用途
贝叶斯推理与校准用于将贝叶斯推理系统化地应用于概率估计的更新。它帮助用户在获得新证据后，以数学化的方式调整对某个假设的置信度，从而做出更好的预测并避免过度自信。该技能适用于需要明确概率判断的决策场景，例如产品功能发布决策、医学诊断、风险评估等。
主要能力
该技能提供一套结构化的五步工作流程：
-
定义问题：明确假设（具体、可检验的陈述）、待估计的概率、时间范围、成功标准以及该判断影响什么决策。
-
建立先验信念：使用基础比率、参考类别（相似情境）和具体差异来设定初始概率，并要求明确赋值并给出理由。好的先验基于基础比率，考虑差异，对不确定性保持诚实，不确定时可给出范围（如40-60%）。
-
识别证据与似然度：评估证据的诊断能力，计算P(E|H)（假设为真时出现该证据的概率）和P(E|¬H)（假设为假时出现该证据的概率），并计算似然比 LR = P(E|H) / P(E|¬H)。LR > 10 表示非常强的证据，3-10 为中等，1-3 为弱，约等于1表示无诊断力，小于1表示证据反对假设。
-
计算后验：应用贝叶斯定理 P(H|E) = [P(E|H) × P(H)] / P(E)，或使用几率形式：后验几率 = 先验几率 × 似然比。计算 P(E) = P(E|H)×P(H) + P(E|¬H)×P(¬H)，得出后验概率并解释变化。简单情况可使用模板计算器，复杂情况（多假设）可研究方法论文档。
-
校准与记录：检查校准（是否过度自信或自信不足），验证假设合理性，进行敏感度分析，创建 bayesian-reasoning-calibration.md 文档并注明局限性。使用评估评分标准进行自检：验证先验基于基础比率、似然度有理由、证据有诊断力（LR ≠ 1）、计算正确、后验校准、假设已说明、敏感度已注明。最低标准为评分 ≥ 3.5。
使用方式
该技能以检查清单的形式引导用户逐步完成贝叶斯推理流程。用户需要复制并跟踪进度：定义问题、建立先验、识别证据与似然度、计算后验、校准与记录。核心公式为 P(H|E) = P(E|H) × P(H) / P(E)。输出文件命名为 bayesian-reasoning-calibration.md 或 {topic}-forecast.md。参考文献包括标准模板 resources/template.md、多假设方法论 resources/methodology.md、示例 resources/examples/product-launch.md 和 resources/examples/medical-diagnosis.md，以及质量评分标准 resources/evaluators/rubric_bayesian_reasoning_calibration.json。
适用场景
- 预测：以基础比率为起点，随证据到达逐步更新，跟踪预测准确性，通过比较预测与结果进行校准。
- 假设检验：明确陈述竞争假设，计算证据的似然比，按证据强度成比例更新信念。
- 风险评估：考虑多种场景（不仅是二元），随新数据更新风险，不确定时使用范围，进行敏感度分析。
- 避免偏差：强制明确先验（防止锚定于证据），使用参考类别（防止忽略基础比率），数学计算（防止动机性推理），在看到结果前记录（便于校准）。
限制
该技能要求用户明确陈述先验、使用基础比率、估计似然度并给出理由、随证据逐步更新、对不确定性诚实、进行敏感度分析、跟踪预测以校准，并承认模型的局限性。不应使用极端先验（1%、99%）除非有特殊理由，不应忽略基础比率，不应将所有证据视为同等诊断力，不应更新到100%确定性，不应挑选证据，不应跳过记录推理，不应忘记校准，也不应将其应用于概率无意义的问题。用户应避免纯直觉先验、忽略基础比率或无理由的极端值。