边做边调整
完成一次改变并评估结果之后，下一步就是迭代。这一点很重要，因为一个练习很少能在第一次就设计得当。大多数系统都需要经历多轮调整才能真正改善。
在 Adaptable Discipline 中，迭代意味着从系统的实际运行中学习，并在不把整个过程变成无效折腾的前提下做出下一个有意义的改变。正是这种迭代构成了更大的节奏，将实验整合在一起。你提出一个假设，观察结果，然后让系统的下一个版本基于真实发生的事情来演进。
每次只改变一件有意义的事
当系统保持清晰可读时，迭代效果最好。如果你同时改变五件事，系统可能会出现变化，但你会失去对"究竟是什么真正起了作用"的判断能力。这个框架通常倾向于每次只做一个有意义的调整，尤其是在早期阶段。
这并不意味着系统必须永远缓慢地演进。它的意思是：清晰本身就是构建过程的一部分。你希望练习在变化的过程中能教会你一些东西。一个好的迭代周期产生的是学习，而不仅仅是变动。
追踪失败点
迭代最好的向导之一，就是最近一次的失败点。系统究竟在哪里断掉了？
是 drift 没有被察觉？是重新进入时的摩擦力太高？是结构假设的能量超出了当下能支撑的水平？是练习失去了方向？还是对这次失误的情绪解读变得过于沉重？
下一次迭代通常应该针对这个具体的失败点，而不是对整个系统发表更宏大的叙事。在实践中，这往往意味着：下一次迭代，也就是下一个实验。
保留有效的，去掉无效的
迭代不只是关于添加。它同样关乎保留、简化和剪枝。有些干预措施确实有帮助，应该保留。另一些则会带来新的负担。还有一些在某个阶段有效，到了另一个阶段却变成了多余。
一个系统变得更强，不只是因为积累了有用的部分，也因为丢掉了无用或代价过高的部分。如果你容易过度构建，这一点尤为重要。复杂性可能看起来像是进步，却在悄悄让练习变得更难以维系。迭代的作用，正是防止实验演变成无止境的堆积。
如果系统感觉已经过度构建，做一次简单的审视会有帮助：
- 保留： 让回归更省力、更清晰或更容易实现的部分
- 修改： 有帮助但需要简化或调整规模之后才能更好发挥作用的部分
- 去除： 主要带来维护负担、愧疚感或认知负荷的部分
核心问题不是某个工具当初是否看起来很聪明，而是它现在是否仍然支持回归。
过度构建的系统通常有这些预警信号：
- 你花在管理系统上的时间多于真正使用它的时间
- 重新进入需要穿越太多层级，才能到达真正的工作或修复环节
- 去掉某个部分在情感上比评估它是否有用更难
- 系统看起来井然有序，但回归依然感觉代价高昂
这些通常是结构已经越过边界、变成负担的信号。
避免反应性折腾
反应性折腾是指：每一个糟糕的日子都催生出一条新规则、一个新工具、一套新流程，或一个新的身份叙事。系统不断改变，却没有形成积累。因为没有任何东西有足够的时间或清晰度真正落地，系统始终处于不稳定状态。
迭代应该更像是打磨，而不是慌乱。你不是在试图跑赢失败，而是在试图足够了解这个系统，以便改进它。这就是实验与乱折腾之间的区别。
这也意味着，简化本身可以是一个真正的实验。如果你去掉一个层级，观察接下来发生了什么。如果回归在不失去清晰度的情况下变得更省力，那说明结构可能太重了。如果系统变得模糊或脆弱，你可能需要的是一个更轻量的替代，而不是彻底移除。
让系统教会你
一个好的练习不只是要求重复。它会产生信息。随着时间推移，你应该开始看到一些规律：
- 回归在哪里代价最低
- 系统在哪里反复断裂
- 哪类干预措施真正有效
- 什么样的条件会反复改变练习的成本
正是这一点，让这个框架变得具有成长性，而不仅仅是纠错性。系统变得更智慧，是因为你在从中学习。每一次迭代都应该让你对"下一个值得测试的假设是什么"有更清晰的判断。
方向依然重要
迭代应该让系统更可行，但不应该消解连贯性。一个练习可以变得更容易，却同时偏离了真正重要的事。这就是为什么迭代必须既关注功能，也保持与方向的连接。
问题不只是系统是否变得更容易了，而是它变得更容易的方式，是否仍然支持你想要的生活。
在评估完一次近期的改变之后使用这个练习。
- 命名最近的失败点。 系统上次究竟在哪里断掉了？不是整个故事——而是那个具体的时刻：drift 获得了优势，回归变得代价高昂，或练习失去了支撑。
- 决定：保留、修改还是去除。 对于系统中当前存在的每个元素，问一问它是否让回归更省力或更清晰。任何主要带来维护负担、愧疚感或在真正开始工作前增加步骤的部分，都是去除的候选。
- 命名一个调整。 基于这个失败点，下一个值得做的改变是什么？只限一件事。如果你在两个选项之间难以抉择，选尝试成本更低的那个。
- 检查方向。 这次迭代是否让系统更容易，同时仍然保持与重要事物的连接？如果这个改变让回归更快，却切断了与方向的联系，那是另一种问题。
这会带你到哪里： 如何稳定一个练习 是迭代开始转化为架构的地方。