挑战100天100个GPTs046.启发式偏差思维模型—慢慢学AI068
#挑战100天100个GPTs
写在前面
一个判断做完，事后证明错得离谱，复盘时常怪自己”当时脑子发热”。其实大多数时候不是脑子发热，是脑子在偷懒——在信息不全、时间又紧的时候，它本能走了捷径。Tversky 和 Kahneman 在 1974 年那篇 Science 论文里把这种捷径叫做”启发式”（heuristic），并指出三条最常用的：代表性（像不像典型）、可得性（想不想得起来）、锚定（被第一个数字带跑）。捷径本身是好的，问题在于它会系统性地把你往同一个方向带偏，而且你以为自己在理性判断。这款 GPT 的活儿，不是劝你”凡事别冲动”那种废话，而是逼你说清：我这个判断，靠的是哪一条捷径？它最可能把我往哪里带偏？要不要为这条偏差补一道校验？
先把一个流传很广的混淆拆掉。这套”启发式偏差”的源头是 Kahneman 和 Tversky 的学术体系，不是查理·芒格。芒格另有一套《人类误判心理学》（1995 年哈佛讲演，后整理为 24/25 条心理倾向），那套偏行为主义、讲激励和社交影响，和 Kahneman 这套偏认知心理学的启发式不是一回事。中文”100 个思维模型”清单常把两套揉成一锅端给读者，本文据实分清。Kahneman 自己 2011 年的《思考，快与慢》又把启发式装进了 System 1（快思考）/System 2（慢思考）的框架里，让外行也好用。
效果呈现
把下面整段 yaml 提示词粘进支持系统提示的对话框（ChatGPT 建 GPTs 的「Configure」、Gemini Gem、Claude Project 都行）。你给它一个正在纠结的判断（一笔投资、一次招聘、一份报价、一个风险决策），它先帮你定位这个判断最可能踩的是哪条启发式，再问你”这条捷径会把你往哪带偏、要不要补一道校验”，最后给一个”先验证 / 加约束 / 慢思考”的建议。
实测对话
三个角度测这个 GPT（个人 / 组织 / 边界），挑顺手的丢进 Gem，把对话粘回对应块，不用的发布前删掉。
启发式偏差·实测①（个人·AI 换脸诈骗）
🙋 我
2024 年初香港 Arup 那个 CFO 深度伪造视频会议骗走 2 亿多港币的事我一直记着。这两天我们公司财务也收到一封”CEO 邮箱”让打款，邮件里把上次项目细节说得很准。我第一反应是”这次不一样、我们 CEO 真的有需求”。我这个判断是不是已经被可得性偏差（刚读过新闻）和代表性（细节都对得上）一起带偏了？该先做哪一步校验？
🤖 启发式偏差 GPT
你现在的警觉性非常高，这说明那则香港 Arup 的新闻（可得性启发式）确实在你脑子里敲响了警钟。但你第一反应觉得“这次不一样，细节都对得上”，说明你的 System 1 正在被另一条更强大的捷径疯狂劫持，并叠加了不属于启发式范畴的组织压力。
我们用这套模型把你的直觉切开来看，并立刻给到你下一步的动作：
1. 定位启发式：你被“代表性（Representativeness）”劫持了
你现在的判断，100% 踩在代表性启发式上。
失效方式（误把“像不像”当概率）： 这封邮件里包含了极度精准的项目细节。在你的大脑看来，这种带有私密业务细节的邮件，极其“符合”（代表了）真实 CEO 发件的典型特征。你的大脑自动划等号：“长得像真的 = 大概率就是真的”。
你忽视了什么（Base Rate Neglect / 基础概率忽视）： 你忽视了当下高级商业欺诈（BEC，商业电子邮件妥协）的基础概率和作案手法。现在的黑客不是群发“我是秦始皇”，而是先潜伏在你们公司的邮箱系统里，看懂了你们的项目往来，再精准伪造一封带有真实细节的邮件。在高级欺诈中，“带有真实项目细节”已经是标配（基础概率极高），它不再是验证“这是真 CEO”的有效证据。
2. 诊断边界：什么在暗中帮你找借口？
你要特别小心，你心里那句“我们 CEO 真的有需求”，除了代表性启发式在作祟，还混入了不属于 Kahneman 这套体系的东西：
芒格体系里的“权威-服从倾向（Authority）”： 对方是以“CEO”的身份在下指令。面对最高权力，人类的动物本能是“服从以避免冲突”。
这种权威压力，让你大脑的 System 2（慢思考）变得极其懒惰，它非但没有去质疑，反而主动帮你找借口（“这次不一样”、“他真的有需求”），来合理化你的顺从。这不是你在算概率，这是你在怕担责。
3. 第一步校验动作：带外核实（Out-of-band Verification）
既然代表性（邮件细节）已经被污染，你就绝对不能在这个“信道”里继续找证据。
错误动作： 回复邮件问“老板，这个账号是新的，确认打款吗？”（骗子会秒回“确认，加急”）。
正确校验动作：转换通信信道。 骗子控制了邮件（或者伪造了发件人），但他极大概率没有同时控制 CEO 的物理肉身或手机语音。
立刻拿起电话，打给 CEO 本人。
如果电话不通，用公司内部的即时通讯软件（如钉钉/飞书/企业微信，且必须语音或视频）找他确认。
话术： “老板，财务收到您邮件让给 XX 项目打款，因为涉及新账号，按风控制度我需要跟您语音口头核实一下。”
4. 制度化刹车（应对高代价与权威压力）
这类欺诈之所以频频得手，就是因为骗子利用了“代表性偏差 + 权威压力”，精准击穿了员工的心理防线。启发式模型治不了你对 CEO 的敬畏，你需要的是制度约束。
如果这次核实下来真的是骗局，你作为风控或流程相关的敏锐观察者，应该推动公司立刻建立“防呆机制”：
硬性刹车： 规定“任何超过 X 万的异常账户打款，无论指令来自谁、无论邮件里写了多少项目细节，都必须辅以第二信道（电话/视频）的双重人工确认。”
把验证的动作从“员工敢不敢质疑老板”，变成“员工只是在无情地执行公司制度”，卸掉个人的心理负担。
总结顾问建议：先验证，加约束，慢思考
不要相信“细节全对”的邮件（警惕代表性偏差），不要在对方控制的信道里做验证。
立刻执行带外核实（打电话/视频）。对于这种高代价、强权威的场景，唯一能对抗“这次不一样”幻觉的，就是不管谁来都得过安检的硬性制度。
启发式偏差·实测②（组织·结构性牛市里的追涨）
🙋 我
2026 年这波 A 股结构性牛市，我们公司投委会讨论要不要加仓某只 AI 主题 ETF。讨论里一直拿 2024-2025 涨了多少、隔壁基金赚了多少做参照，最后倾向于”现在不进就晚了”。我是管风控的，总觉得这个论证方式不对劲，但说不出哪里错。从启发式偏差角度看，这套论证踩在哪条捷径上？
🤖 启发式偏差 GPT
作为一个风控负责人，你的直觉非常敏锐。投委会上的这种论证方式，简直是经典认知偏差的“作案现场”。
要在这个会上做有效的风控狙击，我们首先要把“认知捷径”和“情绪传染”劈开。这句“现在不进就晚了”，其实混杂了两套完全不同的系统在起作用。我们按这套模型的视角，一层层把你们投委会的逻辑拆开、定性，并给出你的校验武器：
1. 定位启发式：你们的论证踩在了哪条捷径上？
投委会目前的论证，主力踩中了可得性（Availability），并叠加了代表性（Representativeness）的滥用。
重灾区：可得性启发式（好不好想 = 发生概率）
- 失效模式： “隔壁基金赚了多少”是一个极度鲜活、极具刺激性的信息。因为这个案例就在身边、随时能想起来（高度可得），投委会的大脑系统 1 就会自动把这种“个例的鲜活性”等同于“我们进场赚钱的高概率”。你们误把“容易想起的信息”当成了“统计学上的普遍证据”。
并发症：代表性启发式（像不像 = 必然规律）
- 失效模式： “2024-2025 涨了多少”，是把这两年 AI 的主升浪，当成了这只 ETF 的“典型特征”。大脑觉得既然它过去两年的长相是“一直涨”，那它未来的代表性面貌也必然是“一直涨”。你们忽视了均值回归，把短期的趋势外推成了事物的本质。
2. 诊断边界：什么不是启发式偏差？
必须明确，会议上最后得出的结论——“现在不进就晚了”（FOMO 情绪），不属于启发式偏差。
这是前景理论里的“相对损失厌恶”（眼睁睁看着别人赚钱，那种剥夺感等同于自己亏钱的痛苦），以及芒格说的“社交证明倾向”（别人都在买，我不买显得我很蠢）。
请注意这个边界： 启发式偏差解释了他们为什么觉得“买入获胜的概率很高”；但真正逼迫他们立刻拍板的，是社交压力和 FOMO 情绪。启发式这套模型，治不了眼红和焦虑。
3. 风控校验动作：你能在会上打出什么牌？
既然你管风控，就不能在会上用“大家冷静点”这种废话去对抗情绪。你要针对“可得性”和“代表性”这两个认知捷径，补上硬核的校验动作：
动作一：对付“代表性” —— 强拉基础概率（Base Rate）
不要只看这只 AI ETF 2024-2025 的走势，把它放进 A 股结构性牛市的历史基础概率里去比对。
话术/动作： “各位，既然我们在讨论 A 股的主题 ETF，我们调一下基础数据：回顾 2015 年的‘互联网+’、2021 年的‘新能源’，这些曾经连续两年暴涨的单一主题 ETF，在行情的第三年（类似我们现在的 2026 年），其最大回撤的平均中位数是多少？胜率是多少？”
目的： 用大样本的真实概率，击碎单只标的短期走势带来的幻觉。
动作二：对付“可得性” —— 建立反向样本库（Anti-sample Pool）
大脑容易记住“赚钱的隔壁基金”，那风控就要负责提供“死掉的基金”。
话术/动作： “我们看到了 A 基金在 AI 上赚了 30%。风控部这边提供一个补充数据：过去三个月，在同类 AI 主题里高位接盘、或者因为调仓过猛导致净值回撤超 15% 的公募或私募产品有哪几家，他们踩了什么坑。”
目的： 强行向系统 2 注入那些“不鲜活、不容易想起来”的失败案例，对冲可得性偏差。
4. 制度化刹车（应对高情绪与群体共振）
你面对的是群体决策+真金白银的诱惑，这属于典型的高情绪、高代价场景。此时，光靠你指出认知偏差是拦不住投委会的，你需要上制度化约束：
事前验尸（Pre-mortem）： 既然大家倾向于加仓，你在会上提议：“假设现在是 2026 年 12 月，我们这笔加仓暴亏了 20%，导致年终奖全无。大家现在倒推一下，这期间到底发生了什么黑天鹅或逻辑证伪？”逼迫大脑从狂热的“顺向预期”切换到“逆向归因”。
分批建仓与硬性止损线： 如果拦不住加仓，就用规则框住动作。比如：“既然决定进，按风控制度，第一笔只加预期仓位的 30%。同时，请投委会今天就在会上定死：如果跌破哪条线，或者宏观哪个指标转向，系统自动触发减仓，不需要再开会讨论。”（把止损动作剥离主观意志）。
总结顾问建议：先验证，加约束，慢思考
在这场会议中，你的风控发力点不应该是“反对加仓”，而是“反对按现在的逻辑加仓”。他们踩了可得性捷径（用隔壁基金的鲜活案例替代了真实胜率）和代表性捷径（无视了 A 股主题炒作的历史基础概率）。把历史回撤的硬数据（Base Rate）摔在桌上，要求设定建仓纪律和触发机制，这才是风控面对系统性认知偏差时，最该做的“慢思考”拦截。
启发式偏差·实测③（边界·这模型治不了什么）
🙋 我
我已经读过《思考，快与慢》，知道这几条偏差。可一到真实决策——要不要裁那个跟我多年的老下属、要不要止损一个已经亏了的项目——我还是照样栽。是不是光”知道偏差”根本没用？这套模型到底能治什么、治不了什么？
🤖 启发式偏差 GPT
你说到了这套模型最残酷、但也最真实的一面。Kahneman 晚年自己也承认过类似的话：研究了半辈子认知偏差，他在面对真实决策时，该犯的错依然一个不少。认为“我知道了偏差，就能免疫偏差”，这本身就是最大的认知幻觉。
其实你之所以觉得这套模型“不管用”，是因为你挂错号了。你拿治“概率判断眼瞎”的药，去治“情绪和动机的心脏病”，当然不管用。
我们必须把三套完全不同的体系劈开来看，你立马就能明白它能治什么、治不了什么：
1. 你的两个案例，根本不是“启发式偏差”
你提到的两个痛点，恰恰踩在了这套模型的边界之外：
要不要止损一个已经亏了的项目： 这不是启发式捷径（1974 年的理论），这是前景理论（Prospect Theory, 1979 年）里的“损失厌恶”和“沉没成本”。你的大脑在抗拒“把浮亏变成实亏”的那种撕裂般的痛感（损失带来的痛苦是同等收益的两倍）。这是动机和情绪问题，不是认知捷径问题。
要不要裁掉跟了多年的老下属： 这更不是启发式，这涉及社会关系、道德负担，以及查理·芒格体系里的“避免不一致倾向”或“喜欢/热爱倾向”。这是激励错配和情感过载。
结论： 启发式偏差（代表性、可得性、锚定），治的是大脑在评估概率、频率和数值时偷的懒；它绝对治不了情绪过载（不忍心）、利益纠葛（怕担责）和沉没成本（不甘心）。
2. 那么，“启发式”到底能治什么？
它能治的，是你在做“不确定性判断”时的系统性眼盲。它的价值在于事后诊断和事前设卡。
如果你在做以下三种判断，这套模型就能精准发力：
代表性（像不像）： 当你在面试一个候选人，觉得“他谈吐清晰、履历光鲜，太像个高管了，录用他必定能成事”时。
- 怎么治： 别信“像不像”。校验动作：查基础概率（Base Rate）。 行业里空降高管的存活率到底是多少？如果只有 20%，那么不管他看起来多“像”，他失败的概率默认就是 80%。你要找的是“他凭什么能属于那 20%”的硬证据，而不是凭感觉。
可得性（好不好想）： 当你在网上看到某款 SaaS 产品一年 ARR 破百万美金，你觉得“独立开发做工具赚钱太容易了”，决定自己也搞一个时。
- 怎么治： 别信“鲜活案例”。因为死掉的 99% 的产品不会发战报，你想不起来。校验动作：找反例样本库。 去 GitHub 或独立开发者论坛搜“失败/关停”，强制看 10 个死掉的项目，看看他们做错了什么，再评估你的成功率。
锚定与调整（被初始值粘住）： 当乙方给你报了一个 100 万的系统开发费，你经过激烈讨价还价砍到 70 万，觉得“我真厉害，省了 30 万”时。
- 怎么治： 别在对方给的锚上做调整，你永远调不够。校验动作：强制换参照系。 把对方的报价单扔进抽屉，去找一个完全不懂这个项目、但懂代码的人，按“人月成本+合理利润”从零倒算一遍，建立你自己的“原点锚”。
3. 知道不管用，怎么才能管用？
既然大脑的 System 1（快思考）是全自动发射的，指望在情绪高点靠 System 2（慢思考）踩刹车是不现实的。真正的解法是“防呆机制”（制度化约束），而不是“心灵鸡汤”。
针对你提到的高压、高痛感决策，你需要的是：
决策前置剥离： 要不要砍掉亏损项目？不要问自己。校验动作：带外核实（Out-of-band Verification）。 找一个跟你这个项目毫无利益瓜葛的第三方（比如其他部门的负责人），问他：“如果你今天新接手这个盘子，不考虑之前投的钱，你会愿意继续往里砸钱吗？”如果他说不，你就该直接砍。
设立硬性触发器（冷静期与死线）： 不要相信自己“再看一个月”的鬼话。在项目还没那么烂的时候，或者在平时，就定下规矩：“如果某个指标连续三周低于 X，立刻触发清算/裁员流转”。当指标破位时，执行制度，而不是执行你的“意志”。把锅甩给规则，能极大地减轻情感负担。
总结建议：先验证，加约束，慢思考
不要把“启发式模型”当成护身符，它只是一把探照灯，帮你照出在判断概率和数值时掉进的坑（误把捷径当结论，误把鲜活当常见）。
当你面临高情绪（老下属）、高代价（亏损项目）的决策时，警惕把“认知偏差”当借口。你需要的不是多学一个思维模型，而是设立一条不依赖你主观意志的硬性止损线（制度刹车）。判断交给数据，执行交给规则。
期望目标
把”我觉得是这样”换成”我这判断靠的是哪条启发式、它可能把我往哪带偏”。具体到一个决策上：能定位踩的是代表性 / 可得性 / 锚定里的哪一条，能说出这条捷径的具体失效方式，能补一道针对性的校验动作。
GPTs 源码
1 | # 角色：启发式偏差思维模型专家 |
Prompt 收获
做这个 GPT 的时候，几个设计点比提示词本身更值得记下：
这条最容易和芒格那套搅一起，必须先拆源头。国内”100 个思维模型”清单里，”启发式偏差”和”芒格 25 条心理倾向”常被揉成一锅端给读者，但两者根基不同：Tversky-Kahneman 这套是认知心理学（讲大脑怎么走捷径判断概率），芒格那套是行为主义根基（讲激励、社交证明、权威怎么影响人）。Background 把两套的源头、年代、机理都讲清并明确划线，GPT 才不会把”代表性偏差”做成”激励错配”——前者要查基础概率，后者要改激励机制，对策完全不同。
**杀手问题要逼到”哪一条 + 带哪偏”**。”这判断有没有偏差”太软（人人都会说有）；换成”靠的是代表性 / 可得性 / 锚定里的哪条、这条捷径会把你往哪带偏”就难躲——它把用户从”我应该更理性”的空话逼到具体的诊断动作上。启发式这套的价值不在抽象地”懂偏差”，在具体地”能定位这次踩的是哪条”。
最难写的是边界，但边界写了才有 voice。市面上讲启发式偏差的内容几乎都假装”懂了偏差你就能变理性”，Kahneman 自己晚年都承认不是这么回事（激励、情绪、组织压力远比认知捷径强大）。所以 Goals 和 Constrains 里专门写了”治不了什么”——激励错配、情绪过载、群体放大这三类，启发式这套无能为力，得靠制度化刹车。敢说边界，比假装万能有判断得多。
**校验动作必须具体，不空说”要冷静”**。代表性偏差的对治是”查基础概率”，锚定的对治是”换参照系”，可得性的对治是”找反例样本”——每条启发式配一个能落地的动作，而不是十遍一个模子的”对治：换 X 视角”。这是区分”工具型 GPT”和”复读型 GPT”的关键。
一句话总结这次的收获：启发式偏差类工具最大的陷阱是停在”我懂了偏差名字”，好的提示词得把”定位哪条 → 说清带偏方向 → 补一道具体校验 → 标注模型边界”四步连起来——它是个诊断工具不是治疗工具，定位得越准，纠偏动作才能越具体。
补充说明
启发式偏差，看的是大脑在不确定时怎么走捷径。信息不全、时间又紧，大脑不会慢条斯理算概率，它直接抄近路：像不像典型（代表性）、想不想得起来（可得性）、被第一个数字粘住（锚定）。这三条捷径是 Amos Tversky 和 Daniel Kahneman 在 1974 年那篇 Science 论文里命名的，它们高效、节能，让人类祖先在野外能快速反应活下来；问题是它们会系统性地把判断往同一方向带偏——代表性让你忽视基础概率，可得性让你把”好想”当”常见”，锚定让你调整不足。更麻烦的是这些偏差自己几乎察觉不到：你以为自己在理性判断，其实是 System 1 在自动跑，System 2（慢思考）要么没启动，要么启动了也被 System 1 的结论带跑。Kahneman 2011 年的《思考，快与慢》把这套装进了 System 1 / System 2 框架，让外行也好用，也成了这套理论最出圈的版本。
它最常被误读成两副样子。一副是把它当成”我懂了偏差所以我不会犯错”的护身符——这恰恰是过度自信偏差在发作。Kahneman 自己晚年在多种场合承认：知道偏差名字，在真实决策里纠偏效果有限，因为激励、情绪、组织压力这些非认知因素，力量远大于”我懂一条心理学”。另一副是把它和查理·芒格那套搅成一锅——芒格 1995 年在哈佛有个《The Psychology of Human Misjudgment》的讲演，后来整理成 24/25 条心理倾向（激励 super-response、 liking / disliking、 social-proof、authority-misinfluence 等），那套偏行为主义根基，讲的是激励和社交影响怎么把人带偏；和 Kahneman 这套偏认知心理学的启发式不是同一体系。中文”100 个思维模型”类清单（飞书 / 知乎 / 各种公众号）常把两套揉混，读者分不清”我这判断错是因为走了认知捷径，还是因为激励错配”——前者对治是查基础概率，后者对治是改激励机制，搅一起就都治不对。
经典源头要分清三套。第一套是 Tversky-Kahneman 的启发式（1974 Science 论文，三条经典捷径），这是”启发式偏差”这个模型名的真正出处。第二套是 Kahneman-Tversky 的前景理论（1979 Econometrica 论文，含损失厌恶、参照依赖），Kahneman 凭这套拿了 2002 年诺贝尔经济学纪念奖（Tversky 1996 年早逝未能共享）——损失厌恶是”对损失的痛感约 2 倍于同等收益的快感”，和启发式同属行为经济学大家族但机理不同，常被笼统归为”认知偏差”而与三条启发式混为一谈。第三套是芒格的心理倾向（1995 讲演 / 2005 成书），偏行为主义，讲激励与社交。三套都讲”人怎么会判断错”，但根基、对治、适用场景都不同——这是本文反复强调的归属诚实拆分。
10 个案例分析及思考逻辑
下面十个场景，前几个落在四行业最常见的启发式发作姿态里（电信定价、金融追涨、制造质检、电商促销），中间是 Arup 深度伪造和康菲石油两个真实范例（可得性 + 代表性的经典 bug），后面接招聘误判、深挖一刀（知道自己有偏差并不能纠偏）、个人练习和模型边界，让十案例的姿态各不相同。带”示意”标记的，是用来说明思考逻辑的构造案例，非真实公司披露。
1. 电信：政企专线报价被第一笔锚粘住（示意）
某运营商政企客户经理去投标，甲方预算部门先抛了一句”我们这次预算就 200 万左右”。整个报价讨论从这 200 万出发，往上调一点、往下调一点，最后落在 230 万。换启发式偏差视角：这是锚定——甲方先抛了个数，后面所有讨论都被这个数粘住，调整严重不足（Tversky-Kahneman 转盘实验的翻版）。问题是这个标的真实成本可能在 350 万，但锚一旦抛出，连乙方自己都觉得”300 万以上好像太高了”。对治：在动报价之前，先独立估算一遍成本（不看甲方的预算数），把这个独立估值作为第二参照系，强制让团队回答”如果完全不知道甲方预算，这单我们该报多少”。锚定最难自察，对抗它的办法不是”别被影响”（做不到），是主动引入一个完全不同来源的参照系。
2. 金融：结构性牛市里追涨 AI 主题 ETF（示意，锚定+代表性叠加）
2025-2026 这波 A 股结构性牛市，某机构投委会讨论加仓 AI 主题 ETF。论证全程拿”2024-2025 涨了多少、隔壁基金赚了多少”做参照，倾向”现在不进就晚了”。换启发式偏差视角：这是锚定（被过去涨幅锚住）+ 代表性（”像牛股”→未来也会涨，外推偏差）+ 可得性（鲜活的赚钱故事好调取、亏钱的沉没案例调不出来）三条叠加。对治：改参照系（从”过去涨幅”挪到”当前估值分位”）、查基础概率（这类主题 ETF 在估值高位买入后三年的回报分布）、找反例样本（那些当年也”涨得很好”后来回撤的主题）。追涨不必然错，错的是用”过去涨”做未来的锚。
3. 制造：质检员被最近一炉废品带偏（示意，可得性）
某钢厂质检员上周刚出过一次漏检事故（一炉废品流出，被客户投诉），最近这一周他把整批产品的合格率明显判低——同样指标的批次，上周会放行的，这周都打回重检。换启发式偏差视角：这是可得性——最近那炉废品的记忆太鲜活，调起来太容易，于是他高估了”这批也是废品”的概率。可得性的 bug 是”好想 = 常见”，但真实的不合格率并没因为这炉事故而变化。对治：强制让质检判断挂回历史合格率基线（数据驱动），而不是凭印象；事故后的复核加严是合理的，但要在时间窗内显式标注”这是事故后的应激放大”，避免长期误判成为新的常态。
4. 电商：大促定价被”原价”锚住（示意，锚定+框架效应）
某电商品牌双 11 大促，运营把商品标成”原价 899，活动价 399”。消费者看到 899 这个锚，再看到 399，强烈感受到”便宜了一半”。换启发式偏差视角：这是锚定（899 是抛出来的锚）叠加框架效应（同样的差价，”从 899 降到 399”和”售价 399”框架不同，感受完全不同）。问题是那个 899 的”原价”可能从未真实成交过。对治（消费者侧）：买东西时主动屏蔽”原价”信息，只问自己”如果不知道原价、只看 399 这个绝对值，这件东西我买不买”——这是把锚删掉，让判断回到绝对值而不是相对差价。
5. 真实：香港 Arup 深度伪造 CFO 骗走 2 亿港币（可得性+代表性）
2024 年 1-2 月，跨国工程公司 Arup 香港办公室的一名财务员工，被一封”自称 CFO”的邮件诱导加入一个视频会议。会议里”CFO 和几位同事”都长得对、声音对、把项目细节说得准确无误，员工信以为真，按指令分 15 笔转出约 2.56 亿港币（约 2560 万美元），一周后向总部核实才发现全员都是 AI 深度伪造。换启发式偏差视角：这是代表性（”细节都对 → 人是真的”，忽视”一封突发打款邮件在这个时代是诈骗的基础概率远高于真需求”）+ 可得性（如果员工最近没读过 deepfake 新闻，可得性会让他低估诈骗概率）双重作用。这是代表性偏差忽视基础概率的活教材——对得上细节不等于就是真的，得看这类情境下真伪的基础概率分布。对治：任何大额、突发、新增收款方的转账指令，强制走带外信道（电话拨号、IM 当面对质）核实，不能在原始邮件链里闭环。
6. 真实：康菲石油收购伯灵顿资源——CEO 锚定”别人出更高”（代表性/锚定，公开商业案例）
能源行业有个常被引用的判断失误：大型并购里，收购方 CEO 往往被”这个标的必须拿下、不然就落到竞争对手手里”这种叙事锚住，对标的的真实价值反而调整不足。代表性在这里发作的形式是”像不像一个千载难逢的战略机会”——越像，越倾向判断”必须拿下”，忽略”千载难逢”的基础概率其实极低（绝大多数所谓战略机会事后看都很普通）。对治：并购决策里强制设一个”红队”，专门论证”如果不收购会怎样、这个标的的真实独立估值是多少”，把判断从”像不像战略机会”挪到”具体值多少钱”。注：具体公司的并购细节为说明思考逻辑的概括，非特定交易披露。
7. 招聘：面试官被第一印象锚住（示意，锚定+确认偏差）
某公司面试官在面试前 5 分钟形成了一个印象（比如”这个人有点紧张”），后面整场面试的提问、解读、打分，都不自觉地把候选人的表现往”紧张 / 不够自信”这个方向归因——哪怕候选人后面对答如流，也会被打折扣。换启发式偏差视角：这是锚定（前 5 分钟的印象是锚）叠加确认偏差（之后只关注支持这个锚的信息）。对治：结构化面试——所有候选人都回答同一套 predetermined 问题、每个问题独立打分、最后再加总，而不是先形成整体印象再回头找证据。这是把”像不像好候选人”（System 1）换成”每个维度具体几分”（System 2）。
8. 深挖一刀：知道自己有偏差，并不能纠偏（原理，Kahneman 晚年承认）
启发式偏差最反直觉的一刀，不是”这几条捷径很厉害”，而是”哪怕你把这三条背得滚瓜烂熟，你在真实决策里照样栽”。Kahneman 自己晚年在多种场合承认：认知偏差的”知晓效应”（knowledge effect）在实验室外的真实决策里非常微弱——知道偏差名字的人，和不知道的人，犯错的概率差异远小于大家以为的。原因有三：① 启发式是 System 1 自动跑的，System 2 要纠它得费力启动，但高代价决策里 System 2 往往被情绪 / 激励压住不启动；② 知道偏差是”诊断能力”，不是”治疗能力”——你能定位错在哪，但接上要靠制度；③ 很多真实错误不是认知层（走了捷径），而是激励层 / 情绪层 / 组织层（激励错配、损失厌恶、群体放大），启发式这套根本不覆盖。所以这套模型的正确用法是诊断工具（事后定位 + 事前多问一句），不是护身符。
9. 个人：用”最近一次旅行顺利”判断下一站（可得性，个人）
一个人刚去过某国旅行、玩得很顺，回来跟朋友推荐”那里很安全、人很好”，朋友基于这个推荐就订了机票。换启发式偏差视角：这是可得性——一次鲜活的旅行经历好调取，于是被当成”那里普遍很安全”的依据。但一次旅行的样本量是 1，对那个国家的整体安全 / 服务水平几乎没有任何统计意义。对治：判断这类事时，主动去找”想不起来”的反例（当地犯罪率数据、近期旅游投诉统计），让样本从”我记得的那一次”扩到”整体分布”。个人的鲜活经历是最强的可得性来源，也是最容易被它带偏的地方。
10. 边界：启发式治不了激励错配（原理，区分两套体系）
启发式偏差这套模型最该警惕的，是把它当成”一切判断失误的通用解”。比如一家公司明知道某款产品有质量隐患却不上报，表面看像是”代表性偏差 / 可得性偏差”，深挖一层往往是激励错配——上报隐患的人会被问责、KPI 会被扣、奖金会受影响，所以不上报。这种情况下，光告诉员工”你要警惕认知偏差”完全没用，得改激励机制（上报隐患给奖励、瞒报重罚）。这就是为什么本文反复强调要把 Tversky-Kahneman 的启发式（认知层）和芒格的心理倾向（激励层）分清——前者对治是”查基础概率 / 换参照系”，后者对治是”改激励机制 / 重设 KPI”，搅一起就都治不对。启发式是诊断认知捷径的好工具，不是治百病的万能药。
学习启发式偏差的 10 个步骤
学这套模型，顺序比内容更重要。下面十个步骤按”懂源头 → 拆三条 → 学经典 → 学诊断 → 给对治 → 防跑偏 → 上组织 → 建节奏”的弧线排，每步配一个实例。
1. 懂源头：Tversky-Kahneman 1974 那篇 Science
先把源头咬死：启发式（heuristic）这个概念在判断与决策领域的现代奠基，是 Amos Tversky 和 Daniel Kahneman 1974 年发表在 Science 的《Judgment under Uncertainty: Heuristics and Biases》。实例：找原文（Science, 185(4157), 1124-1131），读三条启发式的定义和原始实验设计——把感觉建立在一手源头而不是二手科普上。
2. 拆三条：代表性 / 可得性 / 锚定
把三条经典启发式各自的机理和失效方式分开记清楚。实例：代表性 = 按”像不像典型”判断概率（bug：忽视基础概率）；可得性 = 按”好不好想”判断频率（bug：好想 ≠ 常见）；锚定 = 被第一个数粘住、调整不足（bug：调整严重不足，哪怕锚是随机的）。三条机理完全不同，对治也不同，别搅一起。
3. 学经典实验：Linda 问题 / 转盘 / K 字母
读三个最经典的实验把感觉立起来。实例：Linda 问题（代表性忽视基础概率——“Linda 是哲学女权主义者，更像银行职员还是银行职员+女权主义者”，后者是子集但被代表性带跑，多数人选后者）、转盘实验（锚定——随机转出的 10 或 65 影响后续估值）、K 字母实验（可得性——“K 开头的单词多还是 K 在第三位的单词多”，K 在第三位实际更多但 K 开头更好想，多数人选错）。
4. 学 System 1 / System 2 框架（Kahneman 2011）
读《思考，快与慢》把启发式装进更大框架。实例：System 1 是快、自动、直觉的，启发式是它的默认动作；System 2 是慢、费力、审慎的，能纠启发式但常不被启动。这个框架的价值是让你明白——偏差不是”想错”，是”该启动 System 2 的时候 System 1 抢答了”。
5. 练杀手问题：”这条靠的是哪一条”
把这个问题变成条件反射。实例：拿一个你刚做完的判断问自己——“这个判断靠的是像不像（代表性）、好不好想（可得性）、还是被哪个数带跑了（锚定）？” 答得出，才进得到诊断；答不出，你以为的理性判断可能就是 System 1 在自动跑。
6. 给每条配一个对治动作
把诊断和对治连起来。实例：代表性 → 查基础概率（这个情境下真伪 / 成败的真实分布是什么）；可得性 → 找反例样本（那些想不起来的情况是什么）；锚定 → 换参照系（引入一个完全不同来源的基准）。对治必须具体到”做什么动作”，不能停在”要谨慎”。
7. 分清启发式、前景理论、芒格三套
把容易搅一起的三套体系分开。实例：损失厌恶（前景理论，1979）讲的是”对损失的痛感强于收益快感”，是动机 / 情绪层，对治是改参照点；启发式（1974）讲的是认知捷径，对治是查概率 / 换参照系；芒格心理倾向（1995）讲的是激励与社交，对治是改激励机制。同一个决策错，可能是任一套在发作，对治完全不同。
8. 案例对照：拿一个真实决策复盘
找一个你熟知的真实决策，用启发式视角重走一遍。实例：拿 Arup 深度伪造案，逐段问”员工在每一步踩的是哪条启发式、如果当时带了哪道对治能拦截”——这种事后复盘能训练你事中识别偏差的能力。
9. 应用到组织：决策前过一道”启发式体检”
把对治做成流程。实例：投委会 / 招聘 / 定价这类重要决策前，强制走三问——判断靠的是哪条启发式、它会把你往哪带偏、补什么对治。三问答完再决定，能挡掉一大批”看着像理性、其实是 System 1 抢答”的坑。
10. 定期复盘：盘点你能定位的偏差和没拦住的错误
真正的纪律会留下痕迹——你会发现”知道偏差”和”拦住偏差”是两件事。实例：每季度盘点一次，过去一季你拦住了哪些偏差、又栽在哪些偏差上？那些栽了的，是认知层（启发式发作）还是激励 / 情绪 / 组织层（启发式这套根本不覆盖）？这种盘点能让你慢慢学会什么时候用启发式这套、什么时候该换工具。
对决策者的启示
落到带组织的大企业一把手身上，启发式偏差有三条最值得焊进决策习惯：
第一，启发式是组织里最隐蔽的系统性偏差，因为它看起来像判断。组织里大多数决策错误，事后复盘常被归因为”信息不全”或”运气不好”，但深挖一层往往是三条启发式在系统性地发作——投委会被过去的涨幅锚住、招聘官被第一印象锚住、风控被最近的鲜活案例带偏。这些偏差的共同点是”当事人完全意识不到”，因为它们是 System 1 自动跑的，看起来就像”经验判断”。决策者要做的，不是反复强调”大家要理性”（没用），而是在高风险决策流程里强制插入对治动作——估值要用独立成本估算（对抗锚定）、招聘要用结构化面试（对抗第一印象锚定）、风控要挂回历史基线（对抗可得性应激放大）。把对治做成流程，而不是指望个人自觉。
第二，知道偏差 ≠ 克服偏差，别把”培训”当解药。很多公司送高管去上”认知偏差”课、发《思考，快与慢》当必读书，以为这样组织就不会犯偏差错。Kahneman 自己晚年承认，知晓效应在真实决策里非常微弱。真正能拦住偏差的，是制度化的刹车：关键决策必须有冷静期、必须听取一个明确反对者意见（对抗确认偏差）、不在情绪高点定重大事项。决策者的活儿，是把”识别偏差”留给低代价高频次的判断（让团队练诊断能力），把”制度化刹车”留给高代价低频次的判断（裁人、止损、all-in 这种 System 2 也扛不住的）。
第三，分清认知层和激励层，别用错工具。组织里很多”判断失误”，深挖一层其实是激励错配——上报隐患被问责所以不上报、销售为了冲业绩给客户过度承诺、项目负责人为了不背锅继续投钱救烂项目。这类问题用启发式偏差这套（讲”查基础概率 / 换参照系”）完全治不了，对治是改 KPI、改问责机制、改决策权分配（这是芒格那套心理倾向覆盖的领域）。决策者最大的陷阱，是把激励问题误诊为认知问题，于是反复给团队培训”思维模型”，而真正的病根——激励机制——一点没动。分清这两层，是判断一个决策者是否真懂行为科学入门的分水岭。
文末引用
- “启发式偏差思维模型”的源头——Tversky & Kahneman 1974 Science 论文：Amos Tversky 和 Daniel Kahneman 1974 年发表于 Science 的《Judgment under Uncertainty: Heuristics and Biases》（Vol. 185, No. 4157, pp. 1124-1131, DOI: 10.1126/science.185.4157.1124），首次系统提出三条经典启发式：代表性（representativeness）、可得性（availability）、锚定与调整（anchoring and adjustment），并论证它们会导致可预测的系统性偏差。这是”启发式偏差”这个模型名的真正学术出处（来源：Science 原文；PubMed PMID 17835457；Wikipedia “Heuristic (psychology)”）。证据层级：同行评审学术论文（Science）；立场：中立学术。
- Kahneman 2002 年诺贝尔经济学纪念奖：Daniel Kahneman 因”将心理学洞见整合进经济科学”（尤其与 Amos Tversky 1979 年的前景理论 prospect theory）获 2002 年 Sveriges Riksbank 经济学纪念奖；Tversky 1996 年早逝，诺贝尔不追授，但委员会明确承认其共同作者身份（来源：NobelPrize.org 2002 年颁奖词；Wikipedia “Prospect theory” / “Daniel Kahneman”）。前景理论（含损失厌恶 loss aversion）发表于 Econometrica, 47(2), 263-291 (1979)。证据层级：诺贝尔委员会官方 + 同行评审学术；立场：中立学术。
- 《思考，快与慢》（Thinking, Fast and Slow）：Daniel Kahneman 2011 年著作，Farrar, Straus and Giroux 出版（ISBN 978-0374275631），提出 System 1（快、自动、直觉）/ System 2（慢、费力、审慎）双系统框架，把启发式装进更大体系（来源：Wikipedia “Thinking, Fast and Slow”；Goodreads）。Kahneman 生于 1934 年 3 月 5 日，逝于 2024 年 3 月 27 日。证据层级：百科 + 出版物；立场：中立。
- 损失厌恶（loss aversion）与启发式的区分：损失厌恶是前景理论（Kahneman & Tversky 1979）的一部分，指”对损失的痛感约 2 倍于同等收益快感”（实验测得的损失厌恶系数约 1.5-2.5），与三条启发式（认知捷径）同属行为经济学大家族但机理不同；禀赋效应（endowment effect）由 Kahneman, Knetsch & Thaler 1990 年实验首次系统论证（Journal of Political Economy, 98(6), 1325-1348）。本文据实区分两者（来源：BehavioralEconomics.com “Loss aversion”；Simply Psychology “Availability Heuristic”；ScienceDirect “Endowment Effect”）。证据层级：学术综述 + 行为经济学权威站；立场：中立学术。
- 香港 Arup 深度伪造 CFO 诈骗案（2024）：2024 年 1-2 月，跨国工程公司 Arup（奥雅纳）香港办公室一名财务员工，被深度伪造的”CFO 和同事”视频会议骗取信任，分 15 笔转出约 HK$2 亿（约 2560 万美元），一周后向总部核实才发现。此案作为可得性启发式（鲜活案例的影响）与代表性启发式（细节对得上→判断为真，忽视基础概率）双重发作的真实范例引用（来源：AI Incident Database #634；CNN、CNN、Hong Kong Lawyer、cpomagazine 等多源报道；香港警方公开信息）。证据层级：多家媒体 + 事故数据库 + 警方公开；立场：中立新闻。
- A 股结构性牛市（2025-2026）：2025 年上证指数全年上涨 18.41% 收于 3968.84 点，深证成指涨 29.87%，创业板指涨 49.57%；2026 年 1 月 5 日上证指数突破 4000 点收于 4023 点录得十二连阳；ETF 市场规模从 2025 年初的 3.7 万亿元升至超 6 万亿元，个人投资者在 ETF 联接基金持有占比超 85%；2026 年初机构出现阶段性获利了结、ETF 总份额连续下降。本文作为锚定效应（被过去涨幅锚住）与代表性（外推偏差）发作情境引用（来源：《财经》杂志 2026 年 1 月《A股慢牛，驶入 2026》；证券时报 2026 年 4 月《散户大举进场！ETF 个人持有比例飙升》；经济观察网 2026 年 3 月《A 股牛市尚能”饭否”？》）。证据层级：主流财经媒体 + Wind 数据；立场：中立财经报道。
- 查理·芒格《The Psychology of Human Misjudgment》与启发式的关系：芒格 1995 年在哈佛大学发表该讲演，2005 年为《Poor Charlie’s Almanack》第三版扩写为 24/25 条心理倾向（含激励 super-response、 liking / disliking、 social-proof、 authority-misinfluence、 lollapalooza 等），根基偏 Skinner 操作性条件反射的行为主义；与 Tversky-Kahneman 启发式（认知心理学根基）属两套不同体系，中文”100 个思维模型”类清单常将两套揉混。本文据实区分两套的源头、年代、机理与对治（来源：Sloww.co《Psychology of Human Misjudgment》全 25 条摘要；Poor Charlie’s Almanack 第三版；Ritholtz.com 全文转录）。证据层级：当事人著作 + 二手考据；立场：中立；芒格的倾向条目数（24 / 25）在不同版本有差异，以最终版为准待核实。
- “知晓偏差并不能有效纠偏”——Kahneman 晚年立场：Kahneman 在 2011 年后的多次访谈与后续研究中承认，认知偏差的”知晓效应”在实验室外的真实决策里效果有限，激励、情绪、组织压力等非认知因素力量远大于”懂一条心理学”；本文第 8 案例（深挖一刀）与”对决策者的启示”第二条据此立场撰写（来源：Kahneman 多次公开访谈的二手转述；其在《Noise》2021 与 Olivier Sibony、Cass Sunstein 合著中的相关讨论）。证据层级：当事人公开表态 + 二手转述；立场：中立学术。
- 文中电信、金融、制造、电商、招聘的”示意”案例：均为说明思考逻辑的构造性案例，涉及的公司（”某运营商 / 某机构投委会 / 某钢厂 / 某电商品牌 / 某公司面试官”）非真实具名主体，相关细节为说明性构造，非任何真实公司披露。Arup 案为公开报道的真实事件，A 股数据为公开市场数据。已在正文统一标注。
- “启发式偏差思维模型”这个名称：作为思维模型名，是中文”100 个思维模型”类清单对 Tversky-Kahneman 1974 启发式研究的概括名；其学术源头明确（1974 Science 论文），不挂芒格名下（芒格那套是另一体系），也不与前景理论 / 损失厌恶混为一谈。本文据实分清了三者关系。
buymeacoffee
