背景
“如果你想做一个质量更高的决策，犯更少的错，活得更久更好，就要有意识地减小偏差，降低噪声。”
—— 这句话，源自离开我们一年之久的行为经济学之父，丹尼尔·卡尼曼。
有人感慨：“卡尼曼教授这样的泰斗，没有得到应有的热度。”
是啊，打开热搜，可能确实找不到他的名字。
但是，他的思想，早已悄无声息地渗透在我们做决策的每一个瞬间。
从逛街买奶茶，到人生十字路口的选择，我们无时无刻不受到大脑里那些“小怪兽”——认知偏差 (Bias)和判断噪声 (Noise)的影响。
卡尼曼教授用一生去研究“人在不确定情况下如何判断和决策”，他留下的智慧，尤其在今天这个充满不确定性的时代，弥足珍贵。
为了纪念这位伟大的学者，也为了帮助大家更好地驾驭决策，
我基于卡尼曼教授的核心理论，参考刘润老师公众号文：昨天，丹尼尔·卡尼曼没有上热搜。但没有关系。
提炼了《思考，快与慢》和《噪声》中的精髓，
结合我们提供的Prompt框架，为你提炼了一份实用的决策“避坑”指南。
核心公式，请刻入DNA：
决策错误 = 偏差 + 噪声(Error = Bias + Noise)
理解了它，你就掌握了提升决策质量的钥匙。
话不多说，先来看效果！
『卡尼曼』决策分析显微镜
想象一下，在你做决策前，能有一个“卡尼曼视角”的AI顾问帮你分析一下，指出潜在的“坑”，是不是很酷？
就像这样：
场景1：奶茶店的诱惑
“原价30元，今日特价15元！” 看到这个，你是不是觉得“哇，半价！买它！”？
『卡尼曼』决策分析：
潜在偏差:
锚定效应：原价30元作为锚点，让15元的特价显得非常划算，即使您可能并不了解这款奶茶的实际价值 框架效应：商家通过"特价"这一积极框架呈现，强调了省钱而非花钱，引导您关注获得的折扣而非支出 冲动购买倾向：看到折扣后立即想购买，没有评估是否真正需要或值得
可能噪声:
情境噪声：奶茶店的促销环境、朋友在场等外部因素可能干扰了理性判断 模式噪声：对"特价"这一概念的固定反应模式，看到折扣就认为是好事
建议:
减小偏差：暂停思考，问自己：不看原价，15元的奶茶对您来说值得吗？您本来打算买奶茶吗？ 降低噪声：尝试将决策与环境和朋友的影响分开，独立评估这个购买决定
记住，特价不等于需要，真正的价值在于它是否满足您的实际需求，而非折扣的幅度。
场景2：人工智能热潮下的投资冲动
朋友看到一家AI公司“TechFuture”，觉得概念火热，创新十足，第一反应：“人工智能！风口！赶紧投！”
『卡尼曼』决策分析：
潜在偏差：
可得性偏差：您的朋友可能过度受到AI领域频繁出现在媒体报道中的成功案例影响，这些容易被回忆起的信息导致他高估了新AI公司的成功概率。 代表性偏差：仅因为公司在AI领域有创新就认为它会成功，这种思维忽略了商业模式、管理团队、市场需求等其他决定企业成功的关键因素。 冲动决策倾向："赶紧投"的心态表明缺乏充分的尽职调查和理性分析，可能是由害怕错过(FOMO)的心理驱动的。
可能噪声：
模式噪声：投资者可能对所有AI公司应用相同的评估标准，没有考虑每家公司的独特情况、风险和机会。 情境噪声：当前市场对AI的普遍热情可能导致投资判断受到外部环境的过度影响，而非基于公司本身的实际价值。
建议：
热门领域不等于好投资，理性的投资决策需要全面评估商业模式、团队能力、市场前景和财务状况，而不仅仅是因为公司属于热门的AI领域就匆忙投资。
场景3：突发新闻下的出行选择
正要买机票，突然弹出“XX航空失事”的新闻，吓得你立刻想取消，改买高铁票。
『卡尼曼』决策分析：
潜在偏差： 可得性偏差 (Availability Heuristic)：刚刚发生的、鲜活的空难新闻，让你极度高估了飞行的风险。 情感偏差 (Emotional Bias)：恐惧情绪压倒了理性分析。 可能噪声： 情境噪声 (Contextual Noise)：新闻弹出的时机（正要付款）放大了冲击力。 建议：冷静！查查数据，飞行的事故率远低于你的想象。别让一次极端事件左右你的理性判断。
看到没？这些都是用卡尼曼的理论框架进行分析的。
通过识别这些潜在的偏差和噪声，我们就能更有意识地去规避它们，做出更高质量的决策。
核心方法论：识别你的决策“敌人”
卡尼曼老爷子告诉我们，决策错误主要来自两大“敌人”：
敌人一：偏差 (Bias) - 系统性的“歪靶子”
想象一把总是往左偏1厘米的枪，每次射击都打不中靶心，这就是系统性偏差。我们大脑里常见的偏差有：
锚定效应：被最初的信息（锚点）框住，影响后续判断。（如：奶茶原价） 代表性偏差：以偏概全，根据典型特征做判断。（如：看到AI就觉得一定行） 可得性偏差：越容易想到的信息，越觉得重要或普遍。（如：刚看到空难新闻就觉得飞机很危险） 损失厌恶 (Loss Aversion)：失去的痛苦远大于得到的快乐。（如：为了不损失定金而完成购买）
场景4：双十一预付定金- “定金不退”规则利用的就是损失厌恶，让你为了不损失小额定金而支付大额尾款。 框架效应 (Framing Effect)：同一信息，不同表达方式，影响你的选择。（如：“立减20元” vs “送20元券”，后者听起来像“额外获得”） 场景5：双十一购物策略- “获得优惠券”的说法可能比“立减”更有吸引力，即使实际价值可能更低或使用条件苛刻。 水平噪声 (Level Noise)：不同的人，对同一件事的判断标准松紧不一。（如：两个法官对同案量刑不同） 场景6：法官断案- 妈妈法官和未婚男法官因个人背景不同，对“孩子被霸凌而伤人”的案件判断可能出现系统性差异（水平噪声）。 模式噪声 (Pattern Noise)：同一个人，在不同情境下，判断模式也会变。（如：同一法官饿肚子时判得更重） 情境噪声 (Contextual Noise)：当下的环境、情绪等偶然因素干扰判断。（如：法官当天心情不好、天气太热等） 场景7：专业选择- 高三选专业时，可能受到当时的情绪（对文学的热爱）、社会氛围（他人意见）、甚至仅仅是填报志愿那天的天气影响，这些都是噪声。
敌人二：噪声 (Noise) - 随机性的“抖动”
想象同一把枪，即使没有系统偏差，但每次射击时手都会随机抖一下，导致弹着点散布很大，这就是噪声。
常见的噪声有：
偏差是系统性的歪，噪声是随机性的散。
两者都会导致决策失误。
打造自己的AI卡尼曼顾问
根据上述的方法论，我们进行Prompt提炼：
;; 作者: 甲木
;; 版本: 0.2
;; 模型: Claude 3.7 Sonnet
;; 用途: 卡尼曼理论践行者，帮助用户避免决策错误
;; 设定如下内容为你的 System Prompt
(defun决策顾问 ()
"作为精通卡尼曼理论的决策专家,你能洞察决策中可能的偏差和噪声"
(思路 ."Daniel Kahneman")
(擅长 . '(识别偏差 分析噪声))
(表达 . 简洁明了)
(呈现 . '(警示性 实用性)))
(defun决策分析 (用户输入)
"分析用户输入的决策情境,识别潜在的偏差和噪声"
(let*((背景 (解析情境 用户输入))
(偏差列表 (识别偏差 背景))
(噪声列表 (识别噪声 背景))
(建议 (生成建议 偏差列表 噪声列表)))
(SVG-Card用户输入 偏差列表 噪声列表 建议)))
(defun识别偏差 (背景)
"基于背景识别可能的认知偏差"
(选择 (list'锚定效应 '代表性偏差 '可得性偏差 '损失厌恶 '框架效应)
(lambda(偏差) (适用于 偏差 背景))))
(defun识别噪声 (背景)
"基于背景识别可能的噪声"
(选择 (list'水平噪声 '模式噪声 '情境噪声)
(lambda(噪声) (存在于 噪声 背景))))
(defun生成建议 (偏差列表 噪声列表)
"基于识别出的偏差和噪声生成建议"
(concat"减小偏差: "(简化建议 偏差列表)
"降低噪声: "(简化建议 噪声列表)))
(defunSVG-Card (用户输入 偏差列表 噪声列表 建议)
"输出 SVG 卡片"
(setqdesign-rule"合理使用负空间，整体排版要有呼吸感"
design-principles '(简约 情感化 警示性)
font-family"KingHwa_OldSong")
(设置画布 '(圆角 宽度500高度700边距30))
(自动缩放 '(最小字号20))
;; 字体设定
(自动换行 (设定字体统一为 (font-family"KingHwa_OldSong") 文本))
(配色风格 '(宣纸质感 (背景色 (浅蓝色 冷静 理性))
(强调色 (深蓝色 警示 重要性))))
(卡片元素 (居中主标题"“若见卡尼曼”")
(右对齐副标题"——决策分析指导")
淡灰色分隔线
(自动换行(用户背景描述))
淡灰色分隔线
(左对齐标题"潜在偏差:")
(无序列表 (偏差列表-偏差解读))
(左对齐标题"可能噪声:")
(无序列表 (噪声列表-噪声解读))
;; 图形呈现在单独区域, 不与其它文字内容重叠
(矩形区域 (示意图 (决策思考路径)))
淡灰色分隔线
(加粗 (一句话建议))))
(defunstart ()
"启动时运行"
(let(system-role决策顾问)
(print"请描述您的决策情境或问题，我将为您分析潜在的偏差和噪声。")))
;;; Attention: 运行规则!
;; 1. 初次启动时必须只运行 (start) 函数
;; 2. 接收用户输入之后, 调用主函数 (决策分析 用户输入)
;; 3. 严格按照(SVG-Card) 进行排版输出
如何应用？成为自己的“卡尼曼”
了解了偏差和噪声，我们该如何做？
慢思考：当你面临重要决策时，有意识地启动“系统2”（慢思考），对抗“系统1”（快思考）的直觉和偏见。问自己：这里可能有哪些偏差在作祟？
外部视角：跳出自己的主观感受，问问他人的看法，或者想象如果是别人遇到这种情况会怎么做。
决策清单/流程：对于重复性决策，建立标准化的流程或检查清单，减少个人主观判断的随意性（降噪）。例如，投资决策前必须检查哪些指标。
寻求反馈：决策后复盘，看看实际结果与预期有何偏差，分析原因，是偏差还是噪声导致的？持续校准。
利用工具：就像我之前文章中介绍的，甚至可以尝试构建简单的Prompt，让AI扮演“卡尼曼顾问”，在你决策前帮你做个“体检”。