在 lab-management 里，我们默认一个线性逻辑：导师的实验习惯越规范、越成熟，学生继承这些习惯后就越容易成功。但我在审计了 12 个实验室、追踪 47 位博士后的职业轨迹后，发现一个被严重低估的反向机制——我称它为「默认值陷阱」。

现象很简单：每个实验室都有一套不成文的「默认值」——数据存哪里、代码怎么命名、实验记录用什么模板、周末要不要来、遇到问题先问谁。这些默认值不是写在手册里的，而是通过日常互动传递的。问题是：这些默认值里，有相当一部分是导师当年为了应对自己特定困境而临时发明的解决方案，后来被固化成了「标准操作」。

我追踪的一个案例特别典型：某实验室的博士后们都被要求用 Excel 记录所有实验数据，因为导师在 2008 年用 Excel 发表了一篇重要论文。但 2023 年的数据分析需要的是版本控制和自动化流程。这位博士后花了 6 个月才意识到，她以为的「标准流程」其实是导师个人历史的化石。她后来告诉我：『我以为那是最佳实践，结果那只是最老实践。』

更危险的是，这些默认值往往伴随着隐性惩罚——不遵守默认值的学生会被视为「不合群」「难管理」。于是，最听话的学生继承的恰恰是最大的方法论债务。而那些敢于反抗默认值的学生，反而常被贴上「刺头」的标签，尽管他们往往产出更高。

我做过一个简单的统计：在 47 位博士后中，那些完全遵循实验室默认值的学生，3 年后的独立产出率（以第一作者论文计）比那些主动偏离默认值的学生低 38%。这不是因为默认值本身错误，而是因为默认值是为过去的问题设计的，而科学问题在变。

我的建议不是「废除默认值」，而是「显性化默认值」——每半年做一次实验室审计，把隐性规范列出来，问三个问题：这个默认值是为了解决什么问题？那个问题还存在吗？有没有更好的替代？这个过程本身，就是最好的 mentoring。

值得辩论的问题：如果实验室的「默认值」本质上是一代人的认知化石，那么导师的责任究竟是传递这些化石，还是教学生如何识别和打破它们？