贝叶斯更新是 贝叶斯定理 的决策化表达。贝叶斯会怎样做 问的是一个实践问题：面对新证据，应把原有置信度上调或下调多少；贝叶斯定理:只有正确的预测才能让我们更接近真相 则强调用可检验预测持续校准先验，而不是只在事后解释。
一个人拿到体检报告。
报告显示某项罕见疾病筛查为阳性，检测准确率写着 95%。他的第一反应很可能是：我大概率真的得病了。
一个投资者买入一家公司。
买入时，他相信这家公司有护城河、管理层优秀、长期空间巨大。过了两个季度，公司收入下滑，竞争对手增长更快，管理层解释说只是短期波动。他的第一反应很可能是：我的长期判断没有变。
一个创业者看到新产品数据。
第一批用户反馈很好，转化率也不错。他的第一反应很可能是：产品市场匹配已经出现了。
这些场景看起来不同，底层问题却一样：
新证据出现以后，你的判断到底应该移动多少？
贝叶斯更新要解决的，不是“如何拥有一个绝对正确的观点”，而是：
如何把信念当成概率，
并让它随着证据强弱不断调整。
多数人的判断方式是二元的：
相信 / 不相信；
看好 / 不看好；
有问题 / 没问题；
成功 / 失败。
贝叶斯更新要求你换一种方式：
我现在有多大概率相信它？
这条新证据应该让我把概率提高多少，或降低多少？
这是一种更慢、更诚实，也更接近现实的思考方式。
一、贝叶斯更新到底在更新什么
贝叶斯更新可以先不用公式理解。
它的核心只有一句话：
先验概率 + 新证据强度 = 后验概率
先验概率，是你在看到新证据之前，对一件事的判断。
它可能来自基础比率、历史经验、专业知识、已有数据，也可能来自你过去形成的某个假设。
新证据强度，是这条信息真正改变判断的力量。
一条证据强不强，不取决于它听起来多惊人，而取决于两个问题：
如果我的假设是真的，这条证据出现的可能性有多大？
如果我的假设是假的，这条证据出现的可能性又有多大？
如果一条证据在“假设为真”和“假设为假”两种情况下都很容易出现，它就不是强证据。
如果一条证据在“假设为真”时很容易出现，而在“假设为假”时很难出现，它才会大幅推动判断。
后验概率，是吸收新证据之后的新判断。
它不是终点，而是下一轮判断的起点。
所以贝叶斯更新不是一次性计算，而是一种循环：
旧判断 → 新证据 → 新判断 → 再遇到新证据 → 再更新
它让你既不被最初观点锁死，也不被最新消息牵着走。
二、基础比率与参照类：贝叶斯更新的起点
贝叶斯更新很容易和“条件概率与基础比率”混在一起。二者关系极近：基础比率就是先验，条件概率就是你更新时问的方向。所以本文把“条件概率与基础比率”并入进来，作为贝叶斯更新的起点部分——先看这类事情通常怎样，再谈证据该让你移动多少。
二者侧重点不同。
基础比率提醒你：
先问这类事情通常怎样。
贝叶斯更新继续追问：
在这个起点上，新证据应该让我移动多少？
比如罕见病检测。
如果某种病在人群中的基础发病率只有 1%，检测准确率是 95%，一个人检测阳性以后，直觉会把“检测准确率 95%”误读成“得病概率 95%”。
但这忽略了基础比率。
在 10000 个人里，真正有病的大约 100 人。检测准确率 95%，其中大约 95 个会被测出阳性。
但剩下 9900 个没病的人里，如果有 5% 被误判为阳性，就会产生大约 495 个假阳性。
于是，所有阳性结果里，真正有病的大约是：
95 / (95 + 495) ≈ 16%
阳性结果当然是坏消息，它应该提高“有病”的概率。
但它不应该把概率从 1% 直接推到 95%。
这就是贝叶斯更新的直觉：
证据会改变判断，
但改变幅度取决于起点和证据质量。
基础比率给你一个冷静的起点。
贝叶斯更新告诉你，新的检测结果、经营数据、市场反馈、专家观点、个人经历，应该让你从这个起点移动到哪里。
先看这类事情通常怎样
罕见病检测只是基础比率的一种表现。再看一个经典的“出租车问题”。
一个城市里绿色车很多、蓝色车很少。某天晚上发生肇事逃逸，一位目击者说肇事车是蓝色的，而他辨认颜色的准确率高达 80%。很多人的直觉会说：那肇事车大概就有 80% 概率是蓝色。
但这忽略了一个更基本的问题：这座城市里蓝色车本来有多少？如果绝大多数车是绿色，只有少数是蓝色，那么即使目击者准确率不低，被误认成“蓝色”的绿色车绝对数量，也可能超过真正被认对的蓝色车。
这就是基础比率的力量：新证据不是孤立存在的，它的意义要放到总体背景里理解。一个 95% 准确率的检测，在常见病和罕见病上含义完全不同；一个 70% 胜率的信号，如果是从海量指标里事后挑出来的，含义也完全不同。所以判断的第一步，不是问“这个案例哪里特殊”，而是问：
它属于哪一类？
这一类事情的历史分布是什么？
参照类决定判断质量
基础比率不是从天上掉下来的，你必须先选对参照类。
同样是一家创业公司，参照类可以是“所有创业公司”“某个行业的创业公司”“有连续创业经验的团队”“已经有产品市场匹配的公司”“只靠故事融资的公司”——不同参照类，基础比率天差地别。把一家已有稳定现金流、高复购的公司塞进“所有创业公司”，会低估它；把一家只有故事的公司塞进“未来伟大科技公司”，会严重高估它。
参照类越准确，基础比率越有用；参照类越模糊，越容易误导。这也是能力圈重要的原因：你懂一个领域，才知道该拿什么做参照；你不懂，就会被对方替你选择参照类。当有人说“我们正在成为下一个某某巨头”，你要反问：历史上有多少公司也这么说？其中多少真的做到了？这家更像成功者，还是更像失败者？选择参照类，就是把故事拉回统计地图。
别把方向搞反：检察官谬误
条件概率最容易错的地方，是把两个方向搞反。你真正想知道的是：
P(假设成立 | 看到证据)
但人常常把它错换成：
P(看到证据 | 假设成立)
一个检测对某病很敏感（有病时很可能阳性），说的是 P(阳性 | 有病)；但病人关心的是 P(有病 | 阳性)，后者还要看该病在人群中的基础发病率。法庭上也一样：某证据在“有罪时”很可能出现，不等于“该证据出现时”嫌疑人就大概率有罪——你还得问无辜者出现类似证据的概率、这类犯罪的基础发生率、有没有其他解释。把“假设为真时证据常见”误读成“证据出现时假设必真”，就是检察官谬误。
为什么人会忽略基础比率
因为基础比率无聊——它是统计的、抽象的、没有主角的，不会讲故事、不会让人兴奋。而具体案例生动、带情绪，天然抓住注意力：一个创始人眼睛发亮地讲愿景，一份报告上写着阳性，一个朋友说他靠某策略赚了很多钱。忽略基础比率，本质是一种叙事冲动：人喜欢问“这个故事会怎样发展”，却不爱问“类似故事通常怎样结束”。但“大多数创业公司会失败”“大多数主动基金长期跑不赢指数”“大多数罕见病筛查阳性需要复检”这些不好听的话，常常比具体故事更接近现实。
起点，但不是终局
基础比率很重要，但它不是命运。“大多数创业公司会失败”，不等于你不能创业。基础比率的作用不是让人放弃，而是让人清醒：它告诉你面对的是顺风还是逆风，证据要多强才值得改变判断，该留多少安全边际。当你有强证据、好参照类、足够安全边际和可承受的失败成本时，即使基础比率不利也可以行动；但如果只有热情、故事和模糊希望，基础比率就是一盆必要的冷水。
这正是贝叶斯更新要接着做的事：从这个起点出发，按证据强度决定移动多少。
三、真正难的是证据强度
贝叶斯更新最容易被误用的地方，是把“新信息”直接当成“强证据”。
这二者不是一回事。
一个新闻标题，是新信息，但未必是强证据。
一个朋友的亲身经历，是新信息，但未必是强证据。
一个季度的业绩波动，是新信息，但未必是强证据。
一个专家的坚定判断，是新信息，但未必是强证据。
强证据通常有几个特征。
第一，它和你要判断的问题直接相关。
如果你想判断一家公司的竞争优势，真正有用的证据不是发布会气氛，而是客户留存、价格韧性、毛利率变化、竞争对手进入后的表现、现金流质量。
第二，它能区分不同假设。
比如一家公司的收入增长很快，可能说明产品很好，也可能只是补贴很重、渠道压货、行业短周期景气。单看收入增长，很难区分这些假设。
但如果同时看到高留存、低获客成本、自然复购、涨价后流失率低，证据就强得多。
第三，它来自独立来源。
同一个公司口径、同一类媒体报道、同一个数据源反复出现，不能当成多条独立证据。
如果你把同一个来源变形后的信息重复计算，就会以为自己拥有很多证据，其实只是一个声音在回响。
第四，它经过时间检验。
短期数据很容易是噪声。
一次成功、一次失败、一个季度、一个爆款、一次舆论反转，都可能让人过度更新。
但如果同一方向的证据在不同时间、不同环境、不同压力下持续出现，后验概率就应该明显移动。
一句话：
贝叶斯更新不是见风使舵，
而是按证据强度调整信念。
四、为什么预测是最好的自我校准
贝叶斯更新和预测天然连在一起。
因为如果你只说“我看好”“我不看好”“我觉得可能”，事后很难检查自己到底对不对。
但如果你说：
我认为这件事有 70% 概率发生；
我认为这家公司未来三年收入复合增长超过 20% 的概率是 40%；
我认为这个产品三个月后留存率超过某个阈值的概率是 60%。
你的判断就开始接受现实检验。
一个好的预测者，不是每次都说中。
如果你说某件事有 70% 概率发生，那么长期看，类似判断大约应该有 70% 发生、30% 不发生。
这叫校准。
贝叶斯更新训练的正是这种能力：
先把判断变成概率；
再让概率接受证据检验；
最后用结果修正自己的判断方式。
这比事后解释强得多。
事后解释几乎人人都会。
市场涨了，可以解释为流动性宽松。市场跌了，可以解释为估值过高。同一套语言可以解释相反结果。
但事前预测会逼你暴露真实判断。
你必须回答：
我到底认为它有多可能？
什么证据会让我提高概率？
什么证据会让我降低概率？
如果结果错了，我是哪一步错了？
这就是为什么贝叶斯更新不是单纯的数学模型，而是一种诚实面对现实的纪律。
五、在投资里怎么用
投资里最常见的错误有两种。
一种是更新太慢。
买入时形成了一个投资故事：好公司、好管理层、好行业、长期空间大。之后即使出现越来越多反证，也不断解释为短期噪声。
收入放缓，是宏观影响。
毛利下滑，是暂时投入。
竞争加剧，是市场教育。
管理层失误，是一次偶然。
每个解释单独看都可能成立，但如果反向证据持续出现，贝叶斯更新就要求你降低原假设的概率。
所谓能力圈，不是让你永远相信自己熟悉的公司，而是让你更准确地判断哪些证据真的改变了商业质量。
另一种是更新太快。
一家公司一个季度超预期，就从普通公司变成伟大公司。
一个产品爆红，就从项目验证变成长期垄断。
一个宏观数据好转，就从衰退担忧变成全面乐观。
这也是错误。
单点数据可能只是噪声，尤其当样本小、周期短、数据容易被管理或市场情绪放大时。
投资中的贝叶斯更新，可以按四步做。
第一，写下先验。
不要只写“我看好这家公司”，要写：
我认为它成为长期优秀投资的概率是多少？
这个判断基于哪些基础比率和具体证据？
第二，写下关键假设。
比如：
护城河是否真的存在；
单位经济模型是否能成立；
增长是否来自真实需求；
管理层是否理性配置资本；
竞争是否会压低回报率。
第三，给证据分层。
强证据应该能直接验证关键假设。
弱证据只能小幅移动判断。
比如客户留存恶化、价格下降后仍留不住用户、竞争对手以更低成本获取相同客户，这些比媒体评价和短期股价更值得重视。
第四，预先设定更新规则。
在买入前就问：
什么情况出现，我会承认原判断错了？
什么情况出现，我会提高仓位？
什么情况只是噪声，不值得行动？
这能减少情绪干扰。
因为真正困难的不是知道要更新，而是在自己已经投入金钱、面子和故事以后，仍然愿意更新。
六、在创业和产品里怎么用
创业者也需要贝叶斯更新。
尤其是在早期阶段，信息少、噪声大、情绪强，很容易把少量反馈过度解释。
几个用户喜欢，不等于市场需要。
一次活动转化好，不等于渠道成立。
一个大客户愿意试用，不等于商业模式可复制。
但反过来，早期数据不好，也不一定说明方向彻底失败。
可能是产品表达不清，可能是触达用户不准，可能是价格设计有问题，也可能是样本太小。
贝叶斯式创业不是盲目坚持，也不是频繁转向，而是不断问：
这条反馈是在验证哪个假设？
它应该让我对这个假设提高多少信心？
还有没有其他解释？
下一步要收集什么证据，才能更有效地区分这些解释？
比如你想判断一个产品是否有强需求。
弱证据包括：
- 用户说“这个想法不错”；
- 朋友愿意试用；
- 发布当天访问量很高；
- 社交媒体反馈热烈。
强证据包括：
- 用户持续回来；
- 用户愿意付费；
- 用户主动推荐；
- 用户即使流程不完美也愿意忍受；
- 获客成本下降而留存稳定。
贝叶斯更新会让你少被掌声误导，也少被一次冷启动失败击垮。
它把创业从“相信愿景”拉回到“逐步提高或降低假设概率”。
七、在个人判断里怎么用
贝叶斯更新也适用于生活。
判断一个人是否可靠，不要因为一次迟到就全盘否定，也不要因为一次热情就完全信任。
看他在不同场景、不同压力、不同利益关系下是否持续一致。
判断一个建议是否可信，不要只看对方是否自信，而要看：
他过去在类似问题上预测准不准？
他有没有利益冲突？
他的判断是否可检验？
他说错以后会不会修正？
判断一个健康信号，也不要被单次检查或单个症状吓住。
先看基础概率，再看检测可靠性，再看是否需要复检，再看多项证据是否一致。
生活中的很多痛苦，来自两种极端：
一次证据就翻脸；
反复证据仍不承认。
贝叶斯更新训练的是中间能力：
不因一条证据过度反应，
也不因旧信念拒绝反应。
八、常见错误
第一，没有先验。
如果你一开始没有写下自己的判断，新证据出现时就不知道自己到底移动了多少。
最后很容易变成事后合理化：结果好，就说自己早看到了；结果坏，就说只是意外。
第二，先验选错。
先验不是随便拍脑袋，而要尽量来自合适参照类。
把一家普通创业公司拿来和极少数巨头相比，会高估成功概率。把一家已经有强现金流和高留存的公司放进“所有创业公司”的粗糙篮子里，也可能低估它。
第三，把鲜活故事当强证据。
生动不等于重要。
一段采访、一个案例、一位名人的判断，可能很有感染力，但它未必能显著改变概率。
第四，重复计算同一条证据。
一个公司发布数据，媒体报道，分析师解读，社交媒体传播，最后你觉得很多人都这么看。
其实这些可能都来自同一个源头。
第五，更新太慢。
这是承诺一致性倾向在起作用。
人一旦公开表达观点、投入资金、写下理由，就会倾向于保护旧判断。
贝叶斯更新要求你把“我错了”看成系统正常运作，而不是人格失败。
第六，更新太快。
这是近期偏差和可得性偏差在起作用。
最新、最强烈、最容易想起的信息，会被大脑放大。
但不是所有新信息都值得大幅更新。
第七，把后验当终局。
贝叶斯更新没有终局。
今天的后验，只是明天的先验。
这句话很重要。
它能防止你把一个阶段性判断变成新的教条。
九、一个简单检查清单
遇到重要判断时，可以按这个顺序问：
1. 我现在的判断是什么？能不能写成概率？
2. 这个概率的先验来自哪里？参照类选得对吗？
3. 新证据具体是什么？它可靠、独立、直接吗？
4. 如果原假设为真，这条证据出现的概率是多少？
5. 如果原假设为假，这条证据出现的概率是多少？
6. 这条证据应该让我小幅更新，还是大幅更新？
7. 有没有其他解释能同样解释这条证据？
8. 哪些后续证据会继续提高或降低我的判断？
9. 我有没有因为面子、仓位、身份或情绪而拒绝更新？
10. 更新后的判断，会改变行动吗？如果改变，怎么改变？
这份清单的重点不是精确计算。
很多真实问题没有足够数据让你算出漂亮公式。
但只要你开始用这种方式提问，你已经比“凭感觉相信”和“凭故事反驳”更接近理性。
十、它的边界
贝叶斯更新不是万能工具。
它至少有三个边界。
第一，先验可能很差。
如果你完全不懂一个领域，参照类选错，基础概率失真，后面的更新也会偏。
这就是为什么能力圈重要。
第二，证据可能被污染。
数据可能有选择偏差，样本可能太小，激励可能扭曲披露，幸存者偏差可能让你只看到成功案例。
如果输入质量差，更新过程再漂亮也没用。
第三，世界可能变了。
历史基础比率很重要，但有些结构性变化会让旧数据失效。
技术、制度、竞争格局、消费者行为、资本成本，都可能改变原来的概率分布。
所以贝叶斯更新不能机械地崇拜过去。
它要求你同时保留两种能力：
尊重历史基础概率；
识别真正改变概率结构的新证据。
这也是它难的地方。
十一、反思与回顾：把贝叶斯更新变成一种习惯
贝叶斯更新在数学上很清楚，难的是让自己真的定期去做。人不会在每次新证据出现时自然地停下来重估概率——面子、仓位、身份和惯性都在拉着你保持原判断。要对抗这一点，就需要把更新变成一种有节奏的例行动作。这正是《原子习惯》里“反思与回顾”（Reflection and Review）的价值。
詹姆斯·克利尔建议给习惯和身份设一个定期复盘：比如每年做一次“年度回顾”，问自己今年什么进展顺利、什么不顺利、学到了什么；再做一次“诚信报告”，检查自己的核心价值和行为是否还对得上。表面看这是习惯管理工具，本质上它就是贝叶斯更新在个人成长层面的落地——用一段时间积累的真实证据（实际做到了什么、结果如何），去修正关于“我是谁、什么方法有效、该往哪走”的先验判断。
反思与回顾之所以重要，是因为它同时防住了本文说的两种错误。它有固定周期，不会因为某一天心情不好、某一次挫折就推翻整套方向（防更新太快）；它又强制你面对累积证据，不让你靠“下次一定”把明明已经失效的假设无限拖下去（防更新太慢）。换句话说，它给信念的漂移装了一个采样节拍：既不是每条噪声都反应，也不是永远不反应，而是隔一段时间用一批更可靠的证据认真更新一次。
要让这道工序真正有用，有几个从《原子习惯》来的要点值得照搬。
第一，把反思当校准，而不是后悔。复盘的对象是系统而不是人格——不是审判“我是不是个糟糕的人”，而是检查“这套行为有没有产生我想要的结果、哪些该保留、哪些只是看起来勤奋”。当成校准，人才愿意认真面对证据；当成惩罚，做得好时不想看、做得差时更不想看。
第二，先看行为，再看结果。结果会被顺风或逆风污染：一个月体重没变不代表训练失败，一笔投资赚钱不代表决策正确。所以顺序应是“我做了什么 → 是否符合正确原则 → 结果如何 → 行为与结果的关系 → 下一轮保留/停止/调整什么”。这与本文第四节完全一致：好结果配坏过程不该奖励，坏结果配好过程不该否定——分清判断错、信息错、执行错还是运气差，正是贝叶斯式复盘的核心。
第三，定期检查三样最容易悄悄失真的东西：
- 习惯有没有退化成机械重复。重复带来熟练，但熟练不等于精通；没有反馈，错误动作只会被重复得更稳。要问哪个环节需要刻意练习，而不是一味继续加次数。
- 指标有没有绑架目标。追踪步数变成凑步数，追踪字数变成堆字数。指标是路标不是目的地，当它开始诱导坏行为，就换指标或减少追踪。
- 身份有没有变成限制。身份越强越会本能维护它，从而排斥反馈。解法是把狭窄标签改写成底层品质——不是“我是价值投资者”，而是“我是用理性和证据寻找长期不对称机会的人”；身份越底层，适应性越强。
第四，频率要分层，别用一天的情绪改十年的方向。短周期行为用短周期反馈（每天极轻记录、每周小回顾），长周期判断用长周期回顾（每月/季看指标与流程、每年看价值观与方向）。有三种时刻尤其要停下来复盘：进入平台期（重复已不够，要找限制下一步的那个环节）、指标好看但内心觉得不对（怀疑指标替代了目标）、以及听到不同意见时本能想自我辩护（多半是某个身份被触碰了）。
落到具体动作：给重要判断设复盘日期，而不是等“想起来”才回顾；复盘时先翻出当初写下的先验和预期，再和真实结果对照，看自己该往哪个方向、移动多少；把“我改变了主意”记录成正常的系统运作，而不是失败。在本文里，反思与回顾就是让贝叶斯更新从“道理”变成“可持续动作”的那道工序。
十二、和其他模型的关系
贝叶斯更新是很多思维模型之间的连接器。
它和“条件概率与基础比率”相连，因为任何更新都要有合理起点。
它和“样本量与统计显著性”相连，因为小样本证据通常不该让判断大幅移动。
它和“置信度校准”相连，因为你需要不断检查自己的概率判断是否可靠。
它和“算术期望值”相连，因为更新后的概率会改变机会的期望值。
它和“决策树理论”相连，因为不同分支的概率需要随着证据变化。
它和“相关不等于因果”相连，因为很多看似支持假设的证据，其实只是相关性。
它和“避免不一致性倾向”相连，因为人最难更新的，往往是已经公开承诺过的观点。
它和“能力圈”相连，因为你必须知道哪些证据在这个领域里真正重要。
它和“检查清单方法”相连，因为人在压力下很难自然完成完整更新，需要外部流程帮忙。
十三、一句话带走
贝叶斯更新不是让你变得犹豫。
它是让你更精确地改变主意。
好的判断不是永远不变，也不是随时摇摆，而是：
用基础比率建立起点，
用证据强度移动概率，
用预测结果校准自己，
用新的后验继续面对世界。
它真正训练的是一种成熟心智：
我可以认真相信一个判断，
也可以在证据足够强时认真改变它。
来源说明
- 《查理·芒格的思维模型·完整版》：贝叶斯定理、先验概率、新证据、后验概率、医学检测、投资判断更新，以及与承诺一致性、基础比率等模型的关系。
- 《信号与噪声》：第八章关于贝叶斯定理、概率预测、信号与噪声、体育博彩案例、预测校准，以及用正确预测逐步接近真相的讨论。
- 《思维模型：建立高品质思维的30种模型》：关于“贝叶斯会怎样做”的说明，强调根据现实事件修正概率、滤除噪声、用新信息持续更新判断。
- 《原子习惯》：反思与回顾（年度回顾、诚信报告、决策日志、身份灵活性）相关内容，整体并入第十一节：把定期复盘作为贝叶斯更新在个人成长层面的落地工序，涵盖“校准非后悔”、先看行为再看结果、三样易失真之物（习惯退化/指标绑架/身份限制）、频率分层与三种触发时刻，兼防更新太快与更新太慢。
- 本文覆盖并合并了 TODO 中的
贝叶斯更新 / 条件概率与基础比率 / 反思与回顾 / 贝叶斯定理 / 贝叶斯会怎样做 / 贝叶斯定理:只有正确的预测才能让我们更接近真相。其中贝叶斯定理“贝叶斯会怎样做”“……只有正确的预测才能让我们更接近真相”是同一定理的不同书名/章节表述，已在正文与来源说明消化；反思与回顾是把更新变成习惯的实践版本，其独立文章已整体并入第十一节，原独立文件不再保留。 条件概率与基础比率是贝叶斯更新的先验/起点部分，机制相同（基础比率即先验、条件概率即更新方向），已整体并入第二节：出租车问题、参照类选择、检察官谬误（P(证据|假设)与P(假设|证据)方向混淆）、忽视基础比率的叙事冲动，以及“基础比率是起点而非终局”的边界。原独立文件不再保留。来源为《查理·芒格的思维模型·完整版》中条件概率、基础比率、出租车问题、检察官谬误、参照类选择等内容。