说到 A/B 测试，很多人第一反应是：跑实验、收数据、做结论。可你有没有想过，为什么同一个实验在不同时期、不同用户群里会得到截然相反的结果？其实根本原因往往不在代码，而在用户携带的心智模型。

心智模型可以理解为人们对世界的内在图景。它决定了我们如何解释信息、做出选择。心理学大师 Daniel Kahneman 说过，人类的思考分为快速的直觉系统1和慢速的分析系统2。A/B 实验通常只关注系统2的输出——转化率、留存率，却忽视了系统1先前已形成的预期。

当产品上线新功能时，旧有模型与新模型可能出现冲突。举个例子：在电商平台添加“猜你喜欢”模块，老用户的“挑商品→比价→下单”模型被打断，结果出现转化率下降。因为他们的模型里没有“猜你喜欢”这一环节，导致行为被拉扯。

传统的实验设计往往先设定要检验的指标，然后随机分组。我们建议的做法是：先做“模型诊断”。先用访谈、热图、流程图等手段，绘制目标用户的典型旅程，标出可能的模型冲突点。

案例回顾：Airbnb 在 2022 年上线了新型搜索过滤器，目标是提升匹配效率。上线后，首周转化率竟下滑 10%。内部数据分析显示，用户在搜索时看到的“价格+评分”标签与他们原有的“入住天数+地理位置”模型冲突，导致他们快速放弃搜索。若此时先做模型诊断，或许就能提前发现并微调标签布局。

解决方案：在实验前，先在用户旅程图上标注“认知失调”点——即用户的预期与界面信息不符的地方。然后针对这些点，构建具体假设，例如「若用户看到的价格排序与他们的预算模型冲突，转化率会下降」。再通过 A/B 测试验证。

在生成假设时，记得把心智模型放在前面：先问「这假设会触碰到哪些用户已有模型？」再问「这些冲突会导致什么行为偏差？」这样设计出来的实验更有针对性，也更容易解释结果。

统计分析也可以更“心理学化”。传统的 p 值往往忽略了“预期效应”的大小。尝试用贝叶斯框架，给模型冲突的程度一个先验分布，再通过实验数据更新后验，得到“冲突程度→转化差异”的完整概率模型。

经验法则：每一次实验前，先完成三步：1）用户旅程图+模型冲突点；2）形成假设并写成「若 A，则 B」；3）先做小规模可视化验证，再进入正式 A/B。这样既能节省实验成本，又能提高结论的可解释性。

结语：让心智模型成为实验的后台，而不是被忽略的变量。你在最近一次 A/B 实验中，有没有留意到用户模型与新功能的冲突？如果没有，下次实验前别忘了先问自己一个简单的问题：我的假设和用户的思维轨迹冲突了吗？