Occams Razor Skill

奥卡姆剃刀 · 思维工具

"Entities should not be multiplied beyond necessity." — William of Ockham

激活条件与触发词

• 直接调用：「用奥卡姆剃刀」「最简解释是什么」
• 语义触发：用户面对多个复杂解释/方案无从选择，或明显在过度复杂化问题
• 组合调用：「先用奥卡姆剃刀简约化，再用系统思维看简化后是否丢失关键要素」

方法框架概览

奥卡姆剃刀的核心是在同等解释力下选择最少假设的方案，它通过假设计数、解释力对比、简单性排序三个动作来避免过度复杂化认知和决策。

核心原理（3-7个，每个须附 ≥2 个跨域证据）

原理 1: 同等解释力下选择最少假设

一句话定义：两个理论能解释同样的现象时，选假设更少的那个。

跨域证据：

1. 天文学：Copernicus 日心说用更少假设解释了天体运动，替代了托勒密需要 80 多个本轮的复杂地心说（来源：Kuhn, The Copernican Revolution, 1957）
2. 医学诊断：医生被训练为"如果听到蹄声，想的是马不是斑马"——先用最简假设诊断而非罕见病（来源：Groopman, How Doctors Think, 2007）

应用方式：面对多个方案时，列出每个方案的假设数。如果可以解释同样多的现象，选假设最少的。

局限：简单不等于正确。有些现象（如量子力学）确实需要非常复杂的假设来解释。

原理 2: 简单性是人类认知的启发式工具，不是真理标准

一句话定义：我们选简单的方案不是因为简单=正确，而是因为简单方案更容易被验证和修正。

跨域证据：

1. 科学哲学：Popper 指出简单理论更容易被证伪，这才是简单性的真正优势（来源：Popper, Conjectures and Refutations, 1963）
2. 机器学习：L1 正则化（Lasso）倾向于产生稀疏模型——不是因为稀疏模型更真实，而是因为它们更可解释且泛化能力更好（来源：Tibshirani, Regression Shrinkage via the Lasso, 1996）

应用方式：选简单方案不是因为"这就是真相"，而是因为"如果错了我能更快发现并调整"。

局限：把"更可验证"误解为"更正确"是奥卡姆剃刀最常见的误用。

原理 3: 复杂假设需要更强的证据支撑

一句话定义：你想说服我相信一个复杂的解释？你需要成比例地更强的证据。

跨域证据：

1. 法学：刑事审判中"排除合理怀疑"（beyond reasonable doubt）要求对复杂犯罪假设需要更多证据（来源：英美法系刑事证据标准）
2. 算法选择：在机器学习模型选择中，复杂度更高的模型需要更多的训练数据来支撑（来源：Vapnik, The Nature of Statistical Learning Theory, 1995）

应用方式：如果一个方案比另一个复杂得多，问"这个复杂度带来的额外解释力值得吗？你有足够证据支撑这些额外假设吗？"

局限：有些问题（如复杂系统的行为预测）天生需要复杂模型。用奥卡姆剃刀削掉必要的复杂度就是自欺欺人。

操作协议（Agentic Protocol）

Step 1: 问题分类

适用信号：

• 面对多个可能的解释或方案不知选哪个
• 当前的解释或方案包含大量假设但看不到必要性
• 决策被过度复杂化，需要降维简化

不适用信号：

• 问题涉及复杂适应系统（如金融市场、生态系统）——简单解释通常是错的
• 处理的领域有公认的复杂理论（如量子力学）——不要用剃刀削掉物理学
• 需要精确而非简化的场景（如法律合同、医疗诊断）

Step 2: 奥卡姆剃刀式分析

1. 假设枚举与计数：列出现有的所有候选方案，每个方案拆解出它依赖的假设。数一数。

   • 来源原理：原理 1（最少假设）
   • 操作方式：每个假设写成"要成立，需要假设______"。只数不可直接验证的假设

2. 解释力对比评估：每个方案能解释用户面对的现象吗？解释到什么程度？

   • 来源原理：原理 2（启发式工具）+ 原理 3（证据支撑）
   • 操作方式：每个方案打分（0-10），0=完全不能解释，10=解释所有已知现象。复杂方案必须比简单方案多解释至少 2 个现象才值得考虑

3. 简单性排序：按"假设数量+解释力"综合排序

   • 来源原理：原理 1+2+3
   • 操作方式：如果简单方案和复杂方案解释力相同→选简单方案。如果复杂方案解释力显著更高→需要你判断"这个额外解释力值得吗？"

Step 3: 奥卡姆剃刀式输出

• 候选方案对比（假设数 vs 解释力）
• 推荐方案及理由
• 对所选方案的诚实标注：这个方案可能在哪个维度过于简化？
• 需要保留的复杂性：哪些复杂元素是必要的？

适用/不适用判断

典型案例库

成功案例

1. Copernicus 日心说 vs 托勒密地心说（天文学/16世纪）

   • 问题：托勒密地心说用了 80+ 个本轮解释行星运动，太复杂
   • 方法应用：Copernicus 用太阳为中心，假设数大幅减少
   • 结果：日心说的简洁性使其最终被接受（尽管不是一开始就因为简单而被接受）
   • 来源：Kuhn, The Copernican Revolution (1957)

2. 疾病鉴别诊断（医学/日常）

   • 问题：发烧伴随头痛，有几十种可能病因
   • 方法应用：医生被训练为先用最简假设诊断（感冒、流感等），只在简单诊断被排除后才考虑罕见病
   • 结果：大多数病例被准确快速诊断
   • 来源：Groopman, How Doctors Think (2007)

3. 机器学习正则化（计算机科学/1990年代至今）

   • 问题：复杂模型在训练集表现好但测试集差（过拟合）
   • 方法应用：L1 正则化自动将不重要的参数收缩为零，留下更简单的模型
   • 结果：简单模型在新数据上表现更好
   • 来源：Tibshirani, Lasso (1996)

失败案例

1. 对金融市场的过度简化（金融/2008）
   • 问题：金融机构用简单模型评估抵押贷款证券风险
   • 误用方式：过度简化金融体系的复杂性，忽略尾部风险和相互关联性
   • 教训：复杂适应系统不能用简单模型安全地描述。简单方案在这些领域不是"优雅"而是"危险"
   • 来源：Lewis, The Big Short (2010); Taleb, The Black Swan (2007)

误用检测器（≥3 种误用模式）

诚实边界（≥3 条具体局限）

1. 简单方案可能错误：奥卡姆剃刀是认知工具不是真理标准。历史上很多"简单"的理论（如"地球是平的"很简单）被更复杂的理论替代
2. 复杂系统需要复杂解释：生态系统、金融市场、神经网络等复杂适应系统的行为不能用一两个假设解释
3. "解释力相同"很难严格定义：两个理论是否解释了相同的现象往往是主观判断
4. 可能被误用为反智工具：有些人用"这太复杂所以肯定是错的"来拒绝他们不理解的理论

调研来源（一手来源占比须 >50%）

本 Skill 由 Forge Skill — 锻造思维工具 生成