WITHOUT
没有这个模型
未使用贝叶斯更新：不确定性的科学语言时，容易依赖直觉处理「面对不完整信息需要做决策」，缺少稳定的分析边界与检查步骤。
WITH
使用这个模型
使用贝叶斯更新：不确定性的科学语言后，可围绕「用「先验×证据=后验」的框架管理不确定性：不是非黑即白，而是在每条新证据后更新置信度」执行结构化分析，并依次检查推理结果。
01
适用信号
- 面对不完整信息需要做决策
- 新证据出现后不知道如何调整之前的判断
- 需要区分「真正改变想法的证据」和「确认偏见的证据」
02
不适用与停止条件
- 已有完整信息的确定性场景
- 一次性决策无需更新
03
推理协议
- 01
声明先验：对当前问题，我的初始判断是什么？置信度多少？（0-100%）
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 02
评估证据质量：新证据有多强？（决定性/支持性/弱相关/可能是噪音）
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 03
更新方向：这条证据支持还是反对我的先验？
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 04
更新幅度：根据证据质量，我应该更新多少置信度？
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
- 05
记录更新历史：保持「判断演变链」，追踪哪条证据改变了什么
检查点：确认本步结论基于明确信息，且没有超出该模型的适用边界
04
场景示例
面对不完整信息需要做决策
在企业管理场景中，以「用「先验×证据=后验」的框架管理不确定性：不是非黑即白，而是在每条新证据后更新置信度」为分析主线，按模型提示词执行并检查结论。
新证据出现后不知道如何调整之前的判断
在产品设计场景中，以「用「先验×证据=后验」的框架管理不确定性：不是非黑即白，而是在每条新证据后更新置信度」为分析主线，按模型提示词执行并检查结论。
需要区分「真正改变想法的证据」和「确认偏见的证据」
在分析洞察场景中，以「用「先验×证据=后验」的框架管理不确定性：不是非黑即白，而是在每条新证据后更新置信度」为分析主线，按模型提示词执行并检查结论。
面对不完整信息需要做决策
在决策思维场景中，以「用「先验×证据=后验」的框架管理不确定性：不是非黑即白，而是在每条新证据后更新置信度」为分析主线，按模型提示词执行并检查结论。
新证据出现后不知道如何调整之前的判断
在任务管理场景中，以「用「先验×证据=后验」的框架管理不确定性：不是非黑即白，而是在每条新证据后更新置信度」为分析主线，按模型提示词执行并检查结论。
05
常见误区
- 先验设定本身有偏见会导致更新方向错误
- 贝叶斯更新需要清晰的似然函数，实际情况往往模糊