复利效应计算器
数学原理：边际收益的聚合
复利效应的数学模型为：f(n) = (1 + r)^n，其中 r 是每日改进率，n 是天数。
当 r = 1% 时，一年后的结果约为 37.78 倍。相反，如果每天退步 1%（乘以 0.99），一年后几乎归零。这展示了微小改变的巨大力量——每天进步一点点，长期累积会产生惊人的结果。
线性 vs 指数成长
平台期（潜能蓄积期）
在习惯养成初期，你可能会感觉没有明显进步。这是"潜能蓄积期"（Plateau of Latent Potential）——你的努力正在积累，但结果尚未显现。突破平台期后，成长将呈指数级加速。
成长理论：潜能蓄积模型
线性成长：y = mx + b，每天增加固定量。
指数逼近模型（潜能蓄积）：y = A(1 - e^(-kx)) + C，其中 A 是最大潜能，k 是增长速率，C 是基线。
- 平台期（0-100天）：投入努力但结果不明显，这是因为在积蓄"势能"
- 突破点（约100天）：临界质量达成，结果开始显现
- 指数增长期（100+天）：复利效应完全显现，增长加速
身份认同投票模型
身份认同等级
身份转变原理
James Clear 的核心观点："每一次行动都是为你想成为的人投了一票。"
身份认同强度 I_n 随行动次数累积：I_n = I_0 · (1 + α)^n
- I₀：初始身份认同强度（通常为 1）
- α：每次行动对身份的强化权重（通常为 0.1-0.2）
- n：行动次数（投票次数）
当你投了足够的票，证据就不可辩驳了。不是目标的达成改变了身份，而是身份的改变促成了目标的达成。
第一定律：让它显而易见
\( P_{trigger} = f(context, cues) \)
触发概率是环境和线索的函数。环境设计可以提高触发习惯的概率。
第二定律：让它有吸引力
\( M = \frac{E \cdot V}{I} \)
动机 = (期望 × 价值) / 阻力。吸引力增加期望和价值，减少阻力。
第三定律：让它简便易行
\( P_{action} = e^{-\lambda \cdot R} \)
行动概率随阻力指数衰减。阻力越小，行动概率越高。
第四定律：让它令人愉悦
\( V_{present} = \frac{V_{future}}{(1 + d)^t} \)
当前价值 = 未来价值 / (1 + 折现率)^时间。即时反馈减少时间贴现。
四大定律的数学原理
James Clear 的四大定律可以用数学模型来理解和优化：
- 提示（Cue）：增加环境中的习惯线索密度，提高触发概率。P(trigger) 与线索可见性成正比。
- 渴望（Craving）：通过捆绑诱惑（temptation bundling）增加期望和价值。M = (E × V) / I
- 反应（Response）：减少行动步骤（2分钟规则），降低阻力指数。P(action) = e^(-λR)
- 奖励（Reward）：提供即时反馈，降低时间贴现对行为的影响。V_present = V_future / (1+d)^t
两分钟规则可视化
两分钟规则原理
核心规则：如果某个行动可以在两分钟内完成，那就现在开始做。
复杂任务的总时间：T_total = Σ(t_i · e^(-λi))
- t_i：第 i 步的基础时间
- λ：难度衰减率（通过分解降低的难度）
- n：微行动步骤数
关键洞察：通过降低启动门槛，提高行动概率。一旦开始，惯性会推动你继续。标准作业程序（SOP）可以进一步降低启动阻力。