[!info] related notes

• 所属 MOC: cognitive-biases-moc
• 前置概念:
• 并列概念:
• 易混淆概念:
• 关系笔记:

锚定效应

一句话定义

锚定效应（anchoring effect）是后续估计会被最先出现的数字、范围、方案或判断拉向某个起点，即使这个起点并不充分相关。

最小结构

先看到锚点 A
↓
开始围绕 A 调整
↓
调整通常不够远
↓
最终判断仍靠近 A

所以锚定不是简单的“相信第一个答案”，而是第一个参照点改变了后续搜索空间。

最小例子

一件商品先标价 1999，再写“促销价 1299”。

即使你原本完全不知道合理价格，1999 也可能成为参照，使 1299 显得更便宜。

真正的问题应该是：

1299 相对于同类商品、功能和我的需求值不值？

而不是：

它比 1999 便宜了多少？

软件工程场景

第一次有人估计：

“这个重构大概两天。”

即使这个数字只是随口说的，后续讨论也容易变成：

• 也许 3 天；
• 最多 4 天；
• 2 天是不是稍微紧了；

而不是重新从任务拆分、依赖、测试和迁移风险独立估算。

所以敏捷估时、成本评审里经常让参与者先独立估计，再公开答案。

方案锚定

锚不一定是数字，也可以是第一版方案。

例如第一个架构草案用了微服务，后续评审可能一直在讨论：

“微服务应该拆成几个服务？”

却没人重新问：

“我们为什么一定需要微服务？”

第一个方案把问题空间从“选择架构”锚成了“优化这个架构”。

AI 场景

如果先告诉模型：

“我觉得根因大概率是 Redis，你怎么看？”

模型更可能围绕 Redis 组织解释。

比起这样问，更好的起始提示是：

“先独立列出最可能的 5 个根因并排序，再看我目前怀疑的是 Redis。”

顺序本身就是去偏工具。

谈判和报价

第一个报价经常会影响后续区间，因为双方开始围绕它调整。

这并不意味着“第一个报价一定占便宜”，但说明：

最先进入讨论的数字会改变谈判空间。

因此在不知道合理区间时，先查市场基准比直接接触对方报价更稳健。

什么情况不是锚定偏差

如果第一个数本来就是高质量基准，例如历史中位数、明确预算上限、标准报价，那么围绕它调整可以是合理贝叶斯式更新，而不是偏差。

关键是：

锚点的信息质量有多高？

锚定效应特别值得警惕的是任意锚、弱相关锚和未经验证的第一印象。

去偏方法

1. 先独立估计，再共享答案

适合工期、薪资、风险、评分。

2. 从多个参照点计算

不要只问“比当前方案好多少”，同时看历史数据、外部基准、竞争方案。

3. 先拆问题，再报数字

例如：

实现
测试
迁移
回滚
文档
未知风险

分别估计后再汇总。

4. 主动问“如果我没看到第一个答案，我会怎么判断？”

这是非常实用的心理重置。

使用场景

• 商品定价；
• 薪资谈判；
• 项目工期；
• 架构方案；
• 面试评分；
• 投资价格；
• AI 根因分析。

一句记忆

第一个数字不只是一个数字，它可能偷偷定义了你之后允许自己思考的范围。

快速自测

评审会上第一位面试官给候选人 9 分，其他人随后集中在 8–9 分之间。

更稳健的设计是：每位面试官先独立记录评分和证据，再共享。

来源

• Amos Tversky & Daniel Kahneman, “Judgment under Uncertainty: Heuristics and Biases” (1974).
• Daniel Kahneman, Thinking, Fast and Slow.