条件概率

小叶想让 AI 帮忙把课程作业里的数据画成图。他提出要求，取得一份绘图脚本，再检查图中的数据、分组、单位和标题是否符合任务。有的请求只写了“帮我画一个比较图”，有的请求还附上字段说明、几行示例数据和具体用途。使用一段时间以后，他很容易产生一个问题：“给了这些背景，结果是不是更容易做好？”

这个问题里已经藏着条件概率的结构。我们关心的不是所有任务混在一起时的表现，而是已知某些情况以后，结果会怎样分布。类似的问题还有很多：已经确认文件能正常读取，后面的转换有多大机会完成？AI 的回答附有引用时，其中的论断有多大比例能得到原文支持？同一个词出现在不同课程的对话里，我们应当怎样理解它？

这一章从一张很小的表开始。我们会反复使用同一批记录，让条件概率不只是一个需要背下来的分式，而成为一种自然的思考动作：先确定现在知道什么，再看这些条件之内，还有哪些可能。

一、给定一个条件以后，我们在看哪一组情况

1．把一个模糊问题拆成两个事件

为便于讲授，我们构造一百条虚构记录。每条对应一个绘图任务的首次请求和首次候选脚本。所有请求都取得了候选脚本，也都按预先规定的要求完成核验；后续修改或重试不混入这批首次结果。

“通过核验”不仅意味着代码没有报错，还包括取对数据、执行正确的分组或筛选、使用合适的单位，并满足题目指定的图表要求。例如，程序顺利画出了柱状图，但把每月总量当成了每人平均量，仍然不算通过。

定义两个事件：

• $A$：首次结果通过预定核验。
• $B$：首次请求附有任务所用数据的字段说明与示例行。

这里的 $B$ 是一个可查看原请求来判断的条件。它没有声称包含所有可能需要的信息，也不以最后是否成功为标准。请求有没有给资料，与结果有没有通过，是分别记录的两件事。

这一百条虚构记录汇总如下：

上标 $c$ 表示补集，也就是在当前讨论范围里“不属于这个事件”的情况。$B^c$ 不一定完全没有资料，也可能只给了字段名，或者只给了几行数据，没有同时满足我们对 $B$ 的定义。

2．全部记录中的一半，与有资料记录中的八成

如果看全部一百条，首次通过的有五十条，通过比例为百分之五十。如果只看附有字段说明与示例行的四十条，通过的有三十二条，比例为：

两个数字都正确。它们的区别不是一种算法比较乐观，另一种比较保守，而是参与比较的范围不同。

为了精确地使用概率符号，我们先设定一个简单的随机试验：从这一百条记录中等概率抽取一条。于是：

如果抽取之后，我们被告知“这条记录属于 $B$”，就只在符合 $B$ 的四十条记录中判断它是否通过。这时：

竖线读作“给定”。竖线右边是已经给定的条件，左边是仍然要判断的事件。完整读法是：“给定请求附有字段说明与示例行，首次结果通过核验的概率。”

这个等概率抽记录的设定，让表中的比例与概率有了明确对应。若小叶把百分之八十拿去估计明天的新任务，还要考虑新任务与这批记录是否具有相近的条件。我们先把表内计算弄清楚，再讨论如何向实际使用推广。

3．条件没有把失败记录改成成功

给定 $B$ 以后，通过比例从百分之五十变成百分之八十，但并没有任何一份脚本因为我们做了筛选而自动修好。三十二份通过和八份未通过的记录都保持原样。

变化发生在我们的参考范围中。之前不知道选中记录是否附有资料，要考虑全部一百条；现在知道了这件事，就不再把另外六十条当成候选。

这也是条件概率的一种基本直觉：已知信息可以改变合理的概率判断，而不必改变已经发生的客观结果。关于从有限等可能结果出发理解条件概率，可参见 Statlect 的条件概率讲解。

二、公式为什么是“交集除以条件”

1．先找到既符合条件、又符合目标的部分

符号 $A\cap B$ 表示两个事件同时成立。在这张表里，它对应既附有字段说明与示例行，又首次通过核验的三十二条记录。

如果从全部一百条抽一条，同时满足两项的概率为：

而请求附有资料的概率为：

要在 $B$ 内部计算通过概率，只需把这两项相除：

分子保留符合目标和条件的部分；分母把整个条件范围重新当作一个完整整体。这个公式要求 $P(B)>0$，见 OpenStax 关于概率乘法规则的说明。

2．为什么不能只把原来的通过概率除以条件概率

小叶可能误写成 $P(A)/P(B)=0.5/0.4=1.25$。结果超过一，已经说明有问题。

更深一层的原因是，原来的五十份通过结果中，有十八份不属于 $B$。我们既然说“已知请求附有资料”，就不能把不符合这个条件的通过记录留在分子里。限制范围必须同时作用于分子和分母。

这件事在表格分析中很常见。有同学先计算了全部任务的通过数量，后来只把分母改成某一类任务的数量，就得到了错误比例。正确做法是先筛选出这一类，再在筛选后的记录中数通过项。

条件概率的公式不是任意组合两个看起来相关的百分数。每个百分数都对应一个明确事件，每个事件又对应具体记录。把这些对应关系写清楚，很多计算错误会在按计算器以前就暴露出来。

3．条件内的概率需要重新归一化

在全部记录中，$A\cap B$ 的概率为零点三二，$A^c\cap B$ 的概率为零点零八。它们加起来只有零点四，因为这里只覆盖了全部记录的一部分。

给定 $B$ 以后，这两部分分别除以零点四，得到零点八和零点二，加起来就是一。这个重新调整权重、使总和为一的过程，通常叫归一化。

可以把它理解为更换一把尺子。原来用一百条作整把尺子的长度，三十二条占百分之三十二；现在把四十条当作整把尺子，三十二条就占百分之八十。材料没变，计量其相对份额的整体变了。

公式并不要求真实世界所有基本结果都等可能。等可能记录让我们可以直接数数量；更一般的模型则要计算各部分的概率质量，再按照同一个公式重新分配。后面的一个小例子会说明，记录抽取权重不同，不能只数条数。

三、把竖线两边交换，问的就不是同一个问题

1．百分之八十与百分之六十四

刚才计算的是：

现在把问题反过来：“已经知道这份首次结果通过核验，它的请求附有字段说明与示例行的概率是多少？”

这次条件是 $A$，参考范围变成五十份通过记录。其中属于 $B$ 的仍是三十二份，所以：

同样是三十二条共同记录，除以四十和除以五十，会得到不同的结果。我们可以把三个经常混淆的数并列起来：

图中蓝色始终代表那三十二条既属于 $A$ 又属于 $B$ 的记录。蓝色数量没有变化，但当我们只保留不同条件中的记录，它在整体里占的比例就变了。

2．从成功案例倒着找方法，为什么容易误会

假设小叶只收集成功案例，再问“这些案例大多怎样写请求”。他可以得到关于成功案例组成的认识，例如其中百分之六十四附有字段说明与示例行。

但如果他接着说“所以只要附上这些资料，就有百分之六十四的通过概率”，就把问题的方向交换了。根据本表，后一种概率其实是百分之八十。

更一般地，“成功的人或任务经常具有某种特点”，和“具有这种特点时容易成功到什么程度”，中间还隔着一个参考范围。只看成功集合，通常不知道有多少具备同一特点的任务没有成功。

这不意味着研究成功案例没有用。它可以帮我们发现值得进一步观察的条件，只是当问题变成“采用这种条件后会怎样”时，需要把条件内部的成功与失败都纳入视野。

3．条件的方向，也不是时间的方向

附资料发生在提交请求时，核验发生在获得结果后。但我们可以先知道核验结论，再去判断之前有没有附资料。条件概率讨论的是给定哪些信息以后如何判断，不要求右边的条件在时间上先发生。

例如小叶打开一个已经画好的图，看到它通过了检查，再去推测最初是否附有字段说明与示例行，完全可以问 $P(B\mid A)$。这个推测不会让后来的核验“导致”之前附上资料。

同样，在生成开始前，小叶已经知道自己有没有附资料，此时研究首次通过可能性，更自然地对应 $P(A\mid B)$ 或 $P(A\mid B^c)$。正确选择概率方向，要与当时已经知道什么、还需要判断什么相配合。

四、条件不变时，补集仍然很好用

1．八成通过，剩下两成是什么

给定附有资料的四十条记录，其中三十二条通过，八条未通过。于是：

这条补集关系成立，是因为我们始终待在同一个条件 $B$ 中。附有资料的结果，要么通过预定核验，要么未通过，两部分互不重叠，并且覆盖这四十条记录。

有时小叶更关心失败比例，有时更关心通过比例，只要标准和条件不变，就可以在两者之间直接转换。

2．“没有通过”与“没有给资料”不能互相代替

另一个问题是：

它是没有同时附上两项资料时的通过概率，为百分之三十，并不是前面的百分之二十。

换句话说，$1-P(A\mid B)$ 应当得到 $P(A^c\mid B)$，而不是 $P(A\mid B^c)$。做补集时，改变的是正在判断的事件；如果连已知条件也改了，就进入另一组记录了。

如果还要问“未附齐资料而且没有通过”，则是全部记录中的四十二条，对应联合概率百分之四十二；若问“已知没有附齐资料，其中没有通过”，则是四十二除以六十，对应百分之七十。它们都涉及同一格，但格子外的总范围不同。

3．一些直接从范围关系得到的判断

已知记录属于 $B$，再问它是否属于 $B$，概率自然为一。已知属于 $B$，再问它是否属于 $B^c$，概率为零。

这两个简单关系很有用。比如筛选条件写着“只看首次结果通过的任务”，统计结果却说其中“首次通过率为百分之八十”，就应该回头检查：通过的定义是不是前后变了，还是筛选根本没有生效？

条件并不总使概率提高。在主表中，知道附有资料，把通过判断从百分之五十改到百分之八十；知道没有附齐资料，则改到百分之三十。条件概率的意义是使用信息，不是把所有信息解释成好消息。

五、再知道一件事：条件可以继续细分

1．附有资料的任务，也不一定是同一种任务

小叶觉得，“附有字段说明与示例行”还不足以描述请求。画一个单表比较图，与先筛选多种条件、再拼接两张表画图，可能有不同的表现。

我们继续细分同一百条虚构记录。令 $C$ 表示任务为常规单表图，不含额外条件筛选或跨表拼接。本案例的其他任务均归入复合处理图，记作 $C^c$。这个分类服务于当前案例，不是要给全世界所有图表建立唯一分类法。

前两行合起来，附有资料组仍是三十二条通过、八条未通过；后两行合起来，未附齐资料组仍是十八条通过、四十二条未通过。我们没有换一批数据，只是增加了观察维度。

2．“同时已知两个条件”怎样写

现在小叶知道某条记录既附有资料，又属于常规单表图。他要看的范围，是同时满足 $B$ 与 $C$ 的二十条：

有时也写成 $P(A\mid B,C)$，这里逗号表示同时给定两个条件。分母不是所有附有资料的四十条，也不是所有常规图的四十条，而是两项都符合的二十条。

如果知道它附有资料，但属于复合处理图，则：

与只知道 $B$ 时的百分之八十比较，前一种信息把判断改到百分之九十，后一种改到百分之七十。更多条件让判断更贴近某一类情况，却不保证数字往某个固定方向走。

这有助于我们理解 AI 使用经验为什么经常不一致。两位同学都说“我已经给了详细资料”，但一位在做常规图，另一位在做多表处理。他们对结果的体验不同，不一定是谁描述失实，也可能是仍有重要条件没有说出来。

3．条件可以依次筛选，但每次都要保留之前的范围

在表格里，先筛出 $B$，再从中筛出 $C$，和先筛出 $C$，再筛出 $B$，最后都会得到同一组二十条记录。两个条件都保留下来时，筛选顺序不改变交集。

但如果小叶先筛出 $B$，随后误把“筛出 $C$”理解成回到全部记录重新找常规图，就把原来的资料条件丢掉了。全部常规图有四十条，通过二十八条，得到的是百分之七十，对应 $P(A\mid C)$，不是刚才的百分之九十。

这个错误不只出现在手工计算中。让 AI 继续分析表格时，如果上一轮要求“只看附有资料的任务”，下一轮又说“再看常规图”，需要明确这是在原范围内继续细分，还是重新统计全部常规图。数学中的条件集合，对应着实际分析中要保留的筛选状态。

六、乘法规则：沿着条件把整体概率算出来

1．四成任务中的八成，占全部多少

前面用交集和条件概率算出条件内的比例。反过来，如果知道全部记录有四成属于 $B$，而 $B$ 中有八成通过，那么这部分通过记录占全部的比例为：

它并不需要 $A$ 与 $B$ 独立。第二个因子已经是给定 $B$ 后的概率，正是用来保留两件事可能有关联的情况。

如果直接乘 $P(A)P(B)=0.5\times 0.4=0.2$，会得到与表格不符的结果。把“且”简单翻译成“两个总体概率相乘”，漏掉了条件。后面的《联合概率与独立性》一章会专门讨论独立性。现在先记住，使用这里的条件概率乘法规则，不必假定所讨论的事件相互独立。

图中每个末端的概率，都是从起点沿对应路径相乘得到的。第二段标注的百分比属于它前面的那一组，不能脱离组别单独解释。

2．三个事件，也可以逐步连接

对于“附有资料、常规单表图、首次通过”这三个事件：

依次代入本表的数值：

它对应全部一百条中的十八条。三个因子的意思分别是：先到附有资料的范围；在这个范围里再到常规图；在前两项都符合的范围里，再找通过结果。

我们也可以换一种连接顺序：

这个例子中前两个因子碰巧相同，是由于表格中的组大小相等；一般情形下各步的数字未必一样，但最终指向同一交集时，结果应当相同。条件概率的乘法规则也能推广到更多事件，宾夕法尼亚州立大学的 STAT 414 条件概率课程 对这种逐步展开作了说明。

如果把三个总体概率直接相乘，则是 $P(B)P(C)P(A)=0.4\times 0.4\times 0.5=0.08$，与十八条的事实不符。条件不是公式里的装饰，它记录了每一步已经缩小到哪里。

3．一条工作流程中的“八成”，要说明属于哪一步

把这个思路迁移到一个新的虚构流程：小叶有一批文件，七成能被正确读取；在已正确读取的文件中，八成能完成所需转换。那么“正确读取且完成转换”的比例按这个模型为 $0.7\times 0.8=0.56$。

第二个八成是读取成功组内的比例。如果一个工具报告“转换成功率八成”，小叶要先知道它的分母是否只包含已经读取成功的文件。若是，就不能直接当成全部提交文件的最终完成率。

这里我们计算的是一条明确路径。若读取失败的文件还会由另一条手工路径补救，整个系统的完成概率还要把那条路径算进去。乘法可以把路径内的条件连接起来，完整任务还可能由多条路径共同组成。

七、全概率：把分开的条件重新合起来

1．整体通过率为什么是百分之五十

主表中的请求要么属于 $B$，要么属于 $B^c$。两组互不重叠，而且覆盖全部记录。通过结果也就来自两部分：附有资料且通过，或者未附齐资料但通过。

代入得到：

这叫全概率公式。它把整体概率写成各组条件概率的加权平均。多个组的情形也一样：分组需要互不重叠、覆盖所研究的整体，再按各组所占概率加权。相关条件见 Statlect 条件概率条目中的全概率部分。

直接把百分之八十和百分之三十平均，得到百分之五十五，是把两组当成了各占一半。本表实际为四十与六十，权重并不相同。

2．总体表现变了，可能只是构成变了

现在设想一个新的估算模型：未来任务中，七成附有字段说明与示例行，三成没有附齐；同时，暂且假定两组内部的通过概率仍分别为零点八和零点三。那么新的总体通过概率为：

从百分之五十到百分之六十五，组内概率没有改变，变化来自任务构成。这里的六十五是模型中的百分比，不是承诺下一百个任务恰好通过六十五个。

在实际记录中，构成变化可能有多种来源。小叶新接到的任务本来就带有更完整的数据文档，也可能这次主要处理另一门课程的资料。即使工具本身没变，总体统计也可能变。反过来，若未来更多任务来自困难材料，总体数字可能变差。

因此，一个总体比例并不是脱离工作范围而独立存在的属性。说“AI 通过率是多少”，还隐含着“处理什么任务、这些任务各占多少”的问题。这并不妨碍总体比例有用，只是让我们知道，在不同场景之间直接搬用它，可能需要重新考虑权重。

3．在条件内部合并，也要用条件内部的权重

看附有资料的四十条，其中常规图二十条、复合图二十条，通过比例分别是百分之九十和百分之七十。因此：

这次权重是 $P(C\mid B)$ 与 $P(C^c\mid B)$。不能拿全部任务中常规图四成、复合图六成的比例替代，否则会算成零点七八。

这里有一个可以反复使用的检查办法：每当把若干比例合成一个总体比例，先问“现在的总体是哪一组”。若当前讨论只限于附有资料的任务，分组权重也必须来自这组，不能悄悄回到全部一百条。

八、从表格计算走向真实判断，还需要留意什么

1．基本结果不等可能时，不能只数条数

前面的记录抽取是等概率的，所以能直接用数量之比计算。换一个独立的小例子：小叶要从三条任务记录中抽一条做复查，希望更频繁地看到某些记录，因此给它们不同抽取权重。

权重总和为十，三条被抽到的概率分别是零点一、零点三和零点六。已知抽到附有资料的记录，候选是R1与R2，但它们不是各占一半。

若只看“符合条件的两条里有一条通过”，会误算成百分之五十。原来R2的抽取权重就是R1的三倍，给定二者之一以后，这个相对权重仍然要保留。

这个例子中的概率描述抽查机制，不代表两条任务在实际工作中天然各有多常见。区分抽样规则和任务本身的发生规律，能够避免把刻意多抽困难任务后的统计，误当成全部工作日常表现。

2．没有这种记录，不等于这种条件下必然失败

回到一百条绘图任务。假设其中没有任何一条来自某种新运行环境。小叶在表格中筛选这个环境，得到零条记录。此时不能把“通过零条除以总计零条”计算成通过率零。

对于我们限定的等概率抽记录试验，这个条件的概率为零，不能直接使用分母非零的条件概率公式。对于未来在新环境中运行的任务，结论则是现有记录没有提供相应组内比例，需要新的信息或模型。

同样，如果某个非常细的条件组合只剩两条记录且都通过，表内比例确实是百分之百；但它对大量未来任务的说明力度，与二百条可比记录提供的证据不同。条件越细，有时越贴近目标任务，也可能让可用记录变得更少。后面的抽样与统计判断章节会讨论怎样处理这类不确定性。

3．预测时，要用当时能够知道的条件

小叶提交请求以前，可以知道有没有附资料，也可以判断大致任务类型；首次结果是否通过，则要得到结果并核查后才知道。

如果一个报告说“在最终交付成功的任务中，首次通过比例很高”，这可能是正确的回顾性统计，却不一定适合拿来预测一个刚提交、结局未知的新任务。它的条件使用了之后才知道的结果。

这也解释了为什么某些成功案例集读起来处处顺利。它们可能经过了“最后做成了”这一层筛选。学习其方法仍有价值，但估计新任务的通过概率时，还需要看到与新任务处在相似起点的记录。

九、上下文怎样进入 AI 的概率判断

1．一句话的合理理解，往往依赖它周围的内容

小叶对 AI 说：“这个模型为什么不适用？”

如果前面讨论的是用直线预测数据，他可能在问线性模型的假设或适用范围；如果前面讨论的是做一个展览用纸模型，他可能在问材料与结构；如果前文没有交代，先追问“你指哪一种模型”也可能是合适的回应。

这并不是三个解释中有一个在任何时候都最正确。当前对话的内容，为理解“这个模型”提供了条件。离开这些条件，孤立判断一句话该接什么，往往会丢掉原本最有用的信息。

回到绘图任务，“把这一列变成百分数”也有类似问题。假设某列按零到一记录比例，数值零点八二应显示为百分之八十二；若另一份数据已经把百分之八十二写成数值八十二，就不能再做同样的倍数转换。相同指令，需要结合原始数据的表示方式来理解。

小叶补充“这列按零到一记录比例，图中以百分数显示”，提供的是能区分处理方式的条件。这比单纯重复“请认真一点”“务必准确”更具体，因为它减少了任务本身的歧义。

2．自回归生成中的条件概率

对自回归语言生成来说，模型会根据已经给定的上下文和前面生成的内容，为接下来的文本单位分配概率。这类文本单位通常称为token，并不总与一个汉字或一个完整词一一对应。Hugging Face 关于文本生成的技术说明 用条件概率的乘积展示了这种序列生成关系。

把初始上下文记作 $c$，把前 $m$ 个输出单位记作 $w_1,\dots ,w_m$，一种常见写法是：

这里的 $\theta$ 表示模型参数。乘积符号说的是逐项相乘；每一项的条件里，都保留初始上下文和前面已经生成的部分。这与我们沿概率树逐步相乘的结构相通，但模型内部处理的对象和规模远比课堂小表复杂。

理解这个式子，不意味着我们需要手工计算每个token的概率。它提供了一种基础认识：模型接下来说什么，会依赖它此时看到的条件；前面已经说出的内容，也会成为后续生成的条件之一。

因此，小叶若发现 AI 把数据列理解成了错误含义，仅在后面加一句“继续完成”可能仍会让后续内容围绕先前解释展开。明确指出哪一列是什么、先前哪种解释需要替换，会更清楚地改变当前任务信息。实际效果仍要观察，不能由这条结构公式直接算出提升了几个百分点。

3．文本出现的概率，与事实正确的概率，要区分开

本章主表中的 $P(A\mid B)$，描述的是某类任务在预定核验下通过的概率。上一小节的 $P_{\theta }(w_t\mid \cdots )$，描述的是模型在给定上下文下对下一个文本单位的概率分配。它们都叫条件概率，却不是同一个事件。

例如，“这一列应该乘以一百”作为一句文本，在某种上下文下可能很容易被接出来。但这句话是否符合小叶的真实数据，还要看原始字段究竟怎样记录。不能把一句话容易生成，直接解释成它在现实中有同样高的正确概率。

同样，AI 说“我很确定”，这也是输出文本的一部分。若要把某种表达当成可靠的正确率信号，就需要额外观察：在它这样表达的任务里，有多少真正通过了独立核查。数学上，对应的又是一个新的条件概率，而不是仅凭语气就能得到的结论。

这个区别不会削弱上下文的价值。它恰好让我们更有方向地组织上下文：提供与任务相符的事实、定义和约束，而不只是增加一种容易让回答显得确定的说法。

4．信息更多，未必都对当前问题有帮助

设想小叶把两份旧数据说明都放进请求。一份说某列按零到一记录，另一份说它已按百分数数值记录，但没有标明哪份对应当前文件。上下文变长了，关键条件反而更不清楚。

如果他明确写出当前文件采用哪一份定义，旧版本只供比较，任务就更容易被正确理解。这里的重点是条件之间的关系：哪些内容描述当前事实，哪些是历史版本，哪些是要求，哪些还只是猜测。

我们在管理学的上下文组织章节中，已经从沟通与协作角度讨论过类似做法。条件概率补充了一层认识：输入的信息参与了后续判断的条件；条件含糊、冲突或与任务无关时，单纯增加数量不等于增加有效信息。

了解更多与任务有关的条件，不代表成功概率必然变高。在前面的任务表中，已经知道附有资料，再知道它属于复合图，合理判断就从八成变成七成。知道困难在哪里，有时先让预期下降，却能帮助小叶安排核查、补齐材料或调整做法。

十、看到条件差异以后，怎样判断该不该改变做法

1．观察到相关条件，与主动补上条件，是两个问题

主表告诉我们：在这批记录中，附有资料组通过率为百分之八十，未附齐资料组为百分之三十。两组相差五十个百分点。

但如果小叶说“给任意请求补上字段说明与示例行，就一定能提高五十个百分点”，就超出了这张表本身提供的信息。

历史上附有资料的请求，可能还具备其他特点。例如小叶对这些作业更熟悉、数据更规范，或者请求写得更清楚；未附齐资料的任务可能来自另一些使用情境。这些都是可能的解释，不是我们已经从表格中验证出来的事实。

我们已经按常规图和复合图做了细分，这能减少一种混杂，但并不证明其他差异都消失了。即使两个细分类别中都是附资料组更好，单靠观察到的比例，仍然不能精确分离“补资料本身”的作用。

关于组间还可能存在其他差异，以及通过实验安排研究作用关系的基本思路，可参见 OpenStax 的实验设计章节。我们在这里只区分问题，具体设计会放到后面的实验与因果判断一章。

2．这不妨碍先做一个有根据的改进

小叶现在就可以尝试补充字段说明和示例行。因为从任务机制上看，这些内容确实能帮助说明列名、数据格式和单位，而本表又提供了值得继续观察的线索。

他需要区分的是“这是一项有理由尝试的改进”和“我已经知道它必然带来多大提升”。行动不必等到所有理论问题都解决，但效果的说法应当与已有证据相称。

如果想更清楚地比较，他可以选择一批有代表性的绘图任务，为每项准备常规请求与补充资料后的请求，分别在独立对话中运行，保持核验标准一致，并合理安排两种版本的运行顺序。实际比较还要留意重复运行、环境和任务差异，不能把所有变化都归到那几行新增文字上。

这样的观察比单纯争论“提示写得长有没有用”更具体。我们能够回到输入内容、任务类型和输出缺陷，判断哪些背景帮助了理解，哪些资料并未发挥作用，哪些问题需要换一种处理方法。

3．把条件概率变成一种提问习惯

以后看到“这个工具很准”“这个做法成功率很高”，小叶可以先补全一句话：“在什么条件下，对什么任务，按照什么标准？”

接着问：“我现在的任务已经知道哪些条件？报告中的条件与这些信息一致吗？”如果报告只描述最终成功案例，就补看未成功部分；如果总体包含大量简单任务，就关注与自己相近的任务组；如果原记录没有覆盖当前环境，就把现有比例当成有待迁移的经验，而不是现成保证。

与此同时，小叶也可以更有效地向 AI 交代任务。提供字段含义、真实用途、已经确定的决定，以及当前仍未知的内容，使它有机会在更合适的条件下理解问题。

这几步不需要每次都写出 $P(A\mid B)$。当我们能自然区分“知道什么”和“判断什么”，并记得同一组条件对应同一把比例尺，条件概率就已经开始参与日常思考了。

十一、练习与参考分析

练习一：同一格数据，为什么有三个百分比

使用主表，分别回答：随机抽一条记录，同时附有资料且通过的概率是多少？已知附有资料，通过的概率是多少？已知通过，附有资料的概率是多少？说明每个分母从哪里来。

参考分析

三个问题的分子都对应三十二条共同记录，但分母依次为全部一百条、附有资料的四十条、通过的五十条，结果为百分之三十二、百分之八十、百分之六十四。

联合概率先保留全部参考范围，问两个条件同时出现；条件概率则先给定其中一个事件，在它包含的记录中判断另一个事件。竖线两边互换以后，参考范围随之变化，不能因为分子相同就认为两个概率相同。

如果向没有学过公式的同学解释，最直接的方法是让他分别圈出这三个范围，再数其中蓝色的三十二条。先看清“在哪一堆里找”，往往比先背符号更容易理解。

练习二：百分之八十的补集是什么

已知 $P(A\mid B)=0.8$，小叶把“未附齐资料时通过概率”写成零点二。指出问题，并根据主表计算 $P(A^c\mid B)$、$P(A\mid B^c)$ 和 $P(A^c\mid B^c)$。

参考分析

一减去零点八，改变的是目标事件是否发生，给定条件仍然是 $B$。所以零点二对应附有资料组的未通过概率，即八除以四十。

未附齐资料组有六十条，其中十八条通过、四十二条未通过，另两项分别为零点三与零点七。不能把“没有通过”和“没有附齐资料”当成同一种否定。

这道题还可以用加法自查：在 $B$ 内部，零点八加零点二等于一；在 $B^c$ 内部，零点三加零点七等于一。跨不同条件随意相加，则未必有这种补集含义。

练习三：多个条件，筛选后还剩多少

使用细分表，计算附有资料且属于复合处理图时的通过概率，再计算“附有资料、常规单表图且通过”在全部记录中的概率。解释为什么不能把三个总体概率直接相乘。

参考分析

第一个问题的条件是 $B\cap C^c$，共有二十条，其中十四条通过，所以概率为百分之七十。

第二个问题指向十八条记录，占全部百分之十八。按逐步乘法，也可以写成 $P(B)P(C\mid B)P(A\mid B\cap C)=0.4\times 0.5\times 0.9=0.18$。

三个总体概率直接相乘，会得到 $0.4\times 0.4\times 0.5=0.08$。错误在于后续步骤没有使用前面已经给定的条件。总体通过率为一半，并不意味着附有资料且常规图的组内通过率也为一半；细分表明确给出了九成。

练习四：总体比例升高，说明每一组都改善了吗

设未来任务的资料条件构成为：七成附有资料、三成未附齐资料。在一个估算模型中，两组通过概率仍保持零点八与零点三。计算总体通过概率，并评价“总体从五成变成六成五，说明 AI 在每一类任务上都进步了”。

参考分析

总体为 $0.7\times 0.8+0.3\times 0.3=0.65$。题目已经明确两组内部概率不变，因此不能由总体升高推出每组改善。

总体变化由权重改变造成。如果未来一百个任务按这个概率模型出现，通过数量的期望为六十五；实际一批不必恰好如此。并且，把历史组内比例用于未来的前提，是它们对未来任务仍有适用性，这属于估算条件。

若小叶想比较工具是否进步，可以在相近任务组内观察，或者用同一套合理的任务权重作比较。若关心的是自己实际将遇到的总体结果，则应该使用实际任务构成。两种比较各有用途，先明确问题再决定权重。

练习五：两条候选记录，为什么通过概率不是一半

采用本章三条复查记录的权重一、三、六。已知抽到了附有资料的记录，求通过概率。再说明：若某个筛选条件在主表中完全没有记录，为什么不能报告通过率零？

参考分析

附有资料的是R1与R2，原概率分别为零点一和零点三。条件内部归一化以后，它们的概率为四分之一和四分之三。只有R1通过，因此条件通过概率为百分之二十五。

两条记录被抽到的机会不相等，所以不能只用“一条通过除以两条记录”。数量之比适用于等权记录；不等权抽取要保留概率权重。

空条件下既没有通过记录，也没有可作分母的条件记录。零除以零不是零，现有表不能给出这个组的通过比例。如果要判断未来新环境下的任务，应当补充相关记录或提出有依据的新模型，而不是把数据缺口写成确定失败。

练习六：上下文里的确定语气，是否等于可靠证据

小叶把“这列数据肯定已经是百分数，直接加百分号即可”放进请求，但原始说明实际写着“按零到一记录比例”。AI 随后按照前一种说法处理，并写道“结果完全正确”。这里应当分别检查哪几件事？主表中的八成通过率，能否直接证明这次正确？

参考分析

先查看当前文件的真实字段定义。若原始说明适用于当前数据，零点八二表示的是百分之八十二，直接显示为百分之零点八二就不符合这个含义。请求里的确定语气没有改变数据实际如何记录。

再看上下文是否把相互冲突的说法都当成当前事实。应明确哪一份定义适用，并修正错误描述。自回归生成会依据当前上下文及已生成内容继续输出，但“沿某种解释生成得顺畅”与“该解释符合真实数据”是不同问题。

AI 说“完全正确”仍然是待评价的输出，不能代替对数据和图表的核查。主表的百分之八十是指定参考范围中的条件比例，也不是每一次任务都正确的保证；本次还出现了具体的错误背景，不能不加分析地套用总体经验。

小叶可以用两三个已知数值检查转换：零、零点五、零点八二在当前比例定义下应对应百分之零、百分之五十、百分之八十二。这样的检查直接连接原始定义与输出结果，也比要求 AI 再说一遍“我确定”提供了更多有效信息。