贝叶斯主义的视角：人的想法和判断，AI的假设，这些都是先验概率，要通过实证和验证的似然估计，从而在后验概率分布中，得出当前的高置信度结论。

这个映射是干净的———三者的关系：

- L3 先验：假设 / 判断 / 直觉（人的、AI 的都算）—— P(H)
- L2 似然：证据本身 —— P(E|H)
- L1 后验：被证据乘过的结论 —— P(H|E) ∝ P(H)·P(E|H)

关键直觉：L1 不是"更强的判断"，而是"先验 × 证据"的乘积。由此推出
一条铁律：一个没被证据乘过的先验，不管说得多笃定，仍然是 L3，不是 L1。

所以在我理想的上下文管理中：
1. 任何假设（人的、AI的）默认是 L3 先验，不享受结论待遇；
2. 只有被实测证据更新过的才记 L1，才可据以下注 / 行动；
3. 用实证持续修正 L3 —— 这就是贝叶斯更新本身。

L1 也是暂定的。今天的后验是明天的先验，新证据一来要重新乘一遍。「L1 不是终点」，而是「只在证据动过的信念上下注，且随时准备被下一份证据改写」。