Agent Skills
返回列表
损失厌恶

损失厌恶

行业专业 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md 的指引,安装 @user_d020515c/loss-aversion 到当前 AI 助手中。

技能介绍

决策被情绪绑架的时刻

在技术选型、项目评估或者架构决策的会议里,你可能遇到过这样的争论:"我们已经在这上面花了三个月了,现在放弃太可惜了。"这句话听起来很合理,但它背后藏着一个行为经济学的经典陷阱——损失厌恶。卡尼曼的前景理论指出,人类对损失的敏感度是收益敏感度的 2-2.5 倍。这意味着,当你在评估 是否需要重写核心模块 时,"放弃已有代码"带来的痛感会远大于"新方案提升性能"带来的快感。

这种偏见在工程实践中还会衍生出三个变体:禀赋效应让你觉得拥有的东西天然更值钱;现状偏好让你倾向于维持现状以避免潜在损失;沉没成本谬误让你因为"已经投入太多了"而继续做不划算的决定。

技能如何帮你绕过偏见

loss-aversion 技能提供了一套可执行的决策复盘框架,核心思路是模拟一个「没有历史包袱」的决策场景:

  • 剥离禀赋效应:把"继续"和"放弃"放进同一个框架中,问自己"如果这是一个全新项目,现在我会选哪个?"
  • 量化恐惧:把你对损失的感性恐惧拆成具体的 最坏情况,通常你会发现最坏结果远没有想象中可怕
  • 识别沉没成本:如果你不愿意在一个全新的、白纸黑字的情况下启动某件事,那么继续做它就是不理性的

这三个步骤不需要复杂的工具,只需要你在关键决策节点停下来,用 如果我还没投入任何东西 这个假设重新审视一遍当前选项。

适用边界与注意点

  • 这套框架是决策复盘工具,不是实时情绪干预手段。当团队已经在激烈争论时,它更适合在冷静期使用
  • 它针对的是"是否坚持"类决策,而不是在两个完全相当的选项间做随机选择
  • 量化最坏情况时,需要基于真实数据而非另一个极端想象,否则只是从一个偏见跳到另一个偏见
  • 它不解决资源约束问题。如果因为业务原因必须继续,即使决策本身有损失厌恶成分,那也是另一层面的问题

使用场景

  • 评估是否需要重构已维护三年的核心数据同步中间件,避免因过往投入而放弃更优方案
  • 决定是否停用长期占用维护精力但可用率持续走低的内部服务,量化真实最坏影响
  • 已花两周完成技术调研,发现新框架更贴合需求,判断是否推翻现状重新开始
  • 复盘团队在数据库迁移中坚持沿用旧方案的原因,用损失厌恶框架重新对齐风险与收益

适合人员

  • 需要在关键架构决策中识别并规避心理偏见的后端技术负责人
  • 复盘项目持续投入却进展缓慢原因的研发管理者,希望用理性框架向团队说明是否该转向
  • 常在评审会上用数据论证技术选型的架构师,需要中性工具拆解团队成员对旧方案的情绪性坚持
  • 负责梳理产品技术债清单的技术顾问,需要不带情感偏好地判断哪些模块该重构哪些该保留