[!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:

事后聪明偏差

一句话定义

事后聪明偏差（hindsight bias）是：结果已经发生后，人会觉得这个结果在事前比实际更容易预测，并产生“我早就知道”的感觉。

它会偷偷改写我们对过去信息状态的记忆。

核心结构

事前：A、B、C 都可能发生
↓
实际发生 B
↓
事后：B 看起来“本来就很明显”

真正的问题是：你在事后拥有了一个当时并不存在的关键变量——结果本身。

最小例子

比赛前：

“双方都有机会，A 稍微占优。”

比赛后 B 大胜：

“我就知道 B 肯定会赢，A 那几个问题太明显了。”

很多“明显问题”可能事前已经存在，但它们当时并没有把结果唯一确定下来。

软件事故复盘

生产事故后非常容易说：

“这个配置看一眼就知道会出事，为什么当时没人发现？”

但复盘真正需要还原：

当时有哪些信息可见？
哪些告警已经触发？
哪些信号只是事后才知道重要？
当时还有多少同样看起来异常但最终无害的信号？

如果不用“当时的信息集”重演判断，就会把事故原因误写成个人粗心。

为什么它伤害学习

如果所有失败事后都变成：

“早就应该知道。”

那么组织会错过真正问题：

• 告警设计是否不足；
• 风险是否无法被观察；
• 流程是否缺少检查；
• 多个弱信号为什么没有汇聚；
• 当时的替代解释是否同样合理。

好的复盘不是证明过去的人“本应预测未来”，而是改进未来在类似信息下的判断能力。

预测记录为什么有价值

事前保存：

预测：A 60%, B 30%, C 10%
依据：E1, E2
什么会改变判断：E3

结果出来后再比较。

没有事前记录，人很容易把：

“我觉得 B 有可能。”

记成：

“我当时就判断 B 会发生。”

和过度自信的关系

过度自信偏差让我们在事前给自己过高把握；事后聪明偏差则会进一步让过去看起来更可预测。

二者结合后容易产生：

事前：我很确定
事后猜对：看吧，本来就明显
事后猜错：我其实当时也考虑过这个结果

这样就很难真正校准预测能力。

和结果偏差 Outcome Bias 区分

事后聪明偏差：

结果发生后，觉得它事前就很可预测。

结果偏差更强调：

根据最终结果好坏来评价当时的决策质量。

例如一个基于当时信息 80% 胜率的合理决策最终失败，不代表当时决策一定糟糕。

当前知识库先保留这一区分，后续如需要可单独补结果偏差。

AI Agent 复盘场景

Agent 一轮实现失败后，reviewer 很容易说：

“显然一开始就应该采用方案 B。”

更好的复盘应该问：

在 plan 阶段哪些证据已经支持 B？
当时为什么 A 仍然合理？
有什么早期测试可以更快区分 A/B？

这样才能改进计划机制，而不是事后重写历史。

什么情况“早就应该知道”可能是真的

如果事前已经存在：

• 明确规则；
• 高质量告警；
• 直接证据；
• 已知历史故障；

且决策者确实忽略了它，那么事后指出可预见性是合理的。

关键仍然是基于当时可获得的信息，而不是仅凭结果显得 obvious。

去偏方法

1. 重要预测事前记录概率，而不是只写“会/不会”。
2. 复盘时先隐藏结果，重建时间线和当时信息。
3. 保存当时真实的 issue、plan、聊天和告警，而不是靠记忆。
4. 同时列出当时合理的竞争解释。
5. 区分“结果不好”与“基于当时信息的决策过程不好”。

快速自测

上线后某依赖导致故障。团队说：

“这个依赖维护者只有两个人，明显从一开始就不该用。”

需要问：这个信息当时是否被识别为关键风险？有没有大量同样维护人数少却稳定的依赖？当时还有什么证据支持选用？

一句记忆

结果出来以后，过去会被照得很亮；但别把这束事后的灯光假装成当时就存在。