨——把”不可控的突变”转成”可被告警的事件”，在用户投诉之前发现漂移（GPT-4o 谄媚事件里，有内嵌 eval 的团队比靠用户投诉的团队早数天止血） |
| 3 | E01 模型弃用与更新致产品突变案例剖解 | ~11 分钟 | 把抽象风险砸成可标日期、可算工时的硬事实（gpt-4-0314 退役、text-davinci-003 下线连带 33 个遗留模型、Sensible 迁移实录、GPT-4o 谄媚 4 天回滚），照着排你自己的退役日历与迁移预算 |
[!success] 路径三终点产出（救火清单）
- 给当前所有 AI 功能各打一张四维时间性风险分，标出”高敞口”功能（单点依赖 + 高漂移敏感 + 无退出预案的，优先处理）。
- 给高敞口功能各建一个最小行为基线 eval 集（10–30 条代表性输入 + 期望行为断言），接入 CI 或定时跑，配漂移告警阈值。
- 拉一张模型退役日历（把你在用的每个模型的官方弃用日期标进去），给每个即将退役的依赖排”按重写业务逻辑量级”的迁移预算 + 影子模式回归窗口（实测约 48–72 小时）。
§4 自测题（≥10 题 · 每题给”及格线 / 优秀线 / 反例”）
用法：盖住答案先自己答，再对照。及格线=能正确复述；优秀线=能带证据 + 边界 + 反共识地回答；反例=典型的错误答案，专门帮你识别自己有没有掉进去。
Q1 · “时间性”到底指什么？为什么传统软件没有这个维度？
- 及格线：指 AI 产品的核心依赖会随时间漂移；传统软件可以锁版本所以没有。
- 优秀线：时间性是”依赖物本身在时间轴上不稳定”这一维度。传统软件有四道闸门让你掌控时间——可锁版本（
pin libfoo==2.3.1）、semver、changelog、由你点”升级”的那一刻；AI 把四道闸门全拿走：你 pin 的是会被退役的版本号而非行为快照、更新无完整 changelog、升级你拒绝不了。见 A01 AI 产品时间性概念谱系。 - 反例：“时间性就是模型会过时 / 需要持续更新。“——这把它矮化成产品迭代节奏问题，丢掉了”控制权不在你手上”这个核心。
Q2 · AI 产品最大的风险是”会幻觉”吗？
- 及格线：不只是幻觉，还有漂移。
- 优秀线：不是。幻觉是空间维度的单次推理内失真；本专题主张真正不可消除的硬风险是时间维度的分布偏移（会漂移）。幻觉可以靠 RAG / 校验工程化压低，漂移无法用工程手段彻底消除，只能用供应链思维去对冲。见总览 §1 反共识立场、幻觉 的纠偏对照。
- 反例：把”会幻觉”和”会漂移”混成一句”AI 不可靠”——正是本专题要拆开的混淆。
Q3 · 把 AI 时间性风险拆成哪六层？最致命的耦合是什么？
- 及格线：能列出 L1 版本 / L2 行为漂移 / L3 能力变化 / L4 定价 / L5 弃用 / L6 合规。
- 优秀线：六层之外能说出一个致命层间耦合，例如”L1↔L5：pin 快照只买到 L1 稳定，代价是把你推向 L5——快照终会退役，L1 的稳定是用 L5 的债务换来的”。见 S01 AI 时间性风险分层剖面。
- 反例：把六层背成并列清单，说不出层与层之间的债务转移——那就只是记忆，不是模型。
Q4 · “锁个版本（pin 快照）不就稳定了吗？”
- 及格线：快照也会被退役，所以不是永久解。
- 优秀线：pin 快照只买 L1 层稳定，代价是欠下 L5 退役债务——快照终会被官方退役（gpt-4-0314 整整预告一年后退役）；而且 pin 的是版本号不是”行为快照”。这是一次债务转移不是消除。见 S01 AI 时间性风险分层剖面 L1↔L5 耦合、A06 滴滴平台政策类比与 AI 的更极端性 错位二。
- 反例：“pin 住就一劳永逸了。“——忽略了”被锁在一个正在腐烂的快照上”本身是更大的退役债务。
Q5 · 模型更新到底是”变笨”还是别的？
- 及格线：不是单向变笨，是漂移。
- 优秀线：是任务依赖的多向分布偏移，不是单向退化。Chen et al. (2023, arXiv:2307.09009) 同一篇研究里，GPT-4 素数识别 84%→51% 下降的同时，多跳知识问题反而提升；研究者把多数变化归因于”对思维链提示的响应性下降”而非能力丧失。把”模型变笨了”当成全貌本身是 confirmation bias。见 S01 AI 时间性风险分层剖面 L2、A02 模型更新致行为突变。
- 反例：“素数 84%→51% 证明大厂在偷偷降质省成本。“——选择性引用同篇论文里对自己有利的一半数据，且 OpenAI 的 Welinder 公开否认存在故意降质。
Q6 · 没有 changelog 只是”信息不够全”吗？
- 及格线：不止，它让你无法归因。
- 优秀线：无 changelog 是归因链的结构性断裂，不是信息量问题——它把一个本可证伪的工程问题（“这次更新改了 X 导致 Y”）降级成玄学（“它好像变了？”），voice（反馈施压）随之失效，因为你连”针对哪次变更”都说不清。见 A04 无 Changelog 的认识论。
- 反例：“多发几封工单催供应商出 changelog 就行。“——没意识到结构性断裂下你的反馈缺少可指认的对象。
Q7 · 供应商依赖导致的”控制权丧失”具体丧失了什么？
- 及格线：你管不了模型更新。
- 优秀线：拆成三个独立失控维度——变更不可见（无 changelog）、升级不可拒（旧版会被弃用，你被迫跟）、行为不可锁（pin 版本号 pin 不住行为）。三者各有不同对冲手段，混为一谈会下错药。见 A03 供应商依赖与控制权丧失。
- 反例：把三者压成一句”被供应商绑架了”——情绪正确，但开不出分维度的药方。
Q8 · 套壳（thin wrapper）产品的真正死因是什么？
- 及格线：没有护城河，容易被基础模型吃掉。
- 优秀线：真正死因不是”无壁垒”（空间），是”无主权”（时间）——行为漂移、降价挤压、弃用断供三种死法叠成死亡螺旋。Jasper 是教材：2022 年收入 $75M、估值 $1.5B，被 ChatGPT 直接 Sherlock 后 2024 年收入跌至约 $55M（较峰值约 $120M 跌约 54%，来源：Maginative 2023 报道 + 多方行业分析，非同行评审）。见 E02 套壳产品的时间性脆弱剖解、S01 AI 时间性风险分层剖面 L3。
- 反例：“套壳就是没技术含量。“——这只讲了空间维度的护城河，漏掉了套壳对上游时间性的全暴露。
Q9 · 多模型路由 + 抽象层是不是就把时间性风险”工程化掉”了？
- 及格线：能降风险但不能消除。
- 优秀线：抽象层只解耦接口，解耦不了行为——你能一行配置切供应商，但切过去的模型行为/语气/拒答边界全不一样，下游 prompt 与 eval 仍要重写。多模型路由是供应链冗余（二供），降的是 L5 弃用与 L4 定价敞口，降不了 L2 漂移本身；过度抽象还会丢能力、增延迟、增维护成本。见 R02 多模型路由抗供应商锁定 陷阱节、S01 AI 时间性风险分层剖面 §9 对手立场二。
- 反例：“MCP 是 AI 的 USB-C，接口标准化后换模型像换 U 盘。“——接口标准化解决不了”同一接口背后行为不同”这个时间性内核。
Q10 · AI 模型更新和滴滴平台政策变更，是同一类风险吗？
- 及格线：结构类似，都是上游单方面变更冲击下游。
- 优秀线：结构同构（都是”平台依赖型创业者”PDE 面对上游单方面变更），但 AI 被推到更极端——“四个更 + 一个反而不”：更不可观测（平台政策再黑箱至少会说”规则变了”，模型连这句都没有）、更不可拒、更不可锁、更彻底（模型会整个退役，而平台不会退役”派单”这个能力本身）；唯一”反而不”是治理成熟度——AI 落后平台经济约十年。见 E03 滴滴平台政策变更 vs AI 模型更新对比剖解、A06 滴滴平台政策类比与 AI 的更极端性。
- 反例：“这跟普通供应商风险一样，签个好 SLA 就行。“——SLA 管不了”行为静默漂移”和”无 changelog”这两个 AI 独有维度。
Q11 · “模型只会越来越强，跟着升级有什么错？”
- 及格线：“整体变强”是均值判断，产品方承担的是具体任务的方差。
- 优秀线：“整体变强”是供应商视角的总量/均值判断；产品方承担的是具体任务上的方差风险。Chen et al. 的素数任务 -33pp 是真实发生的——对一个把”数学准确性”写进 SLA 的产品方，“整体变强”无法对冲这次具体退化。所以可预见的 2–3 年内必须假设”更新即风险”并自建评测。见 E03 滴滴平台政策变更 vs AI 模型更新对比剖解 §6 边界、A02 模型更新致行为突变。
- 反例：“大厂有动力把模型越做越好，杞人忧天。“——混淆了”均值上升”与”你那条具体任务上的方差可控”。
Q12 · 受监管行业里，选最强的模型一定最好吗？
- 及格线：不一定，合规要稳定可复现。
- 优秀线：反直觉——最强的模型未必是最合规的模型。合规要的是稳定可复现，不是峰值能力。Khatchadourian & Franco (2025, arXiv:2511.07585) 金融工作流研究中 GPT-OSS-120B 在 T=0 时仅 12.5% 输出一致性，而 7–8B 小模型达 100%——指向”小模型 + 可自托管”在合规场景反而更稳，因为它把 L1/L2/L5 的供应商单方面风险整体消除了（这也是本专题”AI 更极端”判断在纯开源/自托管栈上的失效边界）。见 S01 AI 时间性风险分层剖面 §合规、E01 模型弃用与更新致产品突变案例剖解 §合规边界。
- 反例：“旗舰模型 benchmark 最高，合规当然也选它。“——把峰值能力误当合规所需的稳定性。
[!note] 自测计分参考 答对 ≥6 题（及格线）= 你能跟上选型会的讨论；≥9 题且其中 ≥4 题达优秀线（带证据 + 边界）= 你能在面试桌上主导这个话题、在选型会上设议程。
§5 反方对话训练（时间性领域六追问）
[!warning] 训练规则：用反对的声音建造，不是用赞同的声音装饰 下面六问是业界反方最常用的”看似一句话就能打死你”的追问。每问给：反方的对（先接受它对的部分）→ 你坚持的边界 → 一句话杀招 → 去哪深读。目标不是把对方驳倒，是接受 + 标边界——这正是本专题 E 维（对手拷问能力，自评 8.2）的工艺。
追问 1 · “锁个版本不就行了吗？”
- 反方哪里对：pin 快照确实能买到短期的 L1 版本稳定，对一个有明确合规评审窗口的功能，这是该做的第一步。
- 你坚持的边界：你 pin 的是会被退役的版本号，不是”行为快照”；而且这是债务转移——L1 的稳定是用 L5（退役）的债务换来的。gpt-4-0314 预告一年后照样退役，到期你仍要按”重写业务逻辑”量级迁移。
- 一句话杀招：“锁版本不是免死金牌，是借了一笔到期必还的退役债——它把’随时可能漂移’换成了’某个确定日期必须迁移’，你只是把不确定换成了确定的痛。”
- 深读：S01 AI 时间性风险分层剖面 L1↔L5 耦合、A06 滴滴平台政策类比与 AI 的更极端性 错位二。
追问 2 · “自建模型不就没这问题了吗？”
- 反方哪里对：完全正确地点出了本专题判断的失效边界——权重在手（开源自托管 Llama/Qwen），静默更新风险归零，L1/L2/L5 的供应商单方面风险整体消除。这是 failure scenario #1，本专题诚实承认。
- 你坚持的边界：自建/自托管把”时间性风险”换成了”能力天花板 + 运维与算力成本 + 你自己升级时的漂移”。对绝大多数产品方，自建前沿模型不现实；自托管开源模型则要承担与最强闭源模型的能力差，以及”现在轮到你自己当那个会引入漂移的供应商”。它是对冲选项之一，不是免费的银弹。
- 一句话杀招：“自建确实把’供应商漂移’变成零——代价是把整条供应链的运维、算力和能力天花板搬到你自己肩上；时间性风险没消失，只是从’别人的更新’变成了’你自己的升级’。”
- 深读：S02 时间性风险应对策略对照矩阵（自建模型策略的四维代价）、总览 §7 failure scenario #1。
追问 3 · “这跟普通供应商风险有啥区别？签个好 SLA 不就完了？”
- 反方哪里对：供应链/供应商管理的成熟工具箱（二供、安全库存、SLA、退出预案）确实大量可迁移——本专题 S03 的对冲药方正是从实体供应链移植来的。
- 你坚持的边界：SLA 能约束”可用性、价格、弃用预告期”，但约束不了两个 AI 独有维度——L2 行为静默漂移（没改 API 合同、没报错、状态页全绿，但行为变了）和无完整 changelog 导致的归因链断裂。传统供应件不会”配方静默变更且不告诉你变了什么”。
- 一句话杀招：“普通供应商最坏是断供或涨价——那是你看得见、能谈判的；AI 供应商的独有风险是’配方在不通知你的情况下被改了，而你甚至无法证明它改过’——这是 SLA 条款覆盖不到的地带。”
- 深读：A03 供应商依赖与控制权丧失（三维失控）、S03 AI 供应链时间性全景、A04 无 Changelog 的认识论。
追问 4 · “模型只会越来越好，怕什么更新？”
- 反方哪里对：均值意义上，前沿模型的总体能力确实在持续上升，大厂也有动力把模型做强；OpenAI 的 Welinder 公开立场是”不存在故意降质，用户感知源于使用量上升”。
- 你坚持的边界：他回应的是均值，没回应方差是否可控。产品方承担的不是行业均值，是自己那条具体任务上的方差。Chen et al. 素数 -33pp、GPT-4o 谄媚（一次”正式升级”却需 4 天回滚）都是真实发生的——“整体变强”对冲不了”你那条 SLA 任务这次退化了”。
- 一句话杀招：“‘越来越好’是供应商的均值叙事，我承担的是我那条任务上的方差——一次正式升级就能让模型系统性谄媚到要回滚（GPT-4o, 2025-04），均值再高也救不了我那天炸掉的生产环境。”
- 深读：E03 滴滴平台政策变更 vs AI 模型更新对比剖解 §6 边界、A02 模型更新致行为突变、总览 §7 对手立场 #1。
追问 5 · “抽象层 + 多供应商 + MCP 都标准化了，时间性不就被工程化掉了吗？”
- 反方哪里对：抽象层和多模型路由确实显著降低 L5 弃用和 L4 定价的单点敞口；MCP 这类协议确实把接口层做了标准化，换供应商的工程成本在下降。
- 你坚持的边界：抽象层解耦的是接口，不是行为。MCP 标准化让你能一行配置切模型，但切过去的模型语气、拒答边界、格式偏好全不同，下游 prompt 与 eval 仍要重写；多模型路由降的是弃用/定价敞口，降不了 L2 漂移本身。工程化掉的是”换的动作”，不是”换了之后行为还一致”。
- 一句话杀招：“MCP 是 AI 的 USB-C 没错——但 USB-C 统一的是插口，不保证两个硬盘里的数据一样；接口标准化解决不了’同一个接口背后，每个模型的行为是不同的’这个时间性内核。”
- 深读：R02 多模型路由抗供应商锁定 陷阱节、S01 AI 时间性风险分层剖面 §9 对手立场二、S02 时间性风险应对策略对照矩阵（抽象层策略代价）。
追问 6 · “你举的都是被发现、被回滚的事故，这不正说明生态会自我纠错吗？锁定也被夸大了吧？”
- 反方哪里对：这是最高级的反方，本专题专门留了 confirmation-bias 砍除来回应它。GPT-4o 谄媚 4 天回滚、Chen et al. 被同行研究——恰恰说明高可见度漂移有自我纠错与外部监督机制；Liebowitz–Margolis (The Fable of the Keys, 1990 / JLEO 1995) 也有力地论证”真正事前可预见次优却纠正不了的三度锁定极罕见”。本专题接受：AI 锁定更接近”二度路径依赖”，不是”被锁死无解”。
- 你坚持的边界：能自我纠错的只有高可见度漂移；绝大多数细微漂移（素数 84%→51% 这种）症状不够外显、舆论压力不够，触发不了 voice，依赖方只能默默吞下。所以本专题只主张”切换成本被系统性低估”，不主张”被锁死”——这恰恰要求你从第一天就用抽象层压低正反馈斜率，而不是事后指望生态来救你。
- 一句话杀招：“能上头条的事故才会被回滚——你那条没人关注的细微漂移，没有舆论给你撑腰；我不赌’被锁死无解’，我赌的是’切换成本被低估’，所以对冲要在第一天做，不是等翻车了再做。”
- 深读：A05 路径依赖与技术锁定（David–Arthur vs Liebowitz–Margolis 校准）、E01 模型弃用与更新致产品突变案例剖解 §exit/voice、总览 §7 confirmation-bias 砍除清单。
[!tip] 反方训练的总纲 六问背后是同一个反模式：把时间性风险还原成一个已被传统工具解决的旧问题（锁版本 / 自建 / SLA / 进步主义 / 标准化接口 / 生态自纠）。你的统一打法是——先承认它在某一层（往往是 L1 / L4 / L5）确实有效，再把它逼回它解决不了的内核：L2 行为漂移 + 无 changelog 的归因断裂。这两样才是 AI 时间性的不可还原核。
§6 待建概念清单（本专题登记 · ⚠️ 绝不在主库建 stub）
以下术语全 vault 搜索未发现独立概念页，本 README 与各节点引用时一律降级为普通文本，登记于此待 Rick 决策是否建卡（与总览 §9 同步维护，避免在主库留死链/stub）：
双边市场（two-sided market）—— 散见 0133 信息经济学/博弈论正文，无独立页平台依赖型创业者（PDE, Platform-Dependent Entrepreneur）—— Cutolo & Kenney 2021 核心概念，vault 无页平台包络（platform envelopment）—— Eisenmann/Parker/Van Alstyne，vault 无页静默更新（silent update）/行为漂移（behavioral drift）—— 本专题核心术语，建议 03 模块建概念卡后回链路径依赖（path dependence）/供应链风险管理/版本钉选（version pinning）—— 跨域术语，散见经济学节点正文平台抽成/派单算法/信息不对称—— 散落滴滴工作文档正文，无独立概念页
跨专题双链（
0412 评测专题等）依赖兄弟专题最终 basename，主库暂无实体节点，本轮 QC 已一律降级为普通文本并登记——详见总览 §9 与_待建概念清单.md。
§7 关联节点（双链密度 ≥20，均为真实存在节点）
入口 / 编织
- _AI 产品的时间性系统化专题·总览 —— 本专题 MOC（依赖图 / 跨域调度表 / SABCD 验收档案）
- AI PM 知识图谱·总索引 —— 全局入口
01 概念辨析
- A01 AI 产品时间性概念谱系 / A02 模型更新致行为突变 / A03 供应商依赖与控制权丧失 / A04 无 Changelog 的认识论 / A05 路径依赖与技术锁定 / A06 滴滴平台政策类比与 AI 的更极端性
02 代际演化
03 架构剖面
04 实例剖解
05 复现指南
升级对照的既有节点
- m209 - 推理成本控制手册（L4 定价基座，补缺加时间轴）/ c01 - 认知重构：从确定性系统到概率系统（深化到外部依赖）/ c14 - 模型评估体系与 Goodhart 陷阱（为什么必须持续回归）/ 幻觉（空间失真 vs 时间漂移，纠偏）/ c09 - RAG 架构 / Agent（多步放大漂移）
一手案例 / 跨域理论根
- OpenAI / Anthropic / Claude / ChatGPT / Scaling Laws / 0133新制度经济学 / 0133信息经济学 / 0117社会学
§8 修订日志
- R1（2026-06-07）：README 首稿。§0 用法导航 / §1–§3 三条阅读路径（求职速通 20min·3 篇、决策链 40min·4 篇、紧迫度救火 30min·3 篇），每条标步骤时长 + 前置产出 + 终点 callout 产出 / §4 共 12 道自测题，每题”及格线 / 优秀线 / 反例”三档 + 双链深读指向 + 计分参考 / §5 反方对话训练六追问（锁版本 / 自建模型 / 普通供应商 SLA / 模型越来越好 / 抽象层 MCP 标准化 / 生态自我纠错+锁定被夸大），每问”反方哪里对 → 你坚持的边界 → 一句话杀招 → 深读” / §6 待建概念清单（与总览 §9 同步，降级普通文本不建 stub） / §7 关联节点（真实 basename ≥20，含 17 节点 + 升级对照 + 案例/理论根） / §8 日志。所有数字与硬事实直接对齐各节点已接地内容（Chen et al. arXiv:2307.09009 素数 84%→51%、Khatchadourian & Franco arXiv:2511.07585 12.5% vs 100%、Jasper -54%、GPT-4o 谄媚 4 天回滚、gpt-4-0314 退役），未在本 README 引入任何新的未接地声明。