一句话定义：标准差（standard deviation, SD）衡量一组数据自身有多分散；标准误（standard error, SE）衡量你算出的统计量（通常是平均值）作为估计有多不可靠。在样本独立、方差有限的前提下，二者近似满足 SE = SD / √n。
把话说透：假设你想知道全国程序员的平均身高，但没法给所有人量，于是随机抽了 100 个人。这 100 个人的身高标准差描述的是“程序员群体本身高矮差多少”。它是人群固有属性，抽 100 人还是 1 万人，它都会稳定在某个值附近。而“这 100 人的平均值离全国真实平均值有多远”则是标准误要回答的问题。把样本量从 100 加到 1 万，平均值会更接近真值，标准误缩小到原来的 1/10；标准差则基本不动。
一句话记法：标准差是“人跟人之间的差异”，标准误是“你对结论的把握”。
| 标准差 SD | 标准误 SE | |
|---|---|---|
| 回答的问题 | 单个数据点离均值有多远 | 样本均值离总体均值可能有多远 |
| 随样本量 n 的变化 | 基本不变，n 越大越接近真实离散度 | 大约按 1/√n 缩小 |
| 典型用途 | 描述分布、判断异常值、说明单次波动 | 构造置信区间、做显著性检验 |
| 报告含义 | mean ± SD：一次实验或一条曲线上数据的波动 | mean ± SE：这个平均值的估计准不准 |
最容易踩的坑：报告里写“准确率 0.85 ± 0.02”时，必须讲清这个 ± 是 SD 还是 SE。若是 5 次独立训练的 SD，它说的是“下次再训一次，结果可能差这么多”；若是 SE，它说的是“平均值估得有多准”。同一个数字，含义可以差一个数量级，样本量越大差得越多。图表里的误差棒（error bar）画哪个，视觉尺度也完全不同；不标注清楚，读图的人就无法判断。
对从业者的意义：跑多次实验报结果前，先问自己读者想知道什么——是“下次跑结果会差多少”（用 SD），还是“真实水平大概在哪”（用 SE）。向业务方说明模型指标稳定性，SD 更贴近“上线后单次表现的波动”；做 A/B 测试判断提升是否可信，看的是均值标准误及其构造的置信区间。另外 n = 1 时标准误无从计算，只报单次结果外加一个 SD，也说明不了估计精度。
对普通人：看到报告里的“±”，先找脚注确认是哪一种；没写清楚，就当这个区间没写。