1. 贝叶斯思维
Bayesian Thinking — 用新证据校准你的信念
中文详解
贝叶斯思维的核心机制是：任何信念都不是 0/1 的判断，而是一个概率分布。当新证据到来时，你不该推翻原有判断，而应按 后验概率 ∝ 先验概率 × 似然度 来更新。先验是你今天的认知，似然度衡量"如果假设为真，看到这个证据的可能性有多大"。这把决策从"对/错"变成"多大概率对"。
非显然的洞见在于：先验越极端，越难被单一证据撼动；先验越模糊，越易被噪音绑架。因此真正的高手不是"中立"，而是有合理强度的先验 + 对反证据的高敏感。另一个反直觉点：阴性证据与阳性证据等价——没看到的事情同样在更新你的信念。
实操方法：决策前显式写下三件事——①先验概率（百分比）②你认为哪类证据应该使概率上调或下调③上下调的幅度。事后复盘真实更新过程，与直觉对比，找出系统性偏误。
经典例子：体检发现某种罕见病（人群发病率 0.1%）检测呈阳性，检测准确率 99%。直觉以为患病概率 99%，贝叶斯算出真实概率不到 10%——因为先验太低，假阳性数量远超真阳性。
场景 · BigCat：你在评估一个 AI 早期项目。先验：同类项目五年存活率 15%。但创始团队三次主动展示反向数据（"哪些用户不复购"）——这种"主动暴露弱点"的行为，在低质量团队中出现概率极低（似然度对比悬殊），后验存活率应显著上调至 35-40%。
孩子说"我数学不行"。先验是孩子近期一次单元测试不理想（70 分），但你掌握的更长期证据——每周自主刷题、解题路径清晰——是与"数学不行"低度兼容的证据。这时应抗拒情绪化的先验滑动，把"我不行"重新校准为"我对这一章节的某个子点有 80% 概率存在具体卡点"——一个可解决的问题。
English Summary
Bayesian Thinking treats beliefs as probability distributions, not binary verdicts. Each new piece of evidence — including its absence — multiplies your prior by a likelihood ratio to yield an updated posterior. Strong priors resist single data points; vague priors get hijacked by noise. The discipline: write priors explicitly, specify what evidence would shift them, and reconcile actual updates against intuition.
AI Prompts
中文模板
请帮我用贝叶斯思维分析以下决策：[决策内容]。
我当前的先验判断是 [概率%]，依据是 [理由]。
新出现的证据是 [证据描述]。
请：1) 评估这个证据在"假设成立"与"假设不成立"两种情形下出现的相对概率（似然比）；2) 计算更新后的后验概率；3) 指出我可能忽略的反向证据；4) 给出 3 个能进一步显著更新概率的关键观察点。
English Template
Apply Bayesian reasoning to my decision: [decision].
My current prior is [X%], based on [reasoning].
New evidence: [evidence].
Please: 1) Estimate the likelihood ratio; 2) Compute the updated posterior; 3) Flag disconfirming evidence I may have overlooked; 4) List 3 future observations that would most efficiently update this belief.
2. 黑天鹅
Black Swan — 那些"不可能发生"的事，才决定结局
中文详解
黑天鹅事件的三个特征：①极度罕见（在已知样本之外）②冲击巨大（决定系统走向）③事后被合理化（"早该看出来"）。机制根源是世界并非正态分布——它常常是幂律分布（Power Law）。在幂律世界里，平均值是骗人的：少数极端事件贡献了绝大部分总量。
反直觉的洞见：风险管理不应聚焦"最可能发生的情况"，而应聚焦"如果它发生，我是否会被一击毙命"。这就是 Taleb 的"遍历性"问题——一个赌局期望值为正，但只要一次破产就清零的策略，长期注定失败。另一个常被忽视的点：黑天鹅有正负两面——正向黑天鹅（一笔投资百倍回报）同样存在，关键是结构上是否能接住它。
实操方法：①用"压力测试"代替"概率预测"——不问会不会发生，问发生了能否承受；②保留杠铃式资产配置（极度安全 + 极度高风险，避开中间地带）；③设置"绝不"清单：永远不让任何单一变量能摧毁你 80% 的资产/精力/健康。
经典例子：2008 年次贷危机前，所有银行模型显示房价下跌超过 20% 的概率近乎为零——历史数据从未出现。但模型用的是历史窗口，而非系统性结构脆弱性。一旦发生，全球金融系统几近崩盘。
场景 · BigCat：2022 年底 ChatGPT 发布对于知识工作者是典型的正向黑天鹅。在它发生前，多数人的职业模型基于"AI 只能做窄域任务"。事后人人都说"早该看到 Transformer 的潜力"，但事前真正下注的极少。能否承接正向黑天鹅，取决于你是否预先建立了"可放大的杠杆结构"——例如个人内容资产、跨领域学习习惯、技术敏感度。
规划孩子教育时，传统路径假设"未来 15 年职业格局相对稳定"。但 AI 的迭代速度本身就是黑天鹅源。与其下重注于某一具体技能，不如下注于"反脆弱型能力"：元学习、提问能力、与 AI 协作的判断力、心理韧性。这是把不可预测性内化为教育策略的一部分。
English Summary
Black Swans are rare, high-impact, retrospectively-rationalized events that dominate outcomes in power-law systems. Forecasting their probability is futile; engineering survivability is not. Apply barbell strategies — extreme safety paired with bounded high-risk exposure — and maintain a "never" list that prevents any single variable from inflicting irreversible loss. Position structurally for positive Black Swans as well: optionality compounds.
AI Prompts
中文模板
请帮我对以下计划/系统做黑天鹅压力测试：[计划描述]
请分别列出：1) 3 个负向黑天鹅情景（罕见但毁灭性）；2) 3 个正向黑天鹅情景（罕见但巨大利好）；3) 当前结构中能"一击致命"的单点脆弱性；4) 为同时降低负向风险、提高正向暴露的杠铃式调整建议。
English Template
Stress-test the following plan for Black Swan exposure: [plan].
Please provide: 1) Three plausible negative tail scenarios with cascading effects; 2) Three positive tail scenarios I could structurally capture; 3) Single points of failure that could cause ruin; 4) A barbell-style restructuring to reduce downside while preserving upside optionality.
3. 反脆弱
Antifragility — 不只是抗压，而是从压力中变强
中文详解
Taleb 区分了三种状态：脆弱（fragile，受压则碎）、坚韧（robust，受压不变）、反脆弱（antifragile，受压则强）。反脆弱系统的数学特征是：对波动的响应函数是凸函数——上行收益的斜率大于下行损失的斜率。生物进化、肌肉训练、创业生态、免疫系统，都是反脆弱的典型代表。
反直觉的洞见：过度保护反而制造脆弱。无菌环境削弱免疫力，零失败教育摧毁韧性，永不波动的市场积累系统性风险。"稳定"常常是脆弱的伪装——它把小风险积压成大风险。另一个洞见：反脆弱不是免于打击，而是把每一次打击转化为信息和适应。
实操方法：①控制下行（设止损/保险/退路），让上行无限敞开；②有意暴露于小剂量、可恢复的压力源；③用多个低相关性的小赌注代替一个大赌注；④定期复盘每次"打击"带来了什么新信息，让系统从中学习。
经典例子：肌肉训练。轻微撕裂（压力）触发超量恢复，使肌肉变得更强。如果完全不锻炼（避免压力），肌肉萎缩；如果一次性过载（不可恢复的损伤），则受伤。反脆弱的关键：可控剂量 + 充分恢复。
场景 · BigCat：把"AI 超级个体"的学习系统设计成反脆弱——每周用 20% 时间故意尝试有 50% 失败率的新工具/新提示词/新工作流。失败的 10% 是廉价学费，成功的 10% 中可能有 1-2 个变革性发现（凸函数收益）。相反，只用已掌握的工具会让能力随技术演进而相对萎缩——这是隐藏的脆弱。
孩子考试失利时，脆弱的回应是焦虑/补习/降低难度；反脆弱的回应是把失分点变成具体的诊断信息——这道错题暴露了哪个底层概念的薄弱？把每一次"失败"重构为一次免费的诊断扫描。长期看，能从波动中提取信息的孩子，比成绩一直稳定的孩子拥有更强的能力曲线。
English Summary
Antifragility is a step beyond robustness: systems that gain from disorder, volatility, and stressors via convex payoffs. Overprotection — sterile environments, failure-free trajectories, suppressed volatility — manufactures hidden fragility. Engineer antifragility by capping downside, exposing yourself to small recoverable stressors, diversifying into many low-correlation bets, and treating every shock as a free diagnostic signal.
AI Prompts
中文模板
请用反脆弱框架审视我的 [系统/项目/习惯]：[详细描述]
分析：1) 它目前属于脆弱、坚韧还是反脆弱？依据是什么？2) 哪些隐性"过度保护"在制造长期脆弱？3) 我可以引入哪些可控的小剂量压力源（凸性暴露）？4) 给出一份为期 30 天的反脆弱化改造清单。
English Template
Apply the antifragility framework to my [system/project/habit]: [description]
Analyze: 1) Is it fragile, robust, or antifragile, and why? 2) Which hidden over-protections are accumulating long-term fragility? 3) What small, recoverable stressors could introduce convexity? 4) Provide a 30-day antifragility retrofit plan with measurable signals.
4. 期望值思维
Expected Value Thinking — 决策的几何中心
中文详解
期望值的基本公式：EV = Σ (概率 × 结果值)。它的核心思想是把单次结果与决策质量分离——一次决策可以正确（正期望值）但结果失败，也可以错误（负期望值）但侥幸成功。长期看，只有期望值才能复利。
非显然的洞见：真实世界的期望值是非对称的。很多机会的下行有限（比如尝试一个新工具的成本是几小时），而上行可能巨大（改变整个工作流）——这种"非对称机会"是高手的猎场。第二个反直觉点：当样本量小时，期望值思维要让位于"风险破产边界"（凯利公式）——即使期望值为正，单次下注比例过高仍可能导致毁灭。
实操方法：①对每个重要决策列出 3-5 种可能结果及其概率与价值；②区分"可重复决策"（用期望值）与"一次性不可逆决策"（用最大可承受损失）；③主动寻找"下行有限、上行非对称"的机会；④定期审视过去决策——区分决策质量与结果运气。
经典例子：掷一枚公平硬币，正面赢 200 元，反面输 100 元。EV = 0.5×200 + 0.5×(-100) = +50 元。即使你这次输了 100 元，长期重复这个赌局仍然是赚的。错误的做法是因为单次结果就放弃正期望值游戏。
场景 · BigCat：评估是否花 4 小时学习一个新 AI 框架。结果分布：60% 概率边际有用（节省 5 小时/月）、30% 没什么用（损失 4 小时）、10% 极度有用（重塑某个工作流，节省 50+ 小时/月）。EV = 0.6×5 + 0.3×(-4) + 0.1×50 ≈ +6.8 小时/月——典型的"下行有限、上行非对称"决策。
给孩子选课外活动时，与其追求"最确定有用"的项目，不如配置一组期望值组合：1 个高确定性项目（如学科补强）+ 1 个中等确定性项目（如英语演讲）+ 1 个低概率高回报项目（如机器人/编程/创作）。后者多数情况只是体验，但 10% 概率点燃终身热情——而终身热情的期望价值，远超前两项之和。
English Summary
Expected Value Thinking decouples decision quality from single outcomes: EV = Σ (probability × payoff). Hunt for asymmetric opportunities where downside is bounded but upside is uncapped. Use EV for repeatable decisions, but switch to ruin-avoidance (Kelly-style sizing) for irreversible ones. Audit decisions by their EV at the time of choice, not by whether luck happened to land in your favor.
AI Prompts
中文模板
请帮我对以下决策做期望值分析：[决策内容]
请：1) 列出 3-5 个可能结果，估算每个的概率与价值；2) 计算综合期望值并标注关键不确定性；3) 判断该决策是否属于"下行有限、上行非对称"机会；4) 如属一次性不可逆决策，请用 ruin-avoidance 视角重新评估并给出建议投入比例。
English Template
Run an expected-value analysis on this decision: [decision]
Please: 1) Enumerate 3-5 possible outcomes with probability and payoff; 2) Compute the EV and flag the most uncertain input; 3) Assess whether the structure is asymmetric (bounded downside, uncapped upside); 4) If the decision is one-shot/irreversible, re-evaluate under a ruin-avoidance lens and recommend a sizing/exposure level.