本页目录
拿到一个决策任务，先判断环境再选工具
多数人拿到一个决策任务，第一反应是开始收集信息。Gigerenzer 的整本书在说一件事：先停一下，看看你面对的环境长什么样。环境结构决定了哪种工具更准确——有时候你需要更多数据，有时候你需要更少。
先问三个环境问题
拿到决策任务之后，在开始分析之前先回答这三个问题。
不确定性有多高？ 你对未来结果的分布知道多少？如果你有大量历史数据，分布稳定，变量之间的关系明确——不确定性低。如果你只有有限的过往经验，环境在变，结果受大量不可控因素影响——不确定性高。
可用样本有多大？ 你手里用来估算规律的数据有多少？五十个案例和五千个案例适合的决策工具完全不同。样本越小，复杂模型越容易过拟合。
线索之间相关性高不高？ 你考虑的多个评估维度之间，有没有大量重复信息？如果八个指标里有六个说的是差不多的事情，加权汇总不会比只看最强的那一个更准确。
三个问题的答案指向两条路。
不确定性高、样本有限、线索冗余度高——走简单启发式。不确定性低、样本充分、线索独立贡献——走复杂模型。
灰色地带怎么办：默认先从简单规则开始。用简单规则做出初步判断，然后看一眼结果。如果简单规则的判断让你明显不安，再追加分析。追加的分析有明确的目标：检查简单规则漏掉了什么，而不是重新从零开始。
第一次就能跑通的最小闭环
你不需要把三条启发式全学会才能开始用。第一次试用时，只做一件事：在下一个决策任务到手的时候，先花两分钟回答三个环境问题，再动手。
哪怕你回答完之后还是决定做复杂分析——没关系。这两分钟的价值不在于改变决策方式，在于让你意识到"我是在什么环境下做这个决策"。大多数人从来没有问过这个问题。
做完决策之后，记一笔：我用了什么方式？环境判断是什么？结果和我的预期一致吗？三次之后你会开始形成自己的校准感。
三条启发式各自适配什么局面
环境判断完成之后，如果走简单启发式这条路，下一步是选具体用哪一条。
再认启发式 适合这种场景：你对候选对象的了解程度差异很大，有的听过有的没听过。你在做的判断和"被提到的频率"之间存在相关。比如判断城市大小、品牌知名度、公众人物影响力。
不适合的场景：你对所有候选对象都很熟悉（再认没有区分度），或者你的认知来源本身有偏（广告驱动的熟悉度和产品质量无关）。
信息量最大优先 适合这种场景：你有多条线索可以参考，但没有可靠的权重估算。需要快速做出二选一判断。医疗分流、候选人筛选、快速评估两个方案优劣。
操作：把线索按区分能力排队。从最强的那条开始看。能分出高下就停。分不出就看下一条。
不适合的场景：选项之间的差异需要综合多个维度才能体现，单条线索不够区分。
满意即止 适合这种场景：候选选项比较多，搜索成本不低，选项之间的质量差距不大。你在找一个"够好的"选项，而不是"最好的"选项。
操作：设好门槛。逐个看候选。第一个过门槛的就选。
不适合的场景：选错代价极高，而且你有充足时间和低成本的搜索方式。
门槛怎么设才不会漏掉致命维度
满意即止策略里最容易出事的环节不是"选了一个不够好的"，而是"门槛只覆盖了容易量化的维度"。
一个方案性能达标、成本达标，你选了。三个月后发现安全性有硬伤。问题不是满意即止策略本身，而是你的门槛清单里只有性能和成本，没有安全。
设门槛时用这个检查：除了最容易测量的那几个维度之外，有没有一个难以量化但一旦不达标就致命的维度？如果有，先把它放进门槛。
门槛不需要精确到小数点。"安全性通过内部评审"就够了。关键是这个维度出现在你的检查清单里，而不是被遗忘在清单之外。
做完判断之后查一遍
做完决策之后，花两分钟回查一遍自己的过程。
如果你用了简单规则，问：我有没有忽略一条真正重要的线索？如果有一条线索和其他线索方向完全相反，而且它的可信度很高，简单规则可能不够。
如果你用了复杂分析，问：我多纳入的那些信息，有没有真的改变结论？如果去掉三四个维度结论不变，那些维度带来的不是精度，是噪声。
如果你花了三天做分析但结论和第一天的直觉一样，这本身就是一条信号：你面对的可能是一个简单规则就能处理的环境。下次遇到类似任务，可以更早停止搜索。
还有一种值得警惕的情况：你做了简单判断，结果不错，于是开始在所有场景里都用简单规则。但你当初用简单规则成功的那个环境，不确定性高、样本少、线索冗余。现在换了一个稳定环境、数据充足——简单规则的优势可能已经消失了。
环境识别不是一次性判断。每次决策任务的环境都不一样。
最小版：一张随手可查的决策路径卡
- 我面对的环境不确定性高不高？
- 我手里的参考样本多不多？
- 我考虑的多个线索之间重复度高不高？
- 三个答案中有两个以上指向"高/少/高"→ 启发式优先
- 选一条最匹配的启发式：再认 / 信息量最大优先 / 满意即止
- 做完后回查：简单规则有没有漏掉关键线索？复杂分析有没有只增加噪声？