偏誤指紋：12 條規則幫你的決策貼標籤——這算 AI 嗎？

你在 Apexhone 記一筆決策，寫完之後，系統可能會在底下浮出幾個小標籤：「這裡可能有沉沒成本」「留意確認偏誤」。日積月累，這些標籤會在 Insights 裡長成一張「偏誤指紋」熱圖——你最常踩的認知陷阱，一目了然。

這個功能上線後，有用戶問我們：這是不是用了 AI？這篇老實回答這個問題，順便講一個比較不流行的立場：為什麼我們在這件事上 刻意不用 LLM。

偏誤指紋實際上在做什麼

它是一個 tagger——讀你決策日誌的文字與結構，比對 12 條規則，命中就貼一個偏誤標籤。例如：你的決策理由裡反覆出現「已經投入」「都做到這了」，它會提示 沉沒成本；你列的證據全部指向同一個方向、沒有任何反面證據，它會提示 確認偏誤。

累積夠多筆之後，Insights 的偏誤指紋熱圖會告訴你：你不是「偶爾」踩某個偏誤，而是「系統性地」在某一類決策上重複同一個錯。這比任何單篇文章都更貼近你自己。

「這算 AI 嗎」——不算，是 12 條寫死的規則

沒有模型、沒有訓練、沒有推論。就是 12 條人寫的規則式條件判斷，每一條對應一個常見偏誤，由我們的編輯團隊根據認知科學文獻定義。它跑在你的裝置上，邏輯完全透明。

在 2026 年，「自動幫你做某件事」幾乎被預設等於「用了 AI」。但自動化不一定要靠 LLM——一條 if-then 規則也是自動化，而且在這個場景，它是更好的自動化。

為什麼刻意不用 LLM

可解釋

規則式的每一個標籤都能回答「你為什麼這樣標我」。命中了哪條規則、因為哪段文字——我們可以攤開給你看。LLM 給你一個偏誤判斷，卻無法可靠地告訴你它為什麼這樣判，你也無法驗證。對一個要幫你改善判斷的工具來說，不可解釋是致命傷。

可駁回

每個偏誤標籤你都能一鍵駁回——「這條不適用」。因為規則是死的，誤判可預期且有界；你駁回掉的，就是規則踩空的地方。這些 chip 就在你的 決策日誌 裡，駁回不需要解釋。

不把你的決策送出去

決策日誌是高度私密的東西——你的跳槽考量、你的財務判斷、你對某個人的評價。規則式 tagger 完全在本地跑，你的決策文字不需要離開裝置、不需要送進任何外部模型。這一條本身就足以讓我們選規則而不選 LLM。

規則式的代價，我們認

規則式當然有代價：它只抓得到我們事先定義的 12 種偏誤，抓不到我們沒寫進規則的；它讀不懂太迂迴的表達。一個 LLM 在「覆蓋率」上幾乎一定贏。

但我們認為這筆交易划算：用一點覆蓋率，換可解釋、可駁回、可信任。偏誤指紋不是要當你的 決策替身，它只是一面鏡子——而鏡子最重要的特質是不扭曲，不是聰明。

附帶一提，這也跟我們對「記憶」的看法有關：人會 事後重寫自己的判斷，所以偏誤標籤必須在你記下決策的當下就貼，而不是事後請一個模型回頭猜。

偏誤指紋對所有用戶開放，每記一筆就會自動標。Pro 升級 解鎖完整的偏誤指紋熱圖與歷史趨勢。想試，就從 記一筆決策 開始。