一句话定义
把概率当作”信念的度量”，把所有判断都当作可量化、可更新、可审计的先验，再用证据递归更新——是处理不可重复事件的认识论框架与决策心法。
来源
何时使用
- 一次性事件、无法重复采样的判断（候选人会不会当选？这个朋友靠不靠谱？这次创业会不会成功？）。
- 需要在新证据出现时，理性、连贯地更新自己观点的场合。
- 想避免”听风就是雨”或”先验不可动摇”两类极端时。
- 对极端值/罕见事件做决策（罕见病检测、黑天鹅判断、谣言转发）。
操作步骤
- 设定先验：根据环境参数与已知频率/科学知识/世人共识，给目标命题一个起始概率 P(H)。“把已知频率当起点”，避免拍脑袋。
- 收集证据：把具体的事/数据/检测结果当作证据 E。
- 更新后验：用 贝叶斯公式 计算 P(H|E)；直观版本是「后验 = 先验 + 证据更新」。
- 持续迭代：上一步的后验成为下一步的先验。
- 守住克伦威尔法则：永远不要把先验设成 0 或 1（最多 99.999%）。给”可能错了”留点空间。
例子
- 罕见病诊断：发病率 0.1%，检测准确度 99%；阳性后真患病概率仅 1/11——证据再强也只是把先验放大常数倍。
- 垃圾邮件过滤（Sahami et al. 1998）：初始先验 = 邮件总体垃圾率 20%；每个词做一次贝叶斯更新（“free”调高、“meeting”调低），最终后验过阈值 = 垃圾邮件。
- 判断新同事：先看本地环境开先验（人心险恶 = 低先验，好社区 = 高先验），然后跟此人办几件具体事作为证据更新。
- 大语言模型：训练 = 把世界先验嵌入参数；提示词 = 输入证据；回答 = 后验坍缩；对齐 = 给模型一个不可轻易被推翻的先验。
- 传统智慧的化解：「人性本善」vs.「防人之心不可无」——其实分别是不同先验设置；放进贝叶斯框架就一清二楚。
相关工具
- 参考类预测 — 用同类已结案分布做先验，是贝叶斯方法的具体形式。
- 凯利公式 — 把贝叶斯算出的认知优势（Edge）翻译成下注规模。
- OODA 环 — Boyd 的”换脑快”≈ 先验更新快；定向 = 改先验。
- 认知解耦 — 把”陷入想法”变成”看着想法”，前提是把信念当成可更新的先验，而非真理。