新信息到手——贝叶斯三步
拿到任何可能改变判断的新信息时，做三件事。
第一件：写下当前判断和置信度。"我觉得这个项目能成，置信度 60%。"必须是具体数字，不是"还行""挺看好的"。
第二件：评估新信息的证据强度。一篇经过同行评审的研究和一条朋友转发的文章，对判断的影响幅度应该完全不同。强证据可以让你从 60% 调到 80%；弱证据可能只让你从 60% 调到 63%。
第三件：微调，不推翻。如果一条信息让你从 30% 直接跳到 90%——停下来。除非是极强的直接证据，否则你大概率在做情绪化更新而不是理性更新。
判断点：如果你发现自己经常"大幅转向"，说明贝叶斯姿态还没内化。合理的更新通常是渐进的。
完成标准：连续两周，每次遇到重要新信息都写下了"旧判断→新信息→调整后判断"的三步记录。
大决定前——查基准率
做任何带赌注的决定之前，先找一个数字：同类事件的历史概率。
创业？同赛道同阶段的项目五年存活率是多少。换工作？跳槽到这个行业的人三年内薪资涨幅中位数是多少。投资？同类资产在类似宏观环境下的年化回报率是多少。
找到基准率后，问一个问题："凭什么认为这次能偏离基准？"如果答不出具体的、可验证的理由，那你对这件事的预期应该紧贴基准率，而不是被个案故事拉走。
如果找不到基准率——说明这件事的不确定性比你以为的更大。不是不能做，但你对判断的置信度应该打折。
判断点：如果你跳过基准率直接评估个案——"这个项目不一样""这次情况特殊"——你的判断大概率被故事性偏差主导了。
完成标准：下一个重要决定之前，花 15 分钟查到了至少一个可用的基准率数字。
每月校准一次置信度
概率思维需要一个反馈循环。没有反馈，标再多数字也只是自我安慰。
具体做法：每月回看上一个月标了置信度的判断。把标了 90% 的拉出来看——有多少真的发生了？标 70% 的呢？50% 的呢？
理想状态：标 90% 的事大约 90% 发生了，标 70% 的大约 70% 发生了。如果标 90% 的只有一半发生——过度自信。如果标 50% 的也有 90% 发生了——过度谦虚（但这种情况罕见得多）。
一开始数据量不够也不要紧。先积累两三个月，趋势就会浮现。重要的不是每个月的准确率，而是你是否在看到偏差后修正了标注习惯。
判断点：如果连续三个月你标 80% 以上的事只有 60% 左右发生，你的过度自信是系统性的——所有判断的置信度都应该往下调一档。
完成标准：维护一个简单的追踪表（笔记本、表格都行），至少记满一个月。
有赌注的选择——算期望值
面对有赌注的选择，不要问"哪个更可能"，而是算"哪个期望值更大"。
列出所有可能结果。给每个结果标两个数字：发生概率和影响量级。两个数字相乘再相加，就是期望值。
一个直觉检验：如果你总是选"最可能"的选项但忽略后果大小，你就在用概率最高的选项替代了期望值最大的选项。90% 概率赚 10 块，不如 20% 概率赚 200 块——前者期望值 9，后者 40。
不需要精确计算。粗估就够用。关键是让自己同时考虑"多大概率"和"影响多大"这两个维度，而不是只看一个。
判断点：回想最近三个决定——你在做选择时，有没有同时考虑概率和后果？如果只看了"哪个更可能"，期望值思维还没生效。
完成标准：下一个有明确赌注的决定，写出了至少两个选项的粗估期望值。
结果出来后——只问一个问题
结果揭晓时，只需要问自己一件事：当时的判断过程合不合理？
好结果不等于好判断。猜对了彩票号码不说明你有预测能力。坏结果也不等于坏判断。做了充分分析后选的股票下跌了，如果分析过程合理、信息利用充分，这仍然是一个好判断——只是碰上了低概率事件。
判断质量只和两件事相关：你是否利用了当时所有可用的信息？推理过程是否符合概率逻辑？
判断点：如果你只在结果好时觉得"看我多对"，在结果差时找外部原因——校准循环就是断的。你在按结果奖惩自己，而不是按过程校准判断。
完成标准：最近一个已揭晓结果的判断，你写下了"当时的判断过程哪里好、哪里可以改"，而且和结果好坏无关。