名称: 费米估算描述: 在不确定性下进行快速数量级估算时使用（市场 sizing、资源规划、可行性检查），将复杂数量分解为可估算部分，用上下限界定未知数，合理性检查战略假设，或当用户提到费米估算、草稿计算、数量级、粗略估计、三角测量时，或在详细分析前需要评估可行性。

费米估算

目的

费米估算通过将看似不可能的问题分解为更小、可估算的部分，提供快速的数量级答案。本技能指导您通过分解策略、界定技术、合理性检查和三角测量，在数据稀缺、时间有限或决策不需要精确性时做出可辩护的估算。

何时使用

在以下情况下使用此技能：

市场 sizing：估算产品发布的总可寻址市场（TAM）/可服务市场（SAM）/可获得市场（SOM）、新功能的可寻址市场、竞争市场份额
资源规划：基础设施容量（服务器、存储、带宽）、人员需求、预算分配、库存需求
可行性检查：我们能在6个月内构建这个吗？客户会支付X美元吗？这个市场足够大吗？
战略决策：构建与购买权衡、进入新市场评估、融资/跑道计算、定价验证
业务指标：收入预测、客户获取成本、终身价值估算、单位经济学、盈亏平衡分析
影响评估：碳足迹、能源消耗、社会影响力、倡议的成本节约
面试问题：咨询案例面试（芝加哥的钢琴调音师）、产品意识问题、分析推理测试
快速验证：合理性检查详细模型、压力测试假设、在投资精确性前获取方向性答案

触发短语：“粗略估计”、“数量级”、“草稿计算”、“大约有多少”、“可行性检查”、“直觉检查”、“三角测量”、“合理性检查”

这是什么？

费米估算（以物理学家恩里科·费米命名）将复杂未知数分解为可以使用常识、约束和推理估算的更简单组件。目标不是精确性，而是快速"正确到数量级以内"。

快速示例：

问题：芝加哥有多少钢琴调音师？

费米分解：

人口：芝加哥约300万人
家庭：300万人 ÷ 3人/家庭 = 100万家庭
钢琴：约1/20家庭有钢琴 = 50,000架钢琴
调音频率：钢琴平均每年调音一次
调音需求：50,000次调音/年
调音师容量：调音师每年工作250天，每天4次调音 = 每位调音师每年1,000次调音
所需调音师：50,000 ÷ 1,000 = 约50名钢琴调音师

实际：芝加哥约80-100名钢琴调音师（在数量级内 ✓）

业务示例 - 市场 sizing：

问题：美国B2B销售自动化SaaS的总可寻址市场是多少？

分解：

美国总企业数：约3000万家
有销售团队的企业：约10% = 300万家企业
员工>10人的企业（能负担SaaS）：约200万家企业
可寻址企业（科技意识强，非企业级自定义解决方案）：约50万家企业
价格点：平均每月500美元
总可寻址市场：50万家 × 500美元/月 × 12 = 每年30亿美元

验证：快速搜索确认B2B销售技术市场约50-70亿美元（相同数量级 ✓）

工作流程

复制此检查清单并跟踪进度：

费米估算进度：
- [ ] 步骤1：澄清问题并定义指标
- [ ] 步骤2：分解为可估算组件
- [ ] 步骤3：使用锚点估算组件
- [ ] 步骤4：用上下限界定
- [ ] 步骤5：计算并合理性检查
- [ ] 步骤6：用替代路径三角测量

步骤1：澄清问题并定义指标

精确重述问题（单位、范围、时间范围）。识别决策依赖的估算（方向性答案足够？数量级？）。参见resources/template.md获取问题澄清框架。

步骤2：分解为可估算组件

将未知数分解为可知部分的乘积/商。选择分解策略（自上而下、自下而上、维度分析）。参见resources/template.md获取分解模式。

步骤3：使用锚点估算组件

基于已知数量（人口、物理常数、市场规模、个人经验）进行估算。明确陈述假设。参见resources/methodology.md获取锚点来源和校准。

步骤4：用上下限界定

计算乐观（上限）和悲观（下限）边界以界定答案。检查决策是否在范围内变化。参见resources/methodology.md获取基于约束的界定。

步骤5：计算并合理性检查

计算估算，四舍五入到1-2位有效数字。合理性检查与现实对比（答案通过嗅觉测试吗？）。参见resources/template.md获取验证标准。

步骤6：用替代路径三角测量

使用不同分解重新估算以验证。检查两条路径是否产生相同数量级。使用resources/evaluators/rubric_estimation_fermi.json验证。最低标准：平均分数 ≥ 3.5。

常见模式

模式1：市场 Sizing（TAM/SAM/SOM）

分解：总人口 → 目标细分 → 可寻址 → 可达到 → 价格点
锚点：人口普查数据、行业报告、类似市场、渗透率
边界：乐观（高渗透、溢价定价） vs 悲观（低渗透、折扣定价）
合理性检查：与空间内公共公司收入、VC市场规模估算对比
示例：电子商务总可寻址市场 = 美国人口 × 在线购物% × 平均年支出

模式2：基础设施容量

分解：用户 → 每个用户的请求 → 每个请求的计算/存储 → 开销
锚点：类似服务（Instagram、Twitter）、已知容量（EC2实例限制）、负载测试数据
边界：峰值（黑色星期五） vs 平均负载、增长轨迹（每年2倍 vs 10倍）
合理性检查：每个用户的成本应 < 终身价值，与类似规模的公共云账单对比
示例：所需服务器 = （日活跃用户 × 每个用户的请求 × 毫秒/请求） ÷ （实例容量 × 利用率）

模式3：人员配置/人数

分解：待完成工作（功能、票证、客户） → 每人生产力 → 开销（会议、支持）
锚点：行业基准（每X用户工程师、每Y客户支持代理）、团队速度、招聘时间线
边界：经验丰富的团队（高生产力） vs 新团队（启动时间）、激进时间线（加班） vs 可持续节奏
合理性检查：人数增长应与收入增长曲线匹配，与类似规模的同行对比
示例：所需工程师 = （路线图中的故事点 ÷ 每个工程师的速度） + 20% 开销

模式4：财务预测

分解：收入 = 用户 × 转化率 × 每用户平均收入，成本 = 销货成本 + 销售/营销 + 研发 + 一般与行政费用
锚点：队列数据、行业客户获取成本/终身价值基准、可比公司指标、历史增长
边界：牛势案例（高增长、高效扩展） vs 熊势案例（缓慢增长、成本上升）
合理性检查：利润率在规模上应接近行业规范，增长率应遵循S曲线而非永远指数增长
示例：第2年收入 = 第1年收入 × （1 + 增长率） × （1 - 流失率）

模式5：影响评估

分解：总影响 = 受影响的单位 × 每个单位的影响 × 持续时间
锚点：排放因子（千克二氧化碳/千瓦时）、转化率（计划 → 行为改变）、先例研究
边界：保守（低采用、小效果） vs 乐观（高采用、大效果）
合理性检查：影响应线性或亚线性扩展（收益递减），与类似干预措施对比
示例：碳节省 = （切换用户 × 年行驶里程 × 每英里排放） - 基线

护栏

关键要求：

明确陈述假设：每个费米估算都基于假设。使它们可见（“假设每年250个工作日”、“如果转化率约3%”）。允许他人挑战/优化。未陈述的假设创建虚假精确性。
目标为数量级，而非精确性：目标是10^X，而非X.XX。四舍五入到1-2位有效数字（50而非47.3，300万而非2,847,291）。虚假精确性浪费时间和误导。如果决策需要精确性，不要使用费米估算——获取真实数据。
分解直到组件可估算：分解直到达到可以从知识/经验估算的数量。如果一个组件仍然是"我怎么会知道？"，进一步分解。避免为复杂子问题插入胡乱猜测。
使用多条路径（三角测量）：通过不同分解估算相同数量（自上而下 vs 自下而上、供应方 vs 需求方）。如果路径在因子3内一致，置信度增加。如果它们差异10倍以上，调查哪个分解有缺陷。
界定答案：计算乐观和悲观案例以界定现实。如果决策在范围内相同（市场是10亿美元或100亿美元，无论如何我们进入），边界重要性较低。如果决策翻转（在1000万美元盈利，在100万美元不盈利），需要精确性或更好估算。
合理性检查与现实对比：答案通过嗅觉测试吗？与已知数量对比（您对星巴克收入的估算应在实际约350亿美元的10倍内）。使用维度分析（单位应正确抵消）。检查极端情况（如果每个人都做X？是否违反物理定律？）。
在已知问题上校准：在有可验证答案的问题上练习（美国人口、迪士尼世界出席人数、小麦产量）。识别您的偏见（高估？低估？锚定？）。改善未来估算。
承认不确定性范围：当适当时，将估算表达为范围或置信区间（“10-100万用户”、“可能100-500万美元”）。传达认知谦逊。避免虚假精确性陷阱。

常见陷阱：

❌ 锚定在错误数字上：使用不相关或有偏的起始点。如果有人说"是100万吗？"您锚定在那里，即使没有理由。
❌ 双重计数：在分解中包括相同数量两次（计数企业和员工时，企业已经包括员工）。
❌ 单位错误：混合每日和每年，混淆百万和十亿，错误货币转换。始终检查单位。
❌ 幸存者偏差：基于成功案例估算（从独角兽的平均初创收入，不包括失败）。
❌ 线性外推：当指数增长时假设线性增长（或反之）。增长率随时间变化。
❌ 忽略约束：物理限制（不能超过光速）、经济限制（市场增长不能永远快于GDP）。

快速参考

关键资源：

resources/template.md：澄清框架、分解策略、估算模板、合理性检查标准
resources/methodology.md：锚定技术、界定方法、三角测量方法、校准练习
resources/evaluators/rubric_estimation_fermi.json：分解、假设、边界、合理性检查的质量标准

常见锚点：

人口统计：

美国人口：约3.3亿，家庭：约1.3亿，劳动力：约1.65亿
世界人口：约80亿，城市：约55%，互联网用户：约50亿

业务：

财富500强收入：10万美元到6000亿美元（中位数约300亿美元）
初创估值：种子轮约500-1000万美元，A轮约3000-5000万美元，独角兽 >10亿美元
SaaS指标：客户获取成本约1000-5000美元，终身价值/客户获取成本比率 >3，流失率 <5%/年

技术：

AWS EC2实例：约10,000请求/秒，S3存储：0.023美元/GB/月
移动应用：约5-10屏幕/天/用户，50-100 API调用/会话
网站：约2-3页面/会话，1-2分钟会话持续时间

物理：

人：约70千克，2000千卡/天，8小时睡眠
汽车：约25英里/加仑，12,000英里/年，30,000美元新车，20万英里寿命
房屋：约2000平方英尺，美国中位数300,000美元，30年抵押贷款

转换因子：

1年 ≈ 250个工作日 ≈ 2000个工作小时
100万秒 ≈ 11.5天，10亿秒 ≈ 32年
1英里 ≈ 1.6公里，1千克 ≈ 2.2磅，1加仑 ≈ 3.8升

分解策略：

自上而下：从总人口开始，向下筛选（美国人口 → 车主 → 电动汽车买家）
自下而上：从单位开始，向上扩展（1家商店收入 × 商店数量）
速率 × 时间：流率 × 持续时间（客户/天 × 天数/年）
密度 × 面积/体积：浓度 × 空间（人/平方英里 × 城市面积）
类似扩展：已知类似系统，根据大小调整（竞争对手收入 × 我们的市场份额）

典型估算时间：

简单问题（1-2层分解）：3-5分钟
市场 sizing（3-4层）：10-15分钟
复杂业务案例（多个指标、三角测量）：20-30分钟

何时升级：

决策需要精确性（< 因子2的不确定性）
即使有边界，估算跨度 >2个数量级
没有合理的分解路径（太多未知数）
利益相关者需要置信区间和统计严谨性 → 投资数据收集、详细建模、专家咨询

所需输入：

问题（我们估算什么？单位？范围？）
决策上下文（什么决策依赖此估算？所需精确性？）
已知锚点（我们知道哪些相关数量？）

产生输出：

estimation-fermi.md：问题、分解、假设、计算、边界、合理性检查、三角测量、最终估算与置信范围

费米估算技能Skill estimation-fermi