讀完這章你要能回答：我這個判斷，是在我真懂的範圍內嗎？我有沒有把「相關」當成「因果」、把「倖存者」當成「全部」？
工具能算出數字，但用什麼角度看問題、會掉進哪些坑，靠的是心智模型。這一章收的是幾個高頻、好用的思考框架，以及幾個最常見的認知陷阱。
決策心智模型#
能力圈：先誠實畫出邊界#
能力圈（Circle of Competence）指你真正深入理解、判斷可靠的範圍。它的價值不在圈有多大，而在你清不清楚邊界在哪。
- 誠實區分「真專精」與「表面熟悉」——能講出原理、預測例外、知道它何時會壞，才算圈內。
- 一旦判斷落在圈外，最危險的是「以為自己懂」。此時應該去找誘因與你一致的專家（不會因為你做某個決定而獲利的人），而不是硬撐。
這正是技術方向那章「避免技術情懷」的認識論版本：情懷讓你高估自己圈內的東西、不願承認判斷錯了。畫清能力圈，就是替情懷裝一個煞車。
第一性原理：剝到不可再分的事實#
**第一性原理（First Principles）**是：把問題剝掉所有「大家都這麼做」「業界慣例如此」的假設，回到不可再分的基本事實，再從那裡重新往上推。
- 多數人用類比思考（「別人怎麼做我就怎麼做」），這在穩定領域省力，但在轉折點會把你帶向錯方向。
- 第一性原理問的是：「這件事在物理/數學/經濟上，最底層的限制到底是什麼？拿掉慣例後，還剩什麼是真的非如此不可？」
地圖不是疆域：用一線證據審計模型#
地圖不是疆域（The Map Is Not the Territory）——任何模型、報表、PRD、架構圖都是對現實的簡化，不是現實本身。簡化必然丟資訊，而丟掉的部分常常正是會咬你的地方。
- 定期拿一線的真實證據去審計你腦中的地圖：親自看用戶怎麼用、親自讀日誌、親自跟客服聊。
- 當地圖和疆域衝突，相信疆域，然後更新地圖。
認知陷阱#
下面這些是會系統性扭曲判斷的常見陷阱。認得出名字，就比較容易在自己身上抓到：
| 陷阱 | 機制（為何會騙到你） | 解法 |
|---|---|---|
| 相關 ≠ 因果 | 兩件事一起變動，未必一個導致另一個（可能有共同原因） | 找機制、做對照實驗（A/B）、問「有沒有第三變數」 |
| 倖存者偏誤 | 只看到活下來的樣本，失敗的早已從視野消失 | 主動去找「沒成功的那些」：陣亡名單、流失用戶 |
| 基率謬誤 | 只看眼前證據，忽略事件本身的先驗機率（base rate） | 先問「這類事整體發生率多高」，再用證據調整 |
| 向均值回歸 | 極端表現後自然回歸平均，被誤當成某干預的功勞 | 對照沒干預的組；別在高峰/低谷後急著歸因 |
| 小數法則 | 用太小的樣本下大結論，把雜訊當訊號 | 看樣本量、看信賴區間；小樣本只當線索不當定論 |
| 主動資料淹沒被動資料 | 容易拿到的資料（報表、儀表板）排擠掉難拿但更真實的資料 | 刻意去蒐集「沉默的證據」：流失者、沒回應的人 |
基率謬誤的數字直覺（貝氏）#
基率謬誤最反直覺，用個小例子。假設某故障的盛行率（基率）只有 1%，你有個準確率 99% 的告警（真陽性 99%、誤報 5%）。告警響了，真的故障的機率是多少？
用貝氏定理：
$$ P(故障 \mid 告警) = \frac{P(告警 \mid 故障),P(故障)}{P(告警)} $$
代入：分子 $= 0.99 \times 0.01 = 0.0099$；分母 $= 0.99 \times 0.01 + 0.05 \times 0.99 = 0.0099 + 0.0495 = 0.0594$。
$$ P(故障 \mid 告警) = \frac{0.0099}{0.0594} \approx 16.7% $$
告警準確率 99%，但因為故障本身罕見（基率低），告警響了真正故障的機率其實只有約 17%。這就是為什麼罕見事件的高靈敏告警會淹沒在誤報裡——忽略基率，會讓你嚴重高估每個告警的可信度。
本章要點#
- 能力圈：誠實分辨真懂與表面熟悉；出圈就找誘因一致的專家，別硬撐。
- 第一性原理：剝掉慣例假設、回到基本事實再重建，尤其在轉折點別只靠類比。
- 地圖不是疆域：模型是簡化，定期用一線證據審計；衝突時相信疆域。
- 常見認知陷阱：相關 ≠ 因果、倖存者偏誤、基率謬誤、向均值回歸、小數法則、主動資料淹沒被動資料。
- 重視基率：罕見事件下，再準的訊號也可能大多是誤報——先看先驗機率。