贝叶斯决策 AI 技能全解析：如何用 AI 做高质量不确定决策

目标读者：产品经理、创业者、工程师，以及需要在信息不完整条件下做重要决策的任何人 核心问题：当风险不确定、信息不完整时，如何更理性地判断"这件事到底该不该做"？ 难度：⭐⭐⭐⭐ 类型：专家设计 预计阅读时间：25 分钟

🎯 问题背景：为什么需要贝叶斯决策

传统决策的困境

我们在做重要决策时，通常面临两种极端：

1. 拍脑袋决策：基于直觉和情绪，“感觉对"就做，事后往往后悔
2. 过度分析瘫痪：等收集完所有数据再做决定，但完美信息根本不存在

更糟糕的是，人类大脑天生不擅长概率思维。研究表明，即使是有经验的专家，也会：

• 高估小概率事件的确定性
• 把相关性误认为因果性
• 用"后见之明"重新解释决策过程

贝叶斯决策的核心思想

贝叶斯决策的核心框架是：先有一个初始判断（先验），然后用新证据不断更新判断（后验），最终做出更理性的决定。

这解决了三个关键问题：

📝 核心概念：先验、后验与证据等级

先验概率（Prior Probability）

先验是你在收集新证据之前，对某个假设成立概率的初始判断。

先验概率 = P(H) = 在看到新证据之前，假设 H 成立的概率

示例：假设你要判断"这个产品该不该上线"

• 先验 P(H) = 0.3（基于类似产品的历史数据，成功率约 30%）
• 这个先验可能来自参考类（reference class）中类似产品的成功率

关键原则：先验必须基于可辩护的参考类，不能凭空捏造。如果没有可信的历史数据，先验应该标记为"弱先验"。

似然比（Likelihood Ratio）

似然比衡量的是：新证据在多大程度上支持或反对假设。

似然比 LR = P(E|H) / P(E|¬H)

- LR > 1：新证据支持假设 H
- LR = 1：新证据对判断没有影响
- LR < 1：新证据反对假设 H

证据分级与对应的似然比估算：

后验概率（Posterior Probability）

后验是在看到新证据之后，更新后的假设成立概率。

# 贝叶斯更新公式（赔率形式）
posterior_odds = prior_odds × likelihood_ratio
posterior_probability = posterior_odds / (1 + posterior_odds)

# 其中
prior_odds = prior_probability / (1 - prior_probability)

示例：继续上面的产品上线决策

先验赔率：0.3 / (1 - 0.3) = 0.43
似然比：LR = 2.0（新获得了一个中等强度的正面证据）
后验赔率：0.43 × 2.0 = 0.86
后验概率：0.86 / (1 + 0.86) = 0.46

经过这次更新，成功的概率从 30% 提升到了 46%。

决策就绪度（Decision Readiness）

决策就绪度衡量的是：当前的判断是否足够成熟，可以支撑做出正式决定。

重要区分：决策就绪度 ≠ 后验概率。就绪度反映的是判断的"成熟度"，而非假设成立的"可能性"。

🔄 多轮对话机制：如何通过迭代提问更新判断

核心工作流

当用户给出一个不完整的决策问题时，yao-bayesian-skill 不会等待完美信息，而是：

1. 形成弱先验 + 初步判断：即使信息不足，也给出一个临时结论
2. 识别关键信息缺口：明确指出哪些信息对判断最重要
3. 提出最高价值问题：每次只问 1-3 个最关键的问题
4. 记录更新过程：记录每一轮的变化及其原因
5. 持续更新后验：每轮对话后更新判断，直到决策就绪

轮次模板结构

每一轮对话都被结构化记录：

{
  "round": 1,
  "stage": {"zh": "初始问题澄清", "en": "Initial framing"},
  "user_input_summary": {
    "zh": "用户提供的初始信息摘要",
    "en": "Summary of user's initial input"
  },
  "missing_information": [
    {"zh": "缺少的关键信息项", "en": "Missing key information item"}
  ],
  "prior_probability_before": 0.30,
  "bayes_update": {
    "update_method": "odds-update",
    "likelihood_ratio": 2.0,
    "direction": "support",
    "dependency_discount": 0.9
  },
  "posterior_probability_after": 0.46,
  "decision_readiness": 0.40,
  "interim_judgment": {
    "zh": "基于当前信息的初步判断",
    "en": "Preliminary judgment based on current information"
  }
}

对话示例

第一轮：初始问题

用户：我该不该跳槽到这家 AI 初创公司？

Skill 分析后：

初始先验：P(跳槽成功) = 0.35（基于初创公司平均成功率）
初步判断：可以去，但需要更多信息来修正判断
关键缺口：
  1. 这家公司的历史融资和人才留存率？
  2. 你个人的风险承受能力和经济储备？
  3. 这个岗位的具体成长空间？

决策就绪度：0.30（信息严重不足）

第二轮：补充信息后

用户：上家公司干了 3 年，存款够花 18 个月，这家公司刚融完 B 轮。

Skill 更新：

新先验：P(跳槽成功) = 0.35
新证据：
  - B轮融资 → LR ≈ 1.8（支持）
  - 3年工作经验 → LR ≈ 1.4（支持）
  - 18个月储备 → LR ≈ 1.2（弱支持）

更新后验：P(跳槽成功) = 0.58
决策就绪度：0.55（接近可决策，但仍有关键缺口）
建议：再问 1 个问题——这家公司的核心技术壁垒是什么？

停止条件

Skill 会在以下情况停止迭代并输出最终决策：

1. 决策就绪度 ≥ 0.75：关键信息已收集足够
2. 最佳行动明确：即使信息不完美，也能看出明显优于其他选项
3. 推荐低成本测试：当不确定时，推荐先做一个小范围验证

📊 报告结构：从分析到行动的完整输出

报告必须包含的章节

自然频率规则

所有概率结果必须翻译成自然频率形式，让非技术用户也能理解：

敏感性分析

报告必须测试：

1. 先验敏感性：如果先验概率变化 ±10%，后验概率如何变化？
2. 证据强度敏感性：如果证据等级降低一级，结论是否改变？
3. 行动阈值敏感性：如果阈值设定变化，行动建议是否改变？

稳定性标签：

• stable：推荐行动在测试范围内保持一致
• mixed：部分场景改变了推荐行动
• unstable：多个合理参数设置导致不同行动 → 建议先做低成本测试

🌐 报告导出：Markdown + 双语 HTML

导出工作流

python3 scripts/generate_report_bundle.py input_file.json output_dir/

这个命令同时生成两份报告：

1. Markdown 报告（简体中文）：可读的源文档，适合复制和协作
2. HTML 报告（双语切换）：视觉化报告，带有交互功能

HTML 报告特殊功能

打印规则

当用户点击"打印"或"保存为 PDF"时：

1. 所有折叠的章节自动展开
2. 隐藏粘性导航和交互控件
3. 触发浏览器原生打印对话框
4. 用户可选择"保存为 PDF"

🛠️ 使用场景与实战案例

场景一：产品功能决策

问题：要不要在下个版本中加入 AI 对话摘要功能？

分析：

关键证据收集：

• 用户调研显示 70% 用户表达需求 → LR ≈ 2.2
• 技术可行性评估为中等 → LR ≈ 1.3
• 竞品刚发布类似功能 → LR ≈ 0.8（竞争压力）

更新后验：P(成功) = 0.52

建议：可以做，但需要差异化；如果资源有限，建议先做一个小范围 A/B 测试。

场景二：职业选择

问题：该不该接受这个 offer？

决策就绪度追踪：

最终建议：决策就绪度达到 0.80，可以做出正式决定。

场景三：创业方向选择

问题：该做 toB 还是 toC 产品？

这类问题通常：

• 参考类更弱（缺乏可比的历史数据）
• 因果链条更复杂
• 敏感性更高

建议策略：

1. 使用更宽的先验分布（降低置信度）
2. 进行更细致的敏感性分析
3. 推荐低成本验证实验
4. 设置决策复审时间点

⚠️ 高风险领域限制

以下领域需要额外谨慎：

高风险领域必须包含的免责声明：

⚠️ 本报告仅供决策支持参考，不构成最终的专业医疗/法律/投资建议。在做出高风险决策前，请咨询相关领域的持牌专业人士。

🎓 设计原则总结

可复用的经验

1. 先验不必完美，但必须可辩护：即使信息不足，也要给出一个基于参考类的初始判断
2. 证据质量比数量重要：一条 A 级证据胜过十条 D 级证据
3. 决策就绪度 ≠ 后验概率：判断成熟度和假设成立概率是两回事
4. 不稳定结果 → 低成本测试：当结论敏感时，先小范围验证
5. 自然频率让概率更直观：把"35%“翻译成"100 个类似案例中 35 个成功”

常见陷阱

🔗 相关资源

• GitHub 仓库：yaojingang/yao-open-skills
• 参考文档：
  • Intake Contract — 请求转决策简报
  • Multi-turn Dialogue Loop — 多轮对话机制
  • Evidence Prior Playbook — 证据分级和先验设置
  • Decision Report Contract — 报告结构规范
  • Report Export Pipeline — 报告导出流程
  • Sensitivity And Safety — 敏感性和安全性分析

文档信息

难度：⭐⭐⭐⭐ | 类型：专家设计 | 更新日期：2026-04-25 | 预计阅读时间：25 分钟