从建筑师到 Agent：我们如何把问题变得可解
产品经理总是很难说清楚自己做了什么：访谈、改需求、排优先级、协调工程师、处理反馈，无数琐碎的事情叠加，回头看很难找到一个清晰完整的交付物。程序员则相对容易描述：今天交付了什么 feature，修了什么 bug，哪些测试通过了。
二者的差别在哪里？偶然看到 1973 年的一篇论文，提供了一个很好的解释。
Herbert Simon 是美国经济学家、政治学家、认知心理学家，也是人工智能和管理学的重要先驱。1973 年，他在人工智能领域的期刊 Artificial Intelligence 上发表了《The Structure of Ill Structured Problems》。
文章讨论了两类问题：结构良好的问题（well structured problem，WSP）和结构不良的问题（ill structured problem，ISP）。
通常的理解是，WSP 已经拥有相对固定、可形式化的问题空间，比如根据给定的初始状态、目标和操作规则求解一个迷宫；ISP 则需要在求解过程中不断补充和修正问题表征，比如大部分设计类项目：客户最多能提供相对清楚的预算和基本诉求，具体目标、约束与方案却要在设计过程中逐渐形成。显然，程序员的工作更贴近 WSP，产品经理的工作则更贴近 ISP。后者其实是现实世界中大多数重要问题的共同结构：很难像解函数一样拥有明确的条件与目标，而是要持续判断，现在的问题是什么，哪些约束重要，下一步该做什么。
不过，Simon 的目的并不是把 ISP 定义成一类超出人工智能能力的问题，而是反过来说明：WSP 与 ISP 之间没有清晰边界，也不需要为 ISP 发明一套性质完全不同的求解机制。
从 WSP 到 ISP
Simon 先列出通常用来判断 WSP 的条件：
- 目标和评价标准明确；
- 状态与操作可以表示；
- 相关知识能够纳入问题空间；
- 行动后果可以预测；
- 过程不只是原则上可计算，还要在现实可承受的计算量内完成。
但当 Simon 用定理证明和下棋来测试这些条件时，事情开始变得有趣。
定理证明看起来是 WSP 的极端范例：有形式规则、合法推理和机械化证明检查器。但真正困难的证明，往往需要调用元语言、模型、类比或其他领域的知识。所谓“灵机一动”，恰恰意味着引入了原先没有规定的资源。
下棋更直观。棋盘、规则、棋子和合法落子都可以被精确表示，胜负也有明确标准；可是，一步棋的价值只能通过评价函数近似，真实后果还要等对手回应后才能知道。虚拟分析中的落子可以撤销，真实棋盘上的落子却不可撤销，而且后果经常不同于预期。
所以，下棋在局部可以是 WSP，在整体却是 ISP。把一整盘棋看成一个问题，就意味着必须不断重新定义问题是什么。
Simon 由此得出一个很激进的判断：问题结构的明确性，往往是把理想化问题交给理想化问题求解者之后产生的幻觉。现实世界呈现出来的问题，最好都先视为 ISP；它们只有在被分解、形式化和准备之后，才暂时变成 WSP。
建筑师是在制造问题的结构
为了说明 ISP 如何被处理，Simon 转向了建筑师。（显然在那个年代，建筑作为“最复杂”的人造物，还在被工程领域广泛学习，与今天中国舆论对建筑土木的嗤之以鼻完全不同。）
在设计项目中，客户通常只提供预算、面积、家庭成员和房间数量等开放约束。建筑师再从长期记忆中唤起地块、风格、层数、结构和材料等信息，把“设计一栋房子”拆成总体平面、结构、屋顶、公用设施，再细分到给排水、供暖和电气。新的子目标不断唤起新的约束和备选方案，也就是说，ISP 在局部变成了一系列暂时可解的 WSP。
但局部求解也有风险：后面解决的新问题可能破坏前面已经满足的要求，某些标准甚至从未被唤起。建筑师的专业能力，因而不只是有创意，而是能够组织整个过程：合理拆分任务，设置全局参数，安排步骤顺序，保存已经出现的约束，并协调不同子问题之间的冲突。
为了说明这不是建筑师个人直觉的特例，Simon 又把它扩展到军舰设计：船体、动力、武器、导航和通信部门分别处理局部问题，最后通过跨部门会议解决冲突。长期记忆在这里被分布到组织和专家网络中。
机器人、Agent 与问题表征
论文接下来讨论智能机器人。机器人不可能记录现实的全部细节，也不可能准确预测每个行动的后果，因此必须持续吸收环境信息，修正问题表征。短期、可逆的改变叫反馈或适应；更持久的改变叫学习。
这和 2026 年的很多 Agentic AI 有异曲同工之妙。姚顺雨等人在 ReAct 中提出，让模型把 reasoning traces 与 task-specific actions 交替生成：行动不仅用于执行任务，也用于从外部环境获取信息，再据此更新计划、处理异常。这几乎构成了今天智能体系统的基本范式之一，结构上也和 Simon 的观点很接近：关键进步不是让计划更长，而是让 Agent 在“执行—反馈—识别新约束—修改问题表征”之间循环。
Simon 对棋类程序的描述正好说明了这一点：程序由候选着法产生器、预测后果的评价器，以及对手回应后的更新程序组成。它不是在整个知识库上同时工作，而是根据当前局面进入一个局部子空间，再随着反馈切换到下一个子空间。
因此，ISP 与 WSP 的差异，可能并不完全来自问题本身，而来自问题求解者拥有多大的知识库、多少计算能力，以及能否接触真实世界的反馈。任何拥有庞大潜在相关知识的问题，都可能显得结构不良。这也是原文最值得今天重读的结论。
最近关注的一些循证规划研究也有类似困境。研究告诉我们“X 影响 Y”，实践需要的却是：谁在什么约束下改变什么，如何判断成功。相比于“X 影响 Y”这类通过排除其它变量得出结论的研究，“屋顶光伏潜力识别”这类之所以一听就觉得更接近实践，是因为它形成了“屋顶识别—面积估计—项目筛选—实施反馈”的问题结构。
所以，面对复杂问题，先问：我现在到底把问题表述成了什么？能否把它切成一个局部可解的子问题？新的信息回来以后，是否愿意承认原来的问题已经变了？
除此之外，像建筑规范一样提前定义一套标准，甚至一套工作流，也很有价值。它不一定能把 ISP 彻底变成 WSP，但可以提供一个对照空间，为及时发现偏离和纠偏创造机会。
高阶能力可能不是解决所有问题，而是在不断变化的现实中，反复制造暂时可解的问题。
参考： Herbert A. Simon, “The Structure of Ill Structured Problems,” Artificial Intelligence , 4, 1973, pp. 181–201.
Shunyu Yao et al., “ReAct: Synergizing Reasoning and Acting in Language Models,” 2022.