一句话定义：锚定效应（Anchoring）是指人做判断时会过度依赖最先接触到的那条信息——哪怕它无关、随机，甚至是错的——后续的思考都围绕这个"锚"做微调，很难真正跳出去。
它怎么起作用
设想你在二手平台上卖一台旧相机，心里没底。平台弹出一句"同类商品均价 4200 元"。这个数字就是锚。你原本想着能卖 2500 就行，看到 4200 之后，报价改成了 3800，被砍到 3300 还觉得亏。可如果平台弹的是"均价 1800 元"，你的心理价位会整体下移，同样的相机，你可能 2400 就痛快出手了。相机没变，变的只是先出现的那个数字。
心理学家做过更极端的实验：让人先转一个随机数字轮盘，再估计某个完全无关的比例。轮盘停在大数的人，给出的估计也更大。锚连"相关"都不需要，只要先进脑子就行。
放到 AI 场景里，锚更隐蔽
你问模型一个估算问题，它给出答案的同时往往还带着一段推理。多数人扫一眼结论，就进入"验证模式"——而验证的方向，是围绕这个答案找支持它的理由，而不是重新独立算一遍。这在认知心理学里和确认偏误（Confirmation Bias）是邻居：锚定负责定起点，确认偏误负责把起点守到底。
两者要分清：
| 锚定效应 | 确认偏误 | |
|---|---|---|
| 作用环节 | 判断的起点被拉偏 | 判断的证据筛选被拉偏 |
| 典型表现 | 先看到的数字/结论成为基准 | 只找支持已有看法的信息 |
| 在 AI 使用中 | 模型第一版答案定了你的心理基线 | 你反复追问，只为让它说"你是对的" |
再往上一层是自动化偏见（Automation Bias）：人倾向相信机器输出，对它的怀疑天然少一档。三者叠加，就出现一个常见的场景——模型答错了，你隐约觉得不对，但因为它的答案已经在那儿了，你的怀疑被压成"可能是我记错了"，最后照着错的走。
还有一种更日常的：让 AI 帮你写方案，它先给一版结构。哪怕你说"只要参考"，后面你自己写的东西，骨架大概率还是那一版。改动都是微调，不会推倒重来。
对从业者和普通人的意义
- 别让 AI 先开口。涉及判断类的事——估值、排期、方案取舍——先自己写下一个数或一个结论，再去问。哪怕写得很粗糙，你的锚就是自己的。
- 把问题问成"反例"。与其问"这个方案可行吗"，不如问"这个方案在什么情况下会失败"。前者让它给结论（你被锚住），后者逼它找反面。
- 要求多个独立答案。让模型先给三到五个差距很大的选项再评价，比让它给一个"最佳答案"更抗锚。
- 做决策的一方要单独留时间。团队里先让每个人写下自己的判断，再公开 AI 的结论，顺序反了，会就白开了。
锚定效应没法关掉，它属于人脑的默认设置；但可以让锚出现得晚一点、让锚多几个。产品层面同理：如果模型的第一版输出会显著影响用户，那"先给差异化的多个选项"往往比"给一个自信的答案"更负责。具体交互细节以各家官方页面为准。
一句话记住：AI 说得越早、越像样，你越难推翻它。