《博弈心理学》笔记(一)

一个搞IT的开始研究心理学好像有点不误正业,我一般的回答是沉默。我心中的爱好本身就不需要向别人解释。就像我对绘画一样的狂热。我一直都很喜欢日本人的书,日本人的书写的生动有趣,而且总是会附图。当然总有一些古怪的愤青非要否定掉日本的一切东西。(好吧此处省略几千万字,我实在懒的吐槽那些莫名其妙自以为是的愤青们)

所谓博弈,就是用对方的策略来实现自己的策略。敌进我退,敌退我进其实已经很好的诠释这个概念。既然要了解对方的策略,自然就要读懂人心。读懂人心是操控人心的重要前提。此处我是照搬书中原话,我本身并不想操控别人,只希望不被别人操控。原本料敌先机,先发致人,已经成为博弈上一件普通不过的概念展现。博弈这个词语,似乎给智慧这种飘渺的东西抽象成了可被记录的定义。

人是感性的动物,人与人直接的矛盾和关系,都会产生博弈的场景。人从来都是感性的动物,感性支配着你的一切行动。比如说人总要吃饭,但是你可能因为不想看到一个你认为讨厌的人而放弃了吃饭这种应该理性的做法,而选择了挨饿。你的任何行为都是由你的心里来支配。

恐惧:

书中举了两个例子,是个是关于上市公司的饼图,另外一个是关于成功者的形象挑选。人们的心里常常会被我们的视线所诱导。其实两个例子本质上都是为了说明诱导对手的一种手段就是恐惧。人天性是要趋向于平静的,如果你让对手感到恐惧,对手自然会被你所诱导。就像饼图一样。如果你呈现出来的饼图让对手感到安稳,那么对手就会受你的诱导感觉稳重。如果你的形象,让对手感觉恐惧,就会让对手觉得你深不可测。

我们看待问题的角度不同,得到的结论自然不同。这里它提出了一个概念叫做“框架效应”。这也是心里博弈的基本技巧之一。你在买牛肉的时候如果告诉你70%的瘦肉你可能会将肉放在你的篮子中,但是如果换个角度,告诉你有30%的脂肪,你能就会犹豫。而产生这种心里作用的一种媒介就是人类的语言。语言的含义在不同的人看来是有不同的心里作用。"人们其实更加愿意接受消极的观点"。这个道理其实非常简单,告诉你70%的瘦肉和30%的脂肪我相信你更愿意放弃这个牛肉。这就等同于让你抉择一件事情,未必你真的觉得消极的一面会找上你,你之所以选择放弃是因为你最好的选择就是逃避。如果你不希望对方迎合你的要求,不妨扩大下这种让对手恐惧的一面。

笑容:

笑容是否一定是代表开心呢?这本书里用保龄球的例子,给出了一个先后的顺序。先看到人,然后笑容。也就是说,人们展现给同伴的“喜悦的笑容”,并不是表达其“喜悦心情”的个人情感体现,而是一种为了向同伴进行“展示”的社会性行为。也就是说,这种行为并非反射,而是一种普遍的心里暗示。比如说我在街上问路,我有可能要保持微笑。但是实际上这种微笑并不代表开心,只是一种社会性的行为。他在向自己的朋友展示,展示自己的成功,希望得到鼓舞或者称赞。非开心的微笑一定是有目的性的。“只有掌握了笑容的种种运用之道,才能成为主导心理博弈的达人”

话题:

知己知彼,百战方可不殆。博弈的概念就是要先知彼再做决策。要操控对方的心里就要了解对方的心里,引出话题是非常必要的。但是察言观色是先决条件。主动谈及私人话题的人,正处于幸福的心理状态中。比如我小时候,我家里怎么样的这类话题。心情好的时候聊一点私密性的话题,这些话题可以是家庭,健康,性,生活等等,这样可以让对方敞开心扉。心情不好的时候千万别聊私密性的话题。

赞扬:

对方如果不远跟你说话,赞扬会促使他提高说话的频率,这叫做捧杀。这个我觉得还是挺深有体会的。小学老师如果当众批斗过你,或许你这辈子都不想站起来发言了。如果你希望对方再多说些什么,就不停地捧他,再捧他,直至将他捧晕。对方受到追捧后心情舒畅,便会愈发侃侃而谈


### GraphRAG 技术原理 GraphRAG 是一种融合知识图谱与检索增强生成(RAG)的技术框架,旨在提升复杂语义环境下的信息检索与推理能力[^5]。其核心技术流程分为三个主要阶段: 1. **图索引构建** 使用大语言模型(LLM)从原始文档中自动抽取出实体及其相互关系,形成结构化的知识图谱。例如,从句子“糖尿病患者使用胰岛素可能引发低血糖”中识别出“糖尿病”“胰岛素”“低血糖”作为节点,并建立边:“糖尿病 → 治疗 → 胰岛素”以及“胰岛素 → 引发 → 低血糖”[^5]。 2. **社区划分与摘要生成** 应用图聚类算法(如 Leiden 算法)对大规模知识图谱进行社区检测,将高度连接的子图划分为独立的知识模块。随后利用 LLM 为每个社区生成高层级语义摘要,用于支持全局性问题的回答(Query-Focused Summarization, QFS),从而加快响应速度并保留上下文连贯性[^5]。 3. **图引导的检索与生成** 当接收到用户查询时,系统执行图遍历操作(如广度优先搜索 BFS 或深度优先搜索 DFS)定位相关实体路径,并结合社区摘要和局部子图信息生成最终答案。该机制支持多跳推理(multi-hop reasoning),即沿着多个中间节点推导隐含结论[^5]。 ```python # 示例:模拟简单的知识图谱三元组表示 graph_triplets = [ ("糖尿病", "治疗", "胰岛素"), ("胰岛素", "引发", "低血糖"), ("高血压", "常用药物", "ACE抑制剂"), ("糖尿病", "并发症", "视网膜病变") ] def find_path(graph, start, target): from collections import defaultdict, deque adj_map = defaultdict(list) for subj, rel, obj in graph: adj_map[subj].append((rel, obj)) queue = deque([(start, [start])]) visited = set() while queue: node, path = queue.popleft() if node == target: return path if node in visited: continue visited.add(node) for _, neighbor in adj_map[node]: if neighbor not in visited: queue.append((neighbor, path + [neighbor])) return None # 查找从“糖尿病”到“低血糖”的潜在路径 path = find_path(graph_triplets, "糖尿病", "低血糖") print("Found path:", path) # 输出: ['糖尿病', '胰岛素', '低血糖'] ``` 此过程体现了 GraphRAG 如何通过拓扑结构实现跨文档的信息串联。 --- ### 使用场景 由于具备强大的语义建模与推理能力,GraphRAG 特别适用于以下高阶认知任务: - **企业知识管理** 整合分散的企业内部资料(如产品手册、会议纪要、客户记录),构建成统一的知识中枢,使员工能高效获取跨部门协作所需信息[^5]。 - **医疗健康辅助决策** 支持医生基于病人历史数据调取疾病—药品—副作用的关系链,提供个性化的诊疗建议,减少误诊风险[^5]。 - **科研数据分析** 将大量学术论文转化为互联的研究脉络图,帮助研究人员追踪某一技术的发展轨迹(如“A团队发现X→B团队验证Y”)[^5]。 - **金融合规审查** 构建法规条款间的依赖网络,在自动生成报告时规避违反监管要求的内容输出,显著降低AI幻觉带来的法律隐患[^5]。 - **商业战略规划** 分析市场动态、竞争格局与消费行为之间的因果链条,支撑高管层做出前瞻性布局[^5]。 --- ### 与传统 RAG 的对比 | 维度 | 传统 RAG | GraphRAG | |------|----------|---------| | 数据组织形式 | 文档切片后的非结构化 chunk | 结构化知识图谱(实体+关系) | | 检索方式 | 向量相似度匹配(embedding-based search) | 图遍历算法(BFS/DFS)、路径查询 | | 推理能力 | 单跳检索为主,难以跨越多个片段 | 支持多跳推理,挖掘间接关联 | | 上下文一致性 | 易受碎片边界影响导致断章取义 | 基于图结构保障逻辑连续性和溯源性 | | 幻觉控制 | 较弱,易生成看似合理实则错误的内容 | 更强,因生成受限于已知事实图谱 | | 性能评估挑战 | 主流基准(HotpotQA等)设计适配良好 | 现有评测集未能体现图结构优势,造成早期评价偏差[^2] | 形象地说,传统 RAG 类似阅读一本无目录、无索引的书籍,仅靠浏览每页文字判断是否相关内容;而 GraphRAG 则相当于拥有一份详尽的大纲和交叉引用体系,允许读者按主题深入探究[^4]。 对于实际选型,可根据资源条件与业务需求做权衡: - 若追求实时响应且成本敏感,则考虑 Fast GraphRAG; - 若需轻量化部署解决简单问答任务,nano-GraphRAG 是合适选项; - 面向跨领域综合性应用推荐 LightRAG; - 对于拥有充分计算资源并涉及复杂推理的任务,Microsoft GraphRAG 或 KET-RAG 表现更优[^3]。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值