A/B测试最常见的陷阱主要集中在样本设计、统计检验、实验过程控制和指标选择四类；规避方法的核心是：先定义清楚实验假设和主指标，再预先计算样本量与测试时长，按既定规则结束实验，并对多重检验、分层偏差和业务显著性做校正。
- 样本量不足 / 统计功效太低：样本太小会导致结论不稳定，既可能漏掉真实改进，也可能放大偶然波动。
- 规避方法：在实验开始前做样本量预估和功效分析，并在达到预定样本量前不要提前停止。
- 提前偷看并过早结束：在未达到计划样本量前反复查看结果，会膨胀假阳性率，让“显著”变得不可信。
- 规避方法：预先设定测试时长和停止规则；如果业务必须中途查看结果，应使用序贯检验或其他可处理多次查看的统计方法。
- 多重检验未校正：同时看很多指标、很多分组、很多切片时，误报风险会系统性升高。
- 规避方法：明确主指标，其余作为辅助指标；对多次比较使用合适的多重检验校正，避免“挑显著的看”。
- 指标选择不当：只盯住容易提升的表层指标，可能忽略真实业务目标，甚至带来负面影响。
- 规避方法：优先选择与业务目标直接相关的指标，并同时设置护栏指标，如留存、转化后质量、时延、成本等。
- 忽略季节性、周期性和外部事件：流量结构变化、节假日、促销、周内/周末差异都会扭曲结果。
- 规避方法：尽量覆盖完整业务周期；必要时按时间分层对比，或避开重大活动窗口。
- 样本比例失衡（SRM）：实验组和对照组流量分配异常，通常意味着埋点、随机分流或实现有问题。
- 规避方法：上线前做分流校验，实验中持续监控样本比例，发现异常先排查实现链路再解释结果。
- 新奇效应 / 首因效应：用户对新功能的短期好奇可能抬高短期指标，随后回落；反过来，用户也可能因为习惯而抗拒变化。
- 规避方法：不要只看短期结果，适当延长观察期，并对新老用户分层分析。
- 把“统计显著”误当“业务显著”：一个很小的提升即使显著，也未必值得上线。
- 规避方法：同时看置信区间和实际收益，把统计结果和业务价值一起判断。
如果你需要，我可以继续把这些内容整理成一版更实用的：
- 面试回答版
- 团队规范版
- A/B测试检查清单版
