给定一系列历史姿态，预测多样的人体运动已受到越来越多的关注。尽管取得了快速进展，现有的工作主要通过基于似然性的采样方法来捕捉人体运动的多模态特性，但模式塌陷现象普遍存在。在本文中，我们提出了一种简单而有效的方法，该方法通过一个名为锚点（anchors）的确定性可学习组件来解耦随机采样代码，以提高样本的精确性和多样性。进一步地，我们将锚点分解为空间锚点和时间锚点，这为控制空间-时间差异提供了直观且有吸引力的方式。原则上，我们的基于空间-时间锚点的采样方法（STARS）可以应用于不同的运动预测器。在此基础上，我们提出了一种增强交互的空间-时间图卷积网络（IE-STGCN），该网络编码了人体运动的先验知识（例如，空间局部性），并将锚点融入其中。大量实验表明，我们的方法在随机预测和确定性预测方面均优于现有最先进方法，表明其作为建模人体运动的统一框架的潜力。我们的代码和预训练模型可在 https://github.com/Sirui-Xu/STARS 获取。