研究计划里写着“清理数据、估计模型、解释结果”，工作却不一定按这个顺序结束。模型跑出来，可能发现变量定义不合适；结果解释到一半，可能需要回头核对样本；读到一篇新文献，前面已经完成的步骤又有了新的问题。任务确实做过了，但那个完成勾选，已经不足以说明接下来该做什么。
科研中的难处，是很多下一步要等前一步做完才知道。我们可以安排今天的分析，却很难在开始时预知它会提出什么问题。一个只允许任务从待办走向完成的计划，碰到这种变化时，很容易与实际工作分开：清单还在往前，研究已经需要回头。
“在不可计划中计划”，说的就是在这样的不确定性里安排工作。完整路径可以逐步形成，当前要解决的问题、已有成果和需要作出的判断，则可以先组织起来。我们正在把 Planar 接入 Marx Max，围绕这个思路设计任务之间的反馈关系，也让人和 AI 在同一份计划里分工。
科研计划为什么总会变？
一个研究问题并不自动给出全部操作步骤。要比较两个群体，需要先了解数据有没有相应信息；要检验某种机制，需要考虑变量能否表达它；要解释一个估计结果，又可能需要补充新的比较。执行带来了信息，信息反过来改变执行安排。计划因此会随着研究向前推进而修订。
Understanding Science 对科学过程的说明也强调，科学并非统一的线性配方，调查活动可以按不同次序展开，结论会随证据修订。这为理解研究的往返提供了背景。放到任务管理里，我们的判断是：计划除了记录动作，还可以记录什么条件支持继续、什么发现会使前面的工作重新成为问题。
例如，“完成回归”可以很明确：读入数据，按照指定模型计算，保存输出。但“这个模型是否回答了研究问题”，需要结合样本、变量和方法讨论。第一项结束，不一定意味着第二项也结束。如果计划只留下一个完成状态，就容易把已经执行与已经理解合在一起。
因此，真正难以提前计划的，是探索会走向哪里。已经明确的工作仍然可以安排，有稳定流程的部分也可以自动化。研究计划的作用，是让这些确定部分与尚待判断的部分能够一起推进，而不是要求探索从第一天起就服从一条固定路线。
把返回前一步写进计划
假设一项实证分析暂时分成四个任务：确定变量含义、构造估计样本、比较模型、解释结果。这个例子用于说明计划关系，不是某位用户的实际研究记录。最初的安排可以写成：
到了模型比较阶段，发现两组估计使用了不同数量的观测。问题可能来自样本处理，而不仅是加入控制变量之后的模型变化。此时，继续完成解释任务，可能只会把尚未查清的差异写成一个结论。更合适的下一步，是回到构造样本的任务，核对缺失值与筛选规则。
这时，计划里出现了一条反馈关系：
用更一般的形式表达，就是当前任务发现一个前序问题，再将问题带回相关任务：
这里的前序任务不必总是紧邻的一步。如果问题来自变量含义，也可能回到更早的节点。重要的是反馈有明确对象：哪里出现了问题，为什么需要返回，返回之后要补充什么。研究者接下来面对的就不是一句笼统的“重做”，而是一项可以继续处理的工作。
在 Planar 的反馈设计中，问题可以带回指定任务，重开相关检查项，或者新增一个待确认项。已经有效的部分保留下来，返工范围围绕问题展开。回头并不意味着整项研究失败，也不意味着所有已经完成的工作都要清零；它可以成为计划本来就能表达的一种推进方式。
前面的工作改了，后面的成果也要重新看
返回前一步之后，还会出现一个问题：哪些已有结果受到影响？如果样本构造修正了，基于原样本计算的回归表、图和解释，就可能需要重新核对。单独把样本任务改成未完成，未必能让人看出这些后续结果与它的关系。
所以，任务之间除了顺序，还需要说明成果怎样被使用。哪一份数据供哪个模型计算，哪一组结果用于哪段解释，这些关系可以帮助确定复核范围。前序成果变化之后，下游任务知道自己使用的依据发生了变化，研究者也更容易找到接下来要检查的部分。
Planar 的设计分别表达继续工作的条件、成果的使用关系，以及返回前序任务的反馈。它们对应不同问题：条件关系说明什么时候可以推进，成果关系说明当前计算依据什么，反馈关系说明出现疑问后到哪里继续处理。将这些关系放在同一个计划里，是我们认为它适合科研的一项理由。
这不等于一次变化就自动作废所有下游工作。一个变量名称的修正与一个样本定义的修改，影响可能完全不同。把相关任务标为需要复核，给人一个讨论影响的入口，比替研究者提前断言全部正确或全部失效，更符合这种工作方式。
在循环里安排人和 AI 的工作
当 AI 加入研究，计划还要表达谁来完成当前工作。数据检查、程序编写和指定条件下的模型比较，可以交给 AI 协助；变量究竟代表什么、哪一种比较更接近研究目标、当前证据能支持怎样的解释，则需要研究者参与判断。这种分工可以随着任务变化调整，而不是只在项目开始时确定一次。
仍以样本差异为例，AI 可以先列出两组模型的观测数，追查观测在哪一步退出，再提供一致样本上的比较。研究者看过这些结果后，判断哪一组样本适合当前问题。如果还需要更多信息，就新增任务或反馈；条件明确之后，AI 再据此继续计算。
这里的人参与，不只是最后点击一下确认。一个关键判断可以成为计划中的任务，写明需要哪些材料、由谁决定，以及决定之后哪项工作能够继续。AI 暂时无法解决的事情也可以停在这里，把阻碍和已有结果留下，交给人判断，而不是为了继续执行自行补上研究条件。
我们正在接入的 Planar 将主要负责人、协作者和验收分工作为任务的一部分。AI 可以更新工作进度、报告受阻和提交结果，结果交付与人工接受分开记录。计划表达分工与进展，具体任务的启动和执行仍取决于当前协作安排；给任务指定负责人，并不等于所有任务会在后台自动运行。
这样，人和 AI 讨论的可以是同一项任务，而不是各自维护一份清单。需求调整、已有成果和反馈围绕这个任务保留，下一次继续工作时，双方有共同的依据。我们希望减少的是反复交代“现在做到哪里、为什么要重做”，让讨论更多地放在当前需要解决的问题上。
差别不只是多一条反馈箭头
复杂任务管理并非科研独有。Asana 提供任务依赖，ClickUp 的 AI 工具也能管理任务、评论和依赖关系。因此，不能把 Planar 的理由简化成“其他工具都只有打勾”。如果现有系统已经能清楚表达研究过程，也未必需要为它再增加一套维护工作。
我们想解决的是一种具体使用中的错位：把研究当作一批预先确定、做完便结束的动作，而研究实际会通过结果反馈不断改变问题和安排。Planar 的设计将返工、成果复核和人机分工放在同一个工作现场，让这些变化可以成为计划的一部分。它的价值需要在这种场景里看，而不是用功能数量比较。
对一项流程稳定的事务，简单清单可能已经足够。对需要反复判断、返回和交接的研究，反馈关系则提供了另一种组织方式：做完一步之后，不仅留下完成记录，也留下下一步为什么继续、为什么暂停，或者为什么回头的依据。这正是我们选择这套设计的出发点。
让计划跟得上发现
“在不可计划中计划”不要求预测一项研究的全部转折。它更关心，当转折发生时，工作能否被重新组织：问题回到相关任务，受影响的成果等待复核，需要人的判断有明确位置，AI 根据新的条件继续协助。下一步可以变化，已经取得的理解和成果则不必因此散掉。
Planar 在 Marx Max 中的接入还在推进。我们希望用反馈循环与人机分工，让研究计划更接近研究实际发生的样子。它是否减少了重复交代、遗漏与无效返工，要由具体工作来检验；而设计上的选择已经很明确：把发现新问题之后的返回，也算作研究向前推进的一部分。