《思考，快与慢》笔记：给大脑的偏差清单打个包

Sun, 08 Oct 2023 10:40:00 +0800

《思考，快与慢》笔记：给大脑的偏差清单打个包

Daniel Kahneman 的《思考，快与慢》（Thinking, Fast and Slow，2011）严格说不是一本"方法论"书——它更像一份人类认知系统的 bug 报告合集。Kahneman 是心理学家，却拿了 2002 年诺贝尔经济学奖（领奖时他的老搭档 Amos Tversky 已过世），因为这本书背后的研究直接掀了"理性人"假设的桌子。

作为工程师，我读这本书的姿势很功利：把大脑当一套系统，书里每个偏差就是一条已知的、可复现的 bug。bug 修不掉（进化写死的），但可以打监控、加护栏、写进 checklist。这篇笔记就是这个思路的产物——不是书摘，是一份偏差清单的打包分发。

全书五百多页，我把它拆成三块：双系统模型（bug 的运行时环境）、十大核心偏差（bug 本体）、工程落地（怎么在日常工作中绕开它们）。

一、全景：系统 1 和系统 2 的分工

Kahneman 把思考拆成两个"系统"——注意，这是两个虚构的代理人，是为了描述方便，大脑里没有真的两个模块，别当真去找解剖位置：

系统 1（快思考）：自动、并行、不费力气。认人脸、读母语、听到"2+2"立刻想到 4、躲开飞过来的东西。它 7×24 小时在线，关不掉。
系统 2（慢思考）：需要集中注意力、按规则运算。算 17×24、填报税表、在人群中找一个穿红衣服的人。它很懒，能不启动就不启动，启动了还会带来瞳孔放大、心跳变化这些生理代价。

关键设定是：系统 2 默认信任系统 1 给出的答案，只在"感觉不对劲"时才介入审查。而"感觉不对劲"本身也是系统 1 判断的——这就是整个偏差体系的入口。

flowchart TB
    IN["外部问题 / 决策场景"] --> S1["系统 1<br/>直觉、联想、自动激活<br/>快、省力、永不休息"]
    S1 -->|"给出直觉答案"| GATE{"系统 2 审查<br/>懒、容量有限、默认放行"}
    GATE -->|"看起来没毛病<br/>(大多数情况)"| OUT1["直接采纳直觉答案"]
    GATE -->|"感觉不对劲<br/>或任务明确要求计算"| S2["系统 2 接管<br/>规则运算、逻辑核查"]
    S2 --> OUT2["审慎结论"]
    S1 -.->|"出错路径 ①<br/>直觉本身有系统性偏差<br/>(锚定/可得性/代表性...)"| OUT1
    S2 -.->|"出错路径 ②<br/>系统 2 太累/太懒<br/>放弃审查或草率放行"| OUT1

系统 2 到底有多懒？书里最著名的一道测试题是"球拍和球"（Cognitive Reflection Test 的首题）：球拍和球一共 1.10 美元，球拍比球贵 1 美元，球多少钱？超过一半的哈佛、MIT、普林斯顿学生脱口而出 0.10 美元——正确答案是 0.05 美元（验算：0.05 + 1.05 = 1.10）。题目不难，难的是系统 2 愿不愿意起来验算一遍。这就是"认知懒惰"的常态：直觉答案先到，系统 2 看都不看就放行了。

这张图解释了为什么"我知道有偏差"并不能让我免于偏差：知道偏差是系统 2 的知识，而犯偏差是系统 1 的操作。书读完了，系统 1 一行代码都没改。所以对抗偏差的正解不是"以后注意点"，而是改造流程和环境，让偏差在触发前就被拦下——这一点贯穿本篇后面的所有落地建议。

还有一个对工程师很实际的推论：系统 2 的容量是有限的，而且会被消耗。注意力被占满时（赶 deadline、半夜 oncall、连续开会），人会更多地依赖系统 1——也就是说，你越累、越忙，越容易被偏差带走，而你偏偏在这些时刻做的决策往往代价最高。重要的方案评审别排在周五下午，重要的估算别在半夜拍，这不是养生建议，是认知带宽管理。

感悟：这套分工跟我们写系统一模一样——一个热路径（系统 1）处理 99% 的请求，追求低延迟；一个冷路径（系统 2）处理疑难 case，追求正确性但贵。所有的问题都出在流量分配策略上：本该走冷路径的请求被热路径直接应答了。性能优化的思路反过来用，就是认知纠偏的思路。

类比再推进一步：给热路径加监控告警（哪些决策类型历史上误判率高）、给高风险请求做强制路由（评审清单、双人复核）、给冷路径预留容量（重要决策安排在认知带宽充足的时间）——这三件事在认知工程和系统工程里是逐条对应的。后面第五节的三条落地实践，其实就是这套类比的展开。

二、偏差拆解（上）：直觉是怎么编故事的

这一节五个偏差，共同点是：系统 1 在回答问题时偷偷换了题目。你问它一个难的问题，它答一个容易的相关问题，然后把答案交差——Kahneman 称之为"替代问题"（substitution）。“这只股票值得买吗"被换成"我喜欢这家公司吗”；“这个候选人能胜任吗"被换成"他面试表现好吗”。配套还有一条更底层的设定，缩写叫 WYSIATI（What You See Is All There Is，所见即全部）：系统 1 只用当前可得的信息编故事，从不主动追问"我不知道的那部分有多大"。理解这两句话，下面每个偏差都只是它们的实例化。

2.1 锚定效应（Anchoring）

先给你一个无关的数字，再让你估计另一个数字，你的估计会被那个无关数字拖着走。经典实验（Tversky & Kahneman，1974）：让被试转一个被动过手脚的轮盘，只会停在 10 或 65，然后问"非洲国家在联合国中占比多少？"。转到 10 的组平均估 25%，转到 65 的组平均估 45%。一个明摆着随机的轮盘数字，把专业估计拖偏了 20 个百分点。

机制有两层：一是系统 1 会做"锚定调整"，从锚出发往下调，但总是调得不够；二是锚会激活与之一致的联想——听到 65，你的大脑会自动搜索"非洲国家占比可能很高"的证据。

锚定最阴险的地方在于它不需要锚"合理"。书里还提过类似的实验变体：即便是明说"这个数字是随机转出来的"，被试照样被锚住。系统 1 对接收到的数字一视同仁地激活联想，理性与否是系统 2 的事，而系统 2 经常缺席。

工程里最鲜活的例子就是排期谈判：第一个说出口的工期数字就是锚。老板说"这个两周能搞定吧"，你后面所有的挣扎都只是在 2 周基础上"调整"，而不是从任务本身出发估算。反制手段也简单：别让对方先开口。谈判前先自己做完独立估算，写下来，再去听别人的数字——锚一旦先进了你的脑子，再拔就难了。

2.2 可得性偏差（Availability）

判断一件事的发生频率或概率时，系统 1 用的启发法是"我能多快想起例子来"。想得起 = 常见。问题在于记忆的提取难度和真实频率并不相关——媒体大量报道的事件（空难、恐怖袭击）会被高估，平淡的、不报道的（车祸、普通疾病）会被低估。

书里还有个微妙的版本：让被试列举自己"果断"的例子，列 6 条的组觉得自己挺果断，列 12 条的组反而觉得自己不果断——因为列到后面想不出来了，“想不出来"这个体验本身成了证据。系统 1 用的不是例子的内容，是提取例子的流畅感。

技术选型是这个偏差的重灾区。“XX 数据库最近总看到翻车帖"和"XX 数据库真实故障率”，是两件完全不同的事，但评审会上站出来发言的人，手里举的永远是前者。写翻车复盘文章的公司是少数，沉默的大多数不构成"可得"的记忆。反制手段就一句话：查数据，别查记忆——选型前先问"有没有统计口径的对比”，没有就承认自己在凭印象下注。

2.3 代表性偏差（Representativeness）与基础概率忽视

系统 1 判断"A 属于类别 B 的概率"靠的是"像不像"，而不是统计学意义上的概率。像 = 概率高。这直接导致两个连环错误：

基础概率忽视（Base Rate Neglect）：给一段人物描述"害羞、细致、爱整洁、喜欢条理"，问这人是图书管理员还是农民？绝大多数人说图书管理员——完全无视美国农民数量是图书管理员的几十倍。描述再"像"，也架不住基数差几个数量级。

合取谬误（Conjunction Fallacy），就是著名的 Linda 问题（Tversky & Kahneman，1983）：

Linda，31 岁，单身，性格直率，非常聪明。大学主修哲学，在校期间深切关注歧视与社会公正问题，还参加过反核示威。

问：哪个更可能？① Linda 是银行柜员；② Linda 是银行柜员，并且是女权运动的活跃分子。绝大多数被试选 ②。但 ② 是 ① 的子集——“柜员且女权"的概率不可能大于"柜员”。细节越丰富、故事越"像"，系统 1 就越觉得可信，哪怕逻辑上概率在变低。

这个实验当时遭到了不少学界的反弹，后续研究者换着花样验证——把选项写成"① 柜员且女权；② 柜员（无论是不是女权）"，照样有人选错；找统计系的研究生来做，正确率也只是从惨不忍睹变成勉强及格。Kahneman 在书里的总结很到位：这不是知识问题，是直觉系统对"生动叙事"的偏好压过了逻辑规则。

感悟：合取谬误在工程里的化身是"事故报告写得越详细越显得可信"。一个把因果链讲得丝丝入扣的事后分析，往往比一个诚实的"我们也不确定"更能说服人——而前者恰恰更可能是编的。详细的叙事 ≠ 高概率，这是评审任何复盘材料时该挂在墙上的话。

基础概率忽视在工程里还有个日常版：监控告警响了，“看起来像数据库连接池耗尽”，于是直接去查连接池——但这类症状的历史分布里，七成其实是上游流量突增。“像不像"是最贵的诊断方式，先查历史分布（这类告警八成是什么引起的）再动手，平均能省一半的定位时间。

2.4 回归均值（Regression to the Mean）

这是全书里我觉得最反直觉、也最容易被误用的一条。Kahneman 自己的故事：他给以色列空军飞行教官讲课，说奖励比惩罚更能促进行为改善。一位教官反驳：“你说反了。学员飞得特别好的时候我夸他，下次准飞得差；飞得砸的时候我骂他，下次准飞得好。骂就是比夸管用。”

真相是：飞行表现围绕一个均值随机波动，一次超水平发挥之后，下一次大概率回落；一次砸锅之后，下一次大概率回升——跟骂不骂没关系。教官观察到的是纯粹的回归均值，却归因给了自己的奖惩。这个案例的杀伤力在于：那位教官有一辈子的"数据”，每一架次都"验证"了他的结论，而他错得彻头彻尾。

工作里的翻版比比皆是：团队某次线上事故后狠抓一波流程，下个季度事故果然少了——是流程见效，还是事故本来就在均值附近波动？不做对照，你永远分不清。同样的结构还有：给绩效最差的团队派帮扶专家，下季度他们"果然"好转了；球员上了《体育画报》封面后表现下滑（著名的"封面魔咒"），其实不过是巅峰表现之后的自然回落。凡是"极端值 + 干预 + 好转"的叙事，先按回归均值打折，再谈干预效果。

这一条之所以重要，是因为它专门腐蚀"经验"。那位飞行教官不是不聪明，他是被真实数据骗的——数据不会说话，解释才说话，而系统 1 永远优先提供"我的干预有效"这个解释。对抗它的唯一办法是流程化的：干预前后设对照、看更长的窗口、或者干脆承认小样本上什么也证明不了。

三、偏差拆解（下）：人是怎么做选择的

这一节五个偏差，发生在"权衡收益与损失、预测未来、回看过去"的场景里。如果说上一节的偏差是"系统 1 答错题"，这一节的偏差就是"系统 1 在计价时动了手脚"——同样一笔钱、同一段时间、同一个结果，换了个位置（我的/不是我的、得到的/失去的、事前/事后），大脑给出的估值完全不同。

3.1 损失厌恶与前景理论（Prospect Theory）

这是 Kahneman 和 Tversky 1979 年提出的理论，也是整本书的学术内核。核心就一句话：损失带来的痛苦，大约是等量收益带来的快乐的两倍（损失厌恶系数约 2:1，不少实验测出来在 1.5-2.5 之间）。

经典赌局实验：抛硬币，正面你赢 150 美元，反面你输 100 美元，玩不玩？期望收益是 +25 美元，纯理性该玩——但绝大多数人拒绝。要让多数人愿意上桌，赢的金额得加到 200 美元左右，即潜在收益得约两倍于潜在损失，赌注才显得"公平"。

flowchart LR
    subgraph 传统期望效用
        A["输赢按金额线性计价<br/>100 元 = 100 元"] --> AR["理性人:<br/>+25 期望就该玩"]
    end
    subgraph 前景理论
        B["价值函数:<br/>参照点以上凹(怕失去)<br/>参照点以下凸且更陡"] --> BR["损失 -100 的痛感<br/>≈ 收益 +200 的快感<br/>(损失厌恶 ≈ 2:1)"]
    end
    A --> C["关键修正:<br/>人评估的是'相对参照点的得失'<br/>不是绝对财富"]
    B --> C

前景理论还有一个推论经常被人忽略：得失是相对"参照点"说的，而参照点是可以被话术移动的。“你这单能省 500"和"你再不下单就亏 500"是同一笔钱，后者杀伤力大得多——因为后者把参照点设在了"已拥有”。

损失厌恶在日常工程决策里最常见的表现是"不敢动"：明知某个服务该下线、某段代码该重写，但"动它有风险、出问题算我的"的损失感，永远压过"改完长期受益"的收益感——哪怕后者期望值为正。这时候有个好用的思维工具：把决策翻译成"如果今天从零开始，我还会选现状吗？" 不会，就说明你在为损失厌恶付费，不是在为理性付费。

3.2 禀赋效应（Endowment Effect）

一旦某样东西被算作"我的"，放弃它的痛苦立刻按损失计价。经典实验（Kahneman, Knetsch & Thaler，1990）：随机把马克杯发给一半被试，然后让有杯子的人报价卖、没杯子的人报价买。按理性假设两边的估价应该接近，结果卖家的要价中位数大约是买家出价的两倍。杯子还是同一个杯子，“拥有"这个动作让它的价值翻倍了。

工程里的禀赋效应：自己写的代码、自己选的技术栈、自己定的方案。Code review 里的本能防御、重构旧系统时的心疼，都是同一个机制——你把"我的产出"从收益账本挪进了损失账本。有个很实用的小练习：评审自己的方案前，先假设作者是隔壁组一个你不熟的人，再看一遍。很多"绝不能改"的设计，换了个署名就变成了"这也能忍？"。

附带一提，禀赋效应也是谈判和协作的润滑剂原理的反面：让别人先在方案里"留下指纹”（采纳他的一个命名、沿用他的一段接口），他对整个方案的敌意会显著下降——方案有一部分变成"他的"了。这不是操纵，是承认人的计价方式本来如此。

3.3 规划谬误（Planning Fallacy）

Kahneman 自曝的案例，堪称全书最诚实的一段。多年前他参与一个团队，为以色列教育部门设计一门判断与决策课程并编写配套教材。开工时团队内部估算：大约 2 年完工（估计在 1.5 到 2.5 年之间）。Kahneman 突然想起该问一句"别的团队做同类课程花了多久"，于是问了课程专家——答案是：类似项目从未有低于 7 年的，大约 40% 的团队最终直接放弃，完成的也普遍用了 7 到 10 年。而且没人认为他们这个团队比那些失败的团队强。

然后呢？团队知道后，照样按原计划干了下去。最终这个项目用了 8 年才完成，而那时教材已经没什么使用价值了。

规划谬误的结构很清晰：估算时只盯着"我这个项目的内部情况"（内部视角），拒绝看"同类项目的历史分布"（外部视角）。对策 Kahneman 也给了，叫参照类预测（Reference Class Forecasting）：先找同类项目的历史数据定基准，再根据本项目的特殊性做微调。

这个方法后来被正式用于英国的大型基建项目评估——伦敦奥运、高铁项目的预算审批都被要求引入参照类数据，因为公共工程的超支史实在过于壮观。书里没细讲，但结论是一致的：任何"这次不一样"的信念，都应该先接受历史分布的拷问。

顺便说一句，这个案例里还有个细节特别真实：团队听完"同类项目都 7 年起、四成烂尾"之后，没有一个人提议重新评估要不要继续干。信息被接收了，但没有被采纳——知道和行动之间，隔着一整本这本书。

3.4 后见之明偏差（Hindsight Bias）

事情发生之后，人会觉得"我早就知道会这样"。这不是装，是真实的记忆扭曲——知道结果后，大脑会重构之前的记忆，让结果显得不可避免。Kahneman 的说法很刻薄：这会让我们对决策质量的评估完全错位——评价一个决定不看决策时的信息和过程，只看结果好不好（结果论，outcome bias 的近亲）。

工程上的重灾区就是事故复盘。“这么明显的问题当初怎么没发现？"——因为当初它有几百个同样"明显"的候选问题，只是别的没炸。不复盘当时的已知信息分布，复盘就退化成甩锅大会。

后见之明还有个副作用经常被忽视：它让后来者无法从事故里真正学习。如果记忆里事故是"显而易见且本该避免的”，那学到的东西只有一句"下次仔细点"——等于没学。只有把记忆还原回"当时看起来模棱两可"的状态，才能问出有价值的问题：当时缺的是什么信号？这个信号下次怎么提前暴露？

3.5 过度自信（Optimistic Overconfidence）

顺带一条：规划谬误的深层燃料是过度自信。Kahneman 在书里说，如果让他选一个"最该被消除的偏差"，他选过度自信。专家的预测准确率经常接近掷硬币，但自信程度一点不打折——知道得越多，编的故事越连贯，故事越连贯，越自信；而故事的连贯性和真实性之间，没有半毛钱关系。

书里有个压得住场的实证：Tetlock 对二百多位政治、经济专家的长期追踪研究（历时约二十年，收集了几万个预测）发现，专家对各自领域长期走向的预测准确率只比随机略好——用 Kahneman 转述的话说，“掷飞镖的黑猩猩"就能和他们打个平手，而预测越自信的专家往往错得越离谱。专家的自信不是准确率的信号，只是叙事流畅度的信号。

工程版的过度自信在容量预估和故障域判断上最常见：“这个量级肯定扛得住"“问题肯定出在 XX 层”。给自己立的一个规矩是：任何"肯定”，都必须配一个打脸条件——“肯定扛得住，除非单实例 QPS 超过 X”。写不出打脸条件的自信，就是系统 1 在编故事。

四、偏差速查表

把上面的内容压成一张表，适合打印出来贴在工位上。用这张表的姿势是"对号入座”：做哪类决策之前，先扫一眼对应的行——它不是知识清单，是触发器清单。

偏差	一句话机制	高频翻车场景	一句话对策
锚定效应	先出现的数字拖走后续估计	排期谈判、报价、性能指标对齐	自己先备好独立估算，别让对方先开口
可得性偏差	想得起 = 发生得多	风险评估、技术选型（“最近老看到 XX 翻车”）	查数据，别查记忆
代表性偏差	像 = 概率高	根据"画像"判断候选人/问题归属	强制问一句：基数是多少？
合取谬误	故事越细越信	事故归因、需求评审里的"完整用户故事"	细节越丰富的因果链越要警惕
基础概率忽视	忽略先验分布	招聘、故障定位、A/B 结果解读	先报 base rate，再谈个案特征
损失厌恶	亏的痛感 ≈ 赚的快感 ×2	不敢下线下线功能、沉没成本追加投入	把决策翻译成"从零开始还选它吗"
禀赋效应	是我的就值钱	护着自己的代码/方案不放	评审时假设作者是别人
规划谬误	只看内部视角估工期	一切项目排期	参照类预测：同类项目花了多久？
后见之明	出事后觉得早有预兆	事故复盘、绩效评估	复盘只评估决策时的信息与过程
回归均值	极端值之后自然回落	绩效"干预见效"、骂完就进步	看长期分布，别看单次起伏
过度自信	故事顺 = 把握大	专家拍脑袋、容量预估	给结论配一个置信区间和打脸条件

五、落到工程实践：给流程打护栏

前面说了，知道偏差 ≠ 免于偏差。真正有用的是把对策外置到流程里，让系统 1 没机会上场。我自己在用/在推的有三条：

① 评审清单（Review Checklist）前置。

设计评审和技术方案评审最容易中代表性偏差和合取谬误——一份写得漂亮的方案天然显得靠谱。我们的做法是在评审 checklist 里加几条"反直觉"项：

这个方案的 base rate 是什么？同类方案/同类系统的失败率有多高？
方案里最乐观的假设是哪一条？它错了的话，代价是什么？
细节最丰富的因果链，有没有可能是编的？（合取谬误检查）
这份方案如果是竞争对手写的，我的评价会一样吗？（禀赋效应检查）
拍板之前，有没有哪个该咨询的人还没被咨询过？（WYSIATI 检查）

清单的价值不在于发现问题，在于强制系统 2 开机。还有个执行细节：这几条必须由"方案作者以外的人"来问——让作者自查偏差，等于让系统 1 审查系统 1。

② 估算加参照类缓冲。

排期时强制走两步：先报"内部视角"的估算（拆任务、加总），再报"外部视角"的基准（过去五个类似项目实际花了多久，平均超期多少）。两个数摆在一起，最终排期取外部视角为锚、内部视角做微调。

flowchart LR
    T["新任务排期"] --> V1["内部视角<br/>拆任务、加总工时<br/>(系统 1 主场的乐观估计)"]
    T --> V2["外部视角<br/>同类项目历史实际耗时<br/>平均超期率"]
    V1 --> CMP{"对照<br/>差多少? 为什么?"}
    V2 --> CMP
    CMP --> F["最终排期<br/>以外部视角为锚<br/>内部视角做微调"]

实操里我们组的内部估算平均比实际乐观 40% 左右——这个 40% 本身就是参照类数据，是规划谬误的量化。缓冲不是拍脑袋乘 1.5，是用自己团队的历史超期率算出来的。

③ 复盘去后见之明。

事故复盘立一条规矩：所有"当初怎么没发现 XX"的讨论，必须补充回答"当时已知的、和 XX 同样可疑但没出事的问题有哪些"。这一条直接掐灭后见之明——它把记忆拉回到决策时点的不确定性里。复盘材料里禁止出现"显而易见"“早就应该"这类词，除非能证明当时的信息足以支撑这个判断。评价决策质量看过程，不看结果；运气好的烂决策要批，运气差的好决策要认。

执行这条规矩时有个实操细节：复盘会上先让参与者各自写下“事发前自己真实的判断是什么”，再开始讨论。不写下来，讨论开始五分钟后，所有人的记忆就会收敛到"我当时就觉得要出事”——后见之明是即时生效的，写得慢一步就来不及了。

这三条有一个共同的形态，值得点破：它们都是"把关键动作提前到偏差生效之前"。checklist 在方案动笔前立好，独立估算在听到别人的锚之前写完，真实判断在结果揭晓之前记下。纠偏的正确时机永远是事前，因为事后的你已经不是当时的你了。

六、思考与感悟

偏差是特性，不是缺陷。 系统 1 的启发法在进化环境里是高效近似，是 modern world 的统计结构让这批近似失效了。所以别抱着"消灭偏差"的心态读这本书，那不现实；正确的心态是像对待第三方库的已知 issue 一样：文档里写清楚 workaround，关键路径上绕开。
个人层面的纠偏收益很低，组织层面的纠偏收益很高。 Kahneman 自己说过，他研究了一辈子偏差，自己该犯照犯。但流程不会犯——checklist、参照类估算、复盘规矩这些东西不需要意志力，它们是把纠偏成本从每次决策转移到了一次性的流程设计上。这跟"与其教育用户别点钓鱼链接，不如默认开二次验证"是同一个工程哲学。
这本书改变了我读数据的方式。 以前看到"上季度事故下降 30%“会觉得干得漂亮，现在第一反应是问：基线方差多大？是不是回归均值？是不是定义改了？不是抬杠，是损失厌恶的镜像——好消息也需要通过同样严格的审查，而系统 1 天生只审查坏消息。
警惕"偏差列表"本身成为新的锚。 带着偏差清单看世界，容易看谁都像偏差——别人不同意我，一定是他锚定了/禀赋效应了。这本身就是一种可得性偏差。清单是用来审自己的决策流程的，不是用来给别人贴标签的。
这本书的最佳读法是"隔几年重读一遍”。 第一遍读案例，觉得新鲜；工作几年后再读，每个案例都能对上自己踩过的坑——排期乐观、复盘甩锅、护着自己的方案不放，一个不落。它不像技术书会过时，因为书里写的这套"硬件"几十万年内都不会升级。

本篇小结

双系统模型是全书的地基：系统 1 快而偏、系统 2 懒而贵，偏差的本质是该走系统 2 的决策被系统 1 截胡了；
十大核心偏差按场景分两类：判断类（锚定、可得性、代表性、合取谬误、基础概率忽视、回归均值）和选择类（损失厌恶与前景理论、禀赋效应、规划谬误、后见之明），速查表见第四节；
关键史实案例：Linda 问题证明故事细节能压倒概率逻辑；轮盘实验证明无关数字能拖走估计；飞行教官证明"骂比夸有效"是回归均值的错觉；编教材的 2 年变 8 年证明内部视角系统性乐观；赌局实验测出损失厌恶约 2:1；
落地三件事：评审清单强制系统 2 开机、估算用参照类预测加缓冲、复盘用"当时的已知信息"去后见之明；
一句收尾：知道所有偏差依然会被骗，所以把纠偏写进流程，别写进愿望。

这本书值得放在手边常翻。技术书教你怎么让系统不犯错，这本书教你承认：决策系统里最不稳定的那个组件，一直是你自己。

行为经济学 on 方糖猫Blog

《思考，快与慢》笔记：给大脑的偏差清单打个包

《思考，快与慢》笔记：给大脑的偏差清单打个包

一、全景：系统 1 和系统 2 的分工

二、偏差拆解（上）：直觉是怎么编故事的

2.1 锚定效应（Anchoring）

2.2 可得性偏差（Availability）

2.3 代表性偏差（Representativeness）与基础概率忽视

2.4 回归均值（Regression to the Mean）

三、偏差拆解（下）：人是怎么做选择的

3.1 损失厌恶与前景理论（Prospect Theory）

3.2 禀赋效应（Endowment Effect）

3.3 规划谬误（Planning Fallacy）

3.4 后见之明偏差（Hindsight Bias）

3.5 过度自信（Optimistic Overconfidence）

四、偏差速查表

五、落到工程实践：给流程打护栏

六、思考与感悟

本篇小结