先验概率 Prior
看见这次新证据之前，你对一个假设的判断。先看同类事情的基准率，再放入自己的经验；缺少数据时，坦诚标注主观估计。
“我认为这条新职业方向适合我的概率，大约是 30%。”
A FIELD GUIDE TO UNCERTAINTY
用贝叶斯思维，
把不确定
变成可能。
带着先验出发，让证据改变判断。
在复杂的人生与 AI 时代，练习一种
既有立场、又愿意更新的思考方式。
THE ART OF UPDATING01 / ∞
P(H | E)
新证据之后，你会怎样想？
原来的判断 · Prior新证据之后 · Posterior
保持好奇允许修正持续行动
PRIOR PROBABILITYBAYESIAN THINKINGARTIFICIAL INTELLIGENCEAI AGENTS
01 / 思维起点
判断是起点。
更新让它继续生长。
贝叶斯定理描述如何用新证据更新一个假设的概率。它给思考提供纪律，也提醒我们：认识始终可以改进。
证据与似然 Evidence
如果假设成立，这条证据有多容易出现？如果假设不成立，它又有多容易出现？能够区分两种情况的证据，才真正有信息量。
“一次愉快的项目体验，在适合与不适合时，都可能发生。”
后验概率 Posterior
结合先验与证据后的新判断。它仍然依赖模型和输入；有了新的证据，还可以继续更新。对变化保持开放，对数字保持审慎。
“我更愿意继续尝试，也需要在不同情境里验证。”
02 / 更新实验
一条新证据，
能改变多少判断？
试着判断：“这条新职业方向适合我吗？”设想你完成了一次小项目，并获得积极反馈。拖动参数，看看新判断如何变化。
选择一组证据
P(H) · 新证据出现之前的判断
P(E | H) · 假设成立时，证据有多常见
P(E | ¬H) · 用另一种解释检验这条证据
这些数字是教学假设，来自人为设定，不能预测真实职业结果。单次反馈的质量、代表性与选择偏差，仍需判断。
更新之后 · P(H | E)
你现在的判断
这条证据让判断上升了 30 个百分点。接下来，寻找来自不同情境的新反馈，再决定是否扩大投入。
查看计算过程
70% × 30% ÷ [70% × 30% + 20% × 70%] ≈ 60%
按 100 种情形换算：30 种适合，其中 21 种得到积极反馈；70 种不适合，其中 14 种也得到积极反馈。35 种积极反馈中，有 21 种适合，21 ÷ 35 ≈ 60%。这些是期望数量，可以是小数，并非实际样本。
看证据怎样汇合
拖动上方参数，或切换示例，下面的代入式与比例条会同步变化。前两条以全部情形为 100%；最后一条只看得到反馈的情形。
- 01
适合，而且得到反馈
30% × 70% = 21%
先验 × 假设成立时的似然
这是后验公式的分子。 - 02
不适合，也得到反馈
70% × 20% = 14%
另一种情形的概率 × 对应似然
两部分相加，得到所有反馈的概率。 - 03
在反馈中，重新判断
21% ÷ (21% + 14%) ≈ 60%
只看得到反馈的情形，适合的占比为 60%。这就是更新后的判断。
03 / 人生决策
把大问题，
变成能学习的小行动。
概率帮助你描述不确定性。真正的决策，还要放入价值、代价、时间，以及你希望成为怎样的人。
职业 / CAREER
想换一条路，先走一小段。
把“我要不要转行”改写成可检验的假设：“我能否持续喜欢并胜任这类任务？”先完成一个两周的小项目，记录投入、输出质量与真实反馈，再决定下一步。
值得收集的证据 多次完成任务的表现、外部反馈、真实工作条件。
需要警惕的误读 把一次兴奋、一个招聘广告或一位朋友的成功，当成充分证据。
学习 / LEARNING
给方法做诊断，给成长留空间。
一次测验失利，可能来自复习方式、基础知识、睡眠或题型。把“我没有天赋”拆成几个竞争假设，尝试检索练习、调整反馈频率，在同等条件下比较结果。
值得收集的证据 延迟后的记忆、陌生题目的迁移、不同方法的重复表现。
需要警惕的误读 把阅读时的熟悉感等同于掌握，或用一次成绩定义自身价值。
关系 / RELATIONSHIPS
为别人的行为，保留另一种解释。
消息没有及时回复，可能是忙碌、疲惫或沟通习惯不同。在下结论前，直接而尊重地询问。用持续的相处与沟通理解一个人，也尊重自己的感受和边界。
值得收集的证据 对方的解释、长期行为的一致性、双方清晰表达的需求。
需要警惕的误读 读心、监控，或把一个人简化成可计算的分数。
愿你有出发的勇气，
也有改变想法的自由。
先说清，什么会让我改变想法。
行动前写下假设、预期和更新条件，减少只挑选支持自己立场的证据。
看来源，也看证据之间的关系。
同一消息被转发十次，仍可能只有一个来源。重复计算相关证据，会制造虚假的确定性。
选择行动，考虑后果与可逆性。
高概率并不自动意味着值得做。比较不同结果的收益、损失、学习价值和个人原则。
允许模型出错，也允许重新开始。
当现实反复偏离预期，检查输入和假设。某个方案的失败，不能衡量一个人的价值。
04 / 人工智能与 AI AGENT
智能的下一步，
是从反馈中学习。
AI Agent 围绕目标调用工具、观察环境，再调整行动。贝叶斯视角为这个循环提出一个更严格的问题：哪些证据，真正支持下一步？
- 01
提出假设
明确目标、已知信息与不确定之处。
- 02
获取证据
查询来源、运行小实验、读取工具结果。
- 03
修正判断
核对来源与冲突，必要时重新规划。
- 04
选择行动
结合风险和权限行动，再观察结果。
BEYOND A CONFIDENT ANSWER
让 Agent 的判断
留下可核查的依据。
一份有用的回答，应能区分事实、假设与推断；引用实际查阅的来源；说明什么仍不确定，以及哪些新信息会改变结论。
核查比自信更有用
语言模型自称“90% 确信”，并不说明它已经校准。用真实任务结果验证可靠性。
观察与执行，各有边界
优先用低成本、可逆的步骤收集信息。付款、删除、授权等后果较大的行动，需要明确许可。
反馈循环不等于贝叶斯推断
ReAct 展示了推理、行动与观察的结合。只有明确建模先验与似然并计算后验，才是严格的贝叶斯更新。
05 / 常见问题
把概念说清楚，
把判断留开放。
什么是先验概率？
先验概率是在纳入这次新证据之前，对一个假设成立程度的判断。它可以来自历史数据、同类情境的基准率或明确标注的主观估计；它是可被修正的起点。
贝叶斯定理和贝叶斯更新有什么区别？
贝叶斯定理是计算条件概率的数学关系。贝叶斯更新是用它把先验与新证据的似然结合，得到后验的过程。在二元假设中，后验等于 P(E|H)P(H) 除以 P(E|H)P(H)+P(E|非H)P(非H)。
贝叶斯思维如何帮助人生决策？
先写清可检验的假设，再选择小而可逆的实验，用结果修正判断，并结合成本、收益和个人价值选择行动。人生目标和人的价值并不由一个概率决定。
如何避免把一次失败当作自我否定？
先区分被检验的方案与自身价值。一次失败通常同时受方法、环境、时机和偶然性影响。寻找失败在不同假设下有多常见，并收集新的、相对独立的反馈，再更新对方案的判断。
AI Agent 一定会做贝叶斯推断吗？
不一定。AI Agent 可以调用工具、观察结果并调整行动，但这种反馈循环并不等于严格的贝叶斯推断。要声称进行了贝叶斯更新，需要明确假设、先验、似然以及可复核的计算过程。
模型给出的 90% 置信度可靠吗？
不能仅凭模型自述判断。可靠的置信度需要通过标注数据和实际任务结果进行校准，并检查来源质量、任务分布及误判成本。没有这些依据时，90% 只是一个尚未验证的数字。
BEIYE.SI / AN OPEN IDEA
Better beliefs.
More thoughtful action.
A compact name for a large idea:
learning to live with uncertainty.
Beiye.si explores prior probability, Bayesian thinking, artificial intelligence, and AI agents through a practical question: how can we make better decisions when we do not have all the answers?
A prior is a starting belief. A likelihood describes how expected the evidence is under a hypothesis. A posterior is the updated belief. The discipline is simple to state: make assumptions explicit, seek evidence that distinguishes competing explanations, and remain willing to revise.
In life, this means small, reversible experiments before large commitments. Probabilities inform decisions alongside consequences and personal values. They do not measure a person's worth. In AI, a tool-using agent can observe and adapt without performing formal Bayesian inference; the distinction matters.
For curious people. For thoughtful builders.
For ideas that keep getting better.
继续阅读 / REFERENCES
把思考，连回来源。
概念参考与延伸阅读。人生场景是本站的应用解释，实验数字是教学设定。
- Bayes’ TheoremJames Joyce · Stanford Encyclopedia of Philosophy
- ReAct: Synergizing Reasoning and Acting in Language ModelsShunyu Yao et al. · ICLR 2023