一 一台打印机，四个人
本章采用一个可手算的构造模型。小工作室只有一台打印机，四个人同时需要打印。为了先把问题看清，我们暂时假定每份任务都能够连续完成，中间没有故障和准备时间，也不能同时打印。四项任务分别需要八分钟、两分钟、四分钟和一分钟。它们只是设定的数字，不代表任何实际设备。
如果按八、二、四、一的顺序，四个人开始打印前分别等待零、八、十、十四分钟，总等待时间是三十二分钟。若按一、二、四、八的顺序，等待时间变为零、一、三、七分钟，总等待时间是十一分钟。所有任务仍然需要十五分钟完成，但等待的分布已经不同。
这个小差异足以打开一场What If。如果先做短任务，会不会使大家等待更少？如果有人急着离开呢？如果新任务不断到来呢？如果大家认为先来先做才公平呢？一个看似简单的排队问题，开始分化出效率、顺序、需要与合作。
D2六步法让这场探索能够实际运行：猜想、执行、评估、反馈、修正、迭代。我们不必一开始拥有完整理论，也不必把每一步写成表格；只需使每个动作具有具体内容，让上一轮发生的差异能够进入下一轮。
二 猜想要敢说，也要留下可错的位置
工作室成员提出第一句猜想：“短任务先做，总等待会更少。”这比“换个顺序可能更好”具体，因为它说明改变什么，也说明准备观察什么。但猜想中的总等待、短任务和先做，仍然需要在模型里定义。
这里的等待，是任务开始前经过的时间；不包含任务自身的打印时长。总等待把每个人的等待相加，它不等于最后一个任务结束的时刻。两种顺序的全部完成时间相同，等待总和却不同。若不先分清指标，AI可能用十五分钟解释所有问题，让人误以为顺序不重要。
提出猜想时，也应写下条件：四项任务同时可用，打印时长已知，没有中断，没有紧急优先要求。条件并不削弱猜想，它们说明猜想在哪个世界里接受检验。以后改变条件，又可以开启新的What If。
接着提出竞争猜想：先来先做可能更容易被接受；优先处理有截止时间的任务可能更符合实际需要；让每个人先完成一部分可能改变体验，却也可能增加切换。我们不必立即解决全部分支，但应知道第一句猜想没有覆盖所有价值。
好的猜想既有方向，也允许失误。它说出自己准备承担的判断，而不把所有可能结果都收进正确之中。
三 执行可以从推理开始
在这个模型里，执行不必搬来真正的打印机。我们可以先计算两种顺序的等待，用纸笔或让AI列出过程。模型执行的目的，是检查在已设定条件下会出现什么。若计算存在错误，现实试作尚未开始，猜想就需要修订。
还可以进一步推理。只看相邻的两个任务，假设前面已经等待了一段相同时间。长任务在前时，短任务要额外等待长任务的时长；短任务在前时，长任务要额外等待短任务的时长。两项任务全部完成的时刻不变，后面其他任务的等待也不受这次交换影响。因此，把相邻的长前短后换成短前长后，会减少总等待，减少量等于两项时长之差。
反复进行这样的交换，就得到由短到长的顺序。这个论证说明，在当前模型条件下，短任务优先使总等待最小。我们获得了比两个例子更强的结论，但结论仍然属于这个模型，不能直接宣布它解决了所有排队公平问题。
AI在执行中可以提出证明，也可能把条件漏掉。读者可以要求它逐步说明为什么后面的任务不受影响，再自己检查。若不理解某一步，就请它用两项具体数字演示。执行不是把答案交给机器后等待，而是让推理过程成为可以共同辨认的对象。
四 评估要比较什么，决定还需要什么
第一轮计算支持了总等待更少的猜想。若只看这一项，可以宣布模型内取得进展。但实际工作室还关心别的事情：每个人是否能够预计等待、长任务是否总被推迟、紧急任务能否完成、规则是否容易执行。
评估的第一件事，是将观察与事先的预期相比较。总等待确实下降，全部完成时间没有下降。第二件事，是查看代价与遗漏。若某个人的长任务有明确截止时间，短任务优先未必满足需要。第三件事，是说明证据层级。我们有一个数学模型的结论，还没有真实工作室的使用反馈。
模型结论与实际满意度不能互相替代。四个人可能很赞同短任务优先，也可能认为后来的人插到前面令人不快；这需要询问实际参与者，而非由AI模拟出一致好评。若书中使用设例，就应保留设例身份，不给虚构人物的满意赋予经验研究地位。
评估的乐趣在于使笼统的好坏分开。大家原来争论谁先打印，现在能够说清总等待、截止要求与可预期性之间的差别。意见未必立即统一，但讨论获得了可以检验的内容。
我们也可以发现原评价标准需要修订。不过修订应写明理由，不能因为结果不理想，悄悄换一个指标宣布胜利。
回看打印问题，所有人都可以同意三十二与十一的计算，却仍然对采用哪条规则持不同意见。有人强调减少总等待，有人强调先到者的承诺，有人强调不能错过外部截止时间。数值没有自动替他们完成价值判断。
这并不使模型失去作用。模型帮助我们知道某一种选择的后果，从而更清楚地讨论代价。若选择先来先做，就能承认可能增加总等待，但保留清楚的顺序；若选择批内短任务优先，就能说明它在某些条件下减少等待，同时安排长任务不会无限推迟。决定因此更加透明。
普通人的思想探索经常遇到类似情形。阅读速度提高，未必比停留在一段值得细想的文字更重要；工作产量增加，未必足以抵偿参与者的持续疲惫。评估需要说明所用标准，而不是把方便计算的内容当作全部价值。AI容易为可量化目标提供大量优化办法，人应当把遗漏的关切重新带入。
可以要求AI写两种不同价值取向下的方案，并标出冲突发生在哪里。随后由参与者讨论能够接受的安排。这样的过程并不意味着任何选择都同样好，事实错误和不可实现的承诺仍需纠正；它只是承认，事实推理与价值选择承担不同任务，二者必须在具体活动中接续。
六步法也因此具有更丰富的内容。反馈不仅带回任务时间，还可以带回参与者的真实异议；修正不仅改变顺序，还可能改变决定方式；迭代不仅检验效率，也检验新的协作是否能够持续。这些都是发生过程的一部分。
如果一条规则暂时获得接受，可以同时约定何时重看。例如参与人数、任务类型或外部要求改变后，再开启新一轮。规则由此具有稳定使用的空间，也保留修订入口。一个可修订的安排，往往比一次声称最优的结论更适合复杂生活。
这时回看最初那句短任务先做会怎样，你会发现问题已经获得层次。我们先算清一个模型，再辨认它的条件，然后把结果放回人的共同活动。乐趣来自每一层都增加了可以理解和选择的东西，而非只是使答案变长。
在自己的记录中，也可以给每一条结论加一个简短范围说明：模型内成立、个人观察支持、尚待比较、需要专业核查。范围说明无需很长，却能帮助未来的自己理解当时依据。AI再次使用旧结论时，也应把范围一起带上。这样，迭代积累的是有位置的认识，而非越来越多脱离条件的口号。
模型中的等待以时间计量，实际人的等待还可能包含不确定与被忽视的感受。二者相关，却不能直接换算。讨论规则时，可以分别说明可计算部分和需要参与者表达的部分，让两类材料各自进入评估。这样既不放弃精确推理，也不让一个容易计算的数值占据全部解释。
五 反馈使差异进入下一轮
假设实际使用时，一位成员提醒：任务不是同时到来的，短任务可能不断加入。这个信息本身是反馈材料，只有它改变后续安排时，才形成运行中的反馈。
大家可以把它带回模型，加入任务到达时间。原先只需排序的静态问题，变成不断有新任务出现的动态问题。如果永远优先选择短任务，长任务可能一直被推迟。于是，第一轮的优点与新条件发生了张力：减少眼前的等待，可能损害某些人的可预期性。
这时不应说原证明错了。证明在原条件下仍然成立，改变的是适用条件。准确反馈是：现有模型没有覆盖连续到达，下一轮需要把到达过程和最长等待要求带入。这样的反馈比一句不实用更有助于推进。
AI能够帮助追踪条件变化。可以请它列出原模型保留了什么、新增了什么、哪些结论仍可使用、哪些需要重新检验。这个动作将知识从一次性答案变成可以修订的结构。
反馈也可能来自执行成本。若每个人都不知道自己的打印时长，按时长排序就需要估计；估计错误可能引发争执。下一轮也许不必追求最优顺序，而是寻找足够简单、收益明确的安排。现实运行会对模型提出自己的要求。
六 修正需要指向具体部位
面对连续到达的问题，可以提出几种修正。固定一段时间收集一批任务，再在批内按长短排序；给已经等待较久的任务增加优先级；为明显紧急的任务保留例外程序；或者在忙碌时仍用先来先做，只在大家同意时调整。这些都是候选运行，并非本章给所有办公室的推荐。
每种修正改变了不同关系。分批处理增加可预期性，但新到任务要等下一批；等待优先避免持续推迟，却需要记录；紧急例外照顾现实需要，也要求说明什么算紧急。修正没有把所有代价清零，而是在明确价值与条件下重新组织。
读者可以请AI只比较当前最相关的两种方案，说明它们分别解决了哪个问题，又引入了什么新问题。不要一次生成十几条混合规则，让简单活动变成难以维护的制度。越复杂的修正，越需要相应的收益与执行能力。
一种可行的小试作是，先模拟几个具有代表性的到达情境：长任务先来、短任务集中到来、紧急任务中途出现。我们不必把所有可能都穷尽，但应挑选最可能暴露弱点的情况。修正后的方案若只在最顺利的情境中测试，探索就容易变成自我证明。
修正的乐趣常来自重新获得行动可能。原来彼此冲突的要求，经过细分后出现了可以尝试的组合。它还不是最终答案，却使问题继续活着。
七 迭代不是原地重复
新规则形成后，再运行一次，才进入迭代。若只是反复阅读AI的建议，实际条件与判断没有变化，那只是重复接触。迭代应当保留上一轮反馈造成的改变，并让新一轮结果继续接受检查。
如果工作室考虑采用分批规则，就需要把批次长度与任务到达过程写进模拟。总等待可能增加，可预期性是否改善也要按具体规则与材料检查，不能由“分批”两个字直接保证。接下来应问：这种代价是否符合当前用途？参与者能否理解并执行？若批次划分过密，维护麻烦；过疏，又可能使临时任务等待过久。新的猜想开始围绕批次组织展开。
这里出现了一个重要变化：最初只研究排序，后来研究时间组织。问题并没有凭空扩大，而是反馈要求纳入原来遗漏的差异。每次扩大都应说明必要性，避免把一个小工作室的问题写成包罗万象的制度理论。
迭代也需要结束条件。若某个规则已足够满足日常需要，继续微调带来的收益很小，就可以先稳定使用。以后条件改变，再重新打开。持续改进并不意味着永远不满意；它意味着具备根据新材料重新运行的能力。
在记录上，可以只保存三项：本轮改变、最重要的观察、下一轮决定。这样的简短轨迹已足以让人看见思考如何前进，也让AI在后续对话中接续真实状态。
八 让六步进入生活的一圈
读者可能在执行时就发现猜想说得不清，返回重新定义；也可能在评估时发现记录不足，需要补充执行；一次反馈还可能同时改变方法与目标。六步提供可辨认的活动环节，不要求人的经验像传送带一样整齐。
在打印机模型里，推理、评估和修正可能几分钟内交错完成。现实使用则可能经过几天。不同节奏并不改变各环节的作用：猜想承担预期，执行让预期进入发生，评估比较结果，反馈使差异返回，修正形成改变，迭代检验改变后的运行。
理解功能，比记住顺序更重要。若有人说已经获得反馈，却无法指出下一步受什么影响，过程可能还停在收集意见；若说已经修正，却只有更积极的态度，执行仍可能原样重复。用具体动作检查词语，方法才能保持内容。
AI可以担任提问者，请它问：“这一轮哪条材料真正改变了你的安排？”也可以担任反方，请它寻找方案最可能失效的条件。人的贡献则包括提供真实约束、承担价值判断、观察实际参与者，以及决定何时开始和停止。分工会随问题变化。
这种复合活动使六步成为可参与的思考流程。它既可以用于数学模型，也可以用于阅读、生活安排和工作试作，但不同领域需要不同的证据与行动边界。
现在选择一项低风险、可逆、几天内能够尝试的活动。写下一个猜想，再让AI帮助检查条件与可能反例。确定最小的一次执行，不急着安排长期计划。执行以后，把实际发生与预期分开描述，再决定哪条差异值得反馈到下一步。
若没有出现预期结果，先辨认执行是否与设想相符。如果根本没有按原方式开展，不能直接据此否定机制；若执行符合安排，结果仍相反，就应认真考虑竞争解释。两种情况都可能提供价值，但需要不同修正。
例如，你猜想开会前先写一个问题会减少跑题，实际却没有人读提前材料。这说明活动没有按计划进入，不足以判断问题提示是否有效。下一轮可能需要把问题放到会议开头，由参与者共同确认；也可能发现这场会议根本不适合此安排。修正应来自反馈，而非盲目加大同一种要求。
完整一圈之后，看看自己获得了什么。也许是更好的办法，也许是更准确的问题，也许是知道某条路暂时不值得继续。六步的价值不局限于成功，它让经验能够进入可说明、可修订的发生过程。
当你与AI重新打开下一轮时，不妨先把上次改变决定的那条材料放在最前面。这样，对话就从发生过的事情继续，而不是再次从泛泛建议开始。思考的乐趣也更容易积累：你能够看见一个最初模糊的猜想，怎样在反复运行中逐渐形成自己的形状。