思维
思维模型没有固定总数，关键在于能否形成可调用的认知工具箱。 公开资料中的思维模型通常来自心理学、经济学、系统论、数学、工程、战略、管理和复杂性科学，不同清单会按学科或用途持续扩展。本文按逻辑关系整理为九类，覆盖一百多个常用模型。
思维模型的使用顺序应贴近真实思考过程。 先校准自己与现实的关系，再定义问题、拆解本质、理解系统、处理不确定性、做出取舍、组织行动、处理协作，最后通过反馈修正模型。
元认知与认知边界
元认知模型负责校准“我怎么看世界”。 这类模型先处理认知边界、主观偏差和知识范围，避免一开始就用错误地图解释现实。
- 地图有别于疆域。 模型只是现实的简化表达，任何框架都只能帮助理解现实的一部分。
- 能力圈。 只在真正理解的范围内下注，遇到边界外问题时选择学习、外包或放弃。
- 知识错觉。 熟悉一个词不等于理解一个机制，能解释、能预测、能迁移才算真正掌握。
- 达克效应。 能力越弱时越容易高估自己，真正的进步往往来自知道自己不知道什么。
- 确认偏误。 人会偏好支持原有观点的信息，因此需要主动寻找反例。
- 可得性偏差。 容易想起的信息会被误判为更常见或更重要。
- 锚定效应。 最先出现的数字、观点或框架会影响后续判断。
- 框架效应。 同一件事用不同表达方式呈现，会改变人的判断和选择。
- 光环效应。 单一优点会让人高估整体质量，单一缺点也会放大整体负面判断。
- 幸存者偏差。 只看成功样本会忽略失败样本，从而误判真正原因。
- 基本归因错误。 评价别人时容易高估性格因素，低估环境约束。
- 慢思考。 重要问题需要从直觉切换到有意识的推理，尤其是在高风险、强情绪和复杂场景下。
问题定义与目标澄清
问题定义模型负责判断“到底要解决什么”。 很多错误决策源于问题设错、目标混杂和约束遗漏。
- 第一性原理。 把问题拆到不可再拆的基础事实，再从事实重新构建解法。
- 五个为什么。 连续追问原因，把表层症状推进到根因。
- 问题重构。 改变问题表述，让原本卡住的问题出现新的解法空间。
- 目标函数。 先明确真正优化的目标，再评价方案好坏。
- 约束识别。 找到不可违反的条件，区分硬约束、软约束和伪约束。
- 边界条件。 明确问题在什么范围内成立，避免把局部结论扩展成普遍结论。
- MECE。 分类时尽量相互独立、完全穷尽，减少重复和遗漏。
- 抽象阶梯。 在具体事实和抽象概念之间上下切换，既看细节也看本质。
- 目的层级。 把手段、阶段目标和最终目标分开，避免把工具当目的。
- 工作待完成。 从用户真正想完成的任务理解需求，避免只看表面功能。
- 关键问题。 在众多问题中识别真正限制结果的少数问题。
- 问题陈述。 用清晰句子写出背景、冲突、目标和约束，迫使模糊想法变得可讨论。
拆解、推理与解释
推理模型负责判断“为什么会这样”。 这类模型帮助把复杂现象拆成因果链、结构关系和可验证假设。
- 演绎推理。 从一般规则推出具体结论，适合规则明确的问题。
- 归纳推理。 从多个样本提炼一般规律，但结论需要持续接受新证据修正。
- 溯因推理。 从结果倒推最可能原因，适合诊断、排障和侦查。
- 因果链。 把现象拆成原因、机制、结果，避免只停留在相关性。
- 相关不等于因果。 两个变量同时变化不代表一个导致另一个。
- 奥卡姆剃刀。 在解释力相近时，优先选择假设更少的解释。
- 汉隆剃刀。 能用无知、疏忽、激励错位解释的事情，不急着归因为恶意。
- 逆向思维。 从失败、损失和反面结果倒推应该避免什么。
- 二阶思维。 不只看直接结果，还要看后续影响、连锁反应和他人反应。
- 反事实思考。 想象条件改变后的结果，用来识别真正起作用的变量。
- 基准率。 判断个案前先看同类事件通常会发生什么。
- 类比推理。 借用相似领域的结构理解新问题，但要检查相似性是否成立。
系统、复杂性与动态变化
系统模型负责判断“各部分如何相互影响”。 当问题涉及多人、多变量、时间延迟和反馈回路时，单点因果往往不够用。
- 系统思维。 把对象看成由元素、连接和目标构成的整体。
- 反馈回路。 一个行动会改变环境，环境再反过来影响后续行动。
- 正反馈。 越发生越强化，常见于增长、网络效应和泡沫。
- 负反馈。 偏离目标后被拉回，常见于调节、稳定和控制系统。
- 延迟效应。 行动和结果之间存在时间差，容易造成误判和过度反应。
- 存量与流量。 存量是积累状态，流量是变化速度，两者不能混为一谈。
- 瓶颈。 系统产出受最弱环节限制，优化非瓶颈环节通常收益有限。
- 杠杆点。 小改动能撬动大结果的位置通常在规则、信息流、目标和范式层面。
- 涌现。 整体行为可能无法从单个部分直接看出。
- 复杂适应系统。 参与者会学习和调整，因此系统行为会随干预而变化。
- 路径依赖。 早期选择会限制后续选择，历史会塑造未来选项。
- 局部最优。 每个局部都优化时，整体结果仍可能变差。
概率、不确定性与风险
概率模型负责判断“有多可能、亏得起吗”。 不确定世界里，正确决策不等于每次都有好结果，关键是长期期望和风险控制。
- 概率思维。 用可能性而非确定性看待未来。
- 期望值。 把收益、损失和概率合在一起评估长期结果。
- 贝叶斯更新。 新证据出现后调整原有判断，避免固守旧观点。
- 置信度。 判断不仅要给结论，也要给把握程度。
- 安全边际。 给估计错误、环境变化和执行偏差预留缓冲。
- 风险非对称。 有些选择上行有限、下行巨大，应重点避免。
- 黑天鹅。 低频但高冲击事件会改变系统状态，不能只依赖常规经验。
- 胖尾分布。 极端事件在某些领域并不罕见，平均值会掩盖真实风险。
- 小样本偏差。 样本太少时，结论容易被偶然性主导。
- 回归均值。 极端表现之后常常向正常水平回归。
- 赌徒谬误。 独立事件不会因为之前连续出现某种结果就自动反转。
- 风险暴露。 预测错误时会损失什么，比预测本身更关键。
决策、取舍与优先级
决策模型负责判断“该选哪一个”。 资源有限时，决策的核心是权衡、排序和放弃。
- 机会成本。 选择一个方案意味着放弃其他可行方案。
- 边际思维。 关注多投入一点或少投入一点带来的额外变化。
- 成本收益分析。 比较收益、成本、风险和时间，避免只看单一指标。
- 沉没成本。 已经无法收回的投入不应决定未来选择。
- 二八法则。 少数关键因素往往贡献主要结果。
- 重要紧急矩阵。 区分重要和紧急，避免长期被紧急事项牵引。
- 可逆与不可逆决策。 可逆决策可以快速试错，不可逆决策需要更谨慎。
- 单向门与双向门。 一旦通过很难返回的是单向门，可以返回的是双向门。
- 最小可行方案。 用足够小的实验验证核心假设。
- 满意解。 在信息和时间有限时，选择足够好的方案比无限追求最优更现实。
- 后悔最小化。 从未来回看今天，选择更少长期后悔的路径。
- 停止规则。 预先定义什么时候继续、什么时候停止，减少情绪化加码。
策略、行动与执行
行动模型负责判断“如何把判断变成结果”。 好想法需要通过策略、节奏、资源配置和执行闭环转化为现实。
- OODA 循环。 观察、调整认知、决策、行动，在变化环境中持续迭代。
- PDCA。 计划、执行、检查、处理，用循环改进稳定流程。
- 战略内核。 好战略包含诊断、指导方针和连贯行动。
- 杠铃策略。 一端保持极度安全，另一端承担小额高上行风险。
- 飞轮效应。 多个动作相互增强，长期积累后形成自我推动。
- 复利。 持续的小优势会随时间放大，关键是保持方向和不中断。
- 规模经济。 规模扩大后单位成本下降，适合标准化和高固定成本场景。
- 范围经济。 多个产品或能力共享同一资源，整体效率高于分开建设。
- 网络效应。 用户越多，产品或网络对每个用户越有价值。
- 激活能。 行动开始需要额外能量，降低启动门槛能提高执行概率。
- 默认选项。 默认路径会强烈影响行为，因此设计默认值就是设计结果。
- 习惯回路。 提示、行为、奖励构成重复行动的基础结构。
协作、博弈与社会关系
协作模型负责判断“别人会怎么反应”。 人会随激励、信息、身份、信任和博弈结构改变行为。
- 激励相容。 让个体追求自身利益时也推动整体目标。
- 代理问题。 决策者和承担后果的人不同，行为会发生偏移。
- 委托代理。 授权越多，越需要清晰目标、约束和监督。
- 囚徒困境。 个体理性可能导致集体更差结果。
- 重复博弈。 长期互动会让声誉、信任和惩罚机制发挥作用。
- 零和与正和。 有些竞争是此消彼长，有些协作可以扩大总收益。
- 公地悲剧。 共享资源缺少约束时容易被过度消耗。
- 搭便车。 个体享受公共收益却不承担成本，会削弱集体行动。
- 信号与噪声。 行为和表达中同时包含真实意图与干扰信息。
- 声誉机制。 可观察的历史行为会影响未来合作机会。
- 共同知识。 不只要知道事实，还要知道别人也知道这个事实。
- 协调成本。 参与者越多，沟通、同步和对齐成本越高。
反馈、学习与模型更新
反馈模型负责判断“如何变得更准”。 思维模型需要接受现实校验，持续淘汰失效解释，保留能预测、能指导行动的模型。
- 反馈循环。 行动产生结果，结果反过来修正下一轮行动。
- 单环学习。 在目标不变时修正行动。
- 双环学习。 同时检查目标、假设和规则是否需要改变。
- 复盘。 回看目标、过程、结果和偏差，沉淀可复用经验。
- 预演。 在行动前模拟可能路径，提前暴露风险。
- 事前验尸。 假设项目已经失败，倒推失败原因并提前规避。
- 刻意练习。 针对薄弱环节进行高反馈训练。
- 成长型思维。 把能力看成可通过训练改进的变量。
- 实验思维。 用小实验验证假设，避免靠争论决定对错。
- A/B 测试。 在可控条件下比较方案差异。
- 反脆弱。 从波动、压力和错误中获得改进，避免只追求静态稳定。
- 模型淘汰。 当模型无法解释现实或持续造成错误决策时，应主动替换。