一句话定义：常识推理（Commonsense Reasoning）是指运用那些"人人都知道、却几乎没人专门写下来"的日常知识，去补全没说的信息、判断一件事是否合理的能力。
我们说话写字都是"压缩"过的。"我把蛋糕放在桌上去接了个电话，回来时弟弟一脸心虚"——这句话根本没提蛋糕怎么了，但你自动补出了"蛋糕大概被动了"。这个补全过程你毫无察觉，也没在课本上学过，因为它是被生活泡出来的。
对模型来说，麻烦不在于"知不知道蛋糕是什么"，而在于这类知识几乎不出现在正式文本里。百科会写珠穆朗玛峰的海拔，但不会写"人摔一跤会疼""太阳晒久了冰淇淋会化""湿手去碰插座很危险"。常识的特点恰恰是：数量极大、边界模糊、默认成立、允许例外。你没法用规则穷举，也很难靠检索查全。
有一类经典检验方式叫 Winograd Schema（威诺格拉德模式）：同一个句子只换一个词，指代关系就反过来。比如"奖杯放不进箱子，因为它太大了"和"因为它太小了"，前一句的"它"是箱子，后一句是奖杯。人零成本看懂，模型得靠概率去猜，稍不留神就翻车。
它和相邻概念不是一回事
| 维度 | 常识推理 | 事实知识问答 | 形式化逻辑推理 |
|---|---|---|---|
| 知识来源 | 生活经验，极少被写下来 | 百科、文档、资料库 | 规则、公理、定义 |
| 典型问题 | 猫进了厨房，桌上蛋糕会怎样 | 珠峰有多高 | A>B、B>C，谁最大 |
| 对错性质 | 多数情况成立，有例外 | 通常有明确答案 | 可机械验证 |
| 主要难点 | 隐含前提多，需要"补全" | 检索与记忆 | 推理链条长 |
尤其要区分常识和"事实"：事实是"可以查的"，常识是"没人会去查的"。逻辑推理则是封闭的、形式化的，而常识推理是开放的、带概率的——"鸟会飞"成立，但企鹅和受伤的鸟就是例外。这种"默认成立、遇到反例再撤销"的特性，是常识最难工程化的地方。
这跟你有什么关系
对从业者：常识错误往往是产品体验的头号杀手。模型能答对专业题，却栽在"这句话里到底谁生气了""这个流程能不能反着做""这个东西放这里会不会掉"。建议把常识单列成评估维度，测试用例专门挑那些"没说出口的前提"；在提示里把关键前提显式写出来，别指望它自己体会；涉及物理、时间顺序、因果的环节，宁可接工具或维护结构化状态。
对普通人：模型看起来很懂，是因为它读过海量文本，它的"懂"是"像"而不是"是"。所以专业问答可以放心用，涉及安全、金额、顺序、因果的决定，还是自己把最后一道关。
也正因如此，常识才是个有意思的门槛：专业知识可以背，常识不好背——它衡量的不是记住多少，而是理解多少。