--- slug: "decision-architect" name: "decision-architect" version: 2.0.1 displayName: "决策架构师" summary: "结构化决策支持加认知偏差检测与回顾复盘，避免拍脑袋决策与重复踩坑。。面向 AI Agent 的结构化决策支持系统，提供决策框架匹配、认知偏差检测、风险画像学习与强制复盘闭环. 内置 8 类决" summary_zh: "结构化决策支持加认知偏差检测与回顾复盘，避免拍脑袋决策与重复踩坑。。面向 AI Agent 的结构化决策支持系统，提供决策框架匹配、认知偏差检测、风险画像学习与强制复盘闭环. 内置 8 类决" license: "MIT" description: |- 面向 AI Agent 的结构化决策支持系统，提供决策框架匹配、认知偏差检测、风险画像学习与强制复盘闭环. 内置 8 类决策框架（决策矩阵、成本效益、前置分析、预演困境、机会成本、二阶思维、奥卡姆剃刀、可逆性评估）， 按"领域×类型"双维度自动匹配最佳框架。扫描 12 类常见认知偏差并标注潜在信号，避免单点误判. 适用于产品、技术、商业、个人重大权衡、高风险不可逆决策、需留痕的团队决策场景. 通过 3 次一致信号确认才入档的风险画像学习机制，结合 30 天心跳触发的回顾复盘闭环， tools: - read - write - exec homepage: "" tags: - 系统运维 - 工具 - 效率 - 知识 - 文档 - strategic - 机会成本 - tech - 风险画像 - tactical category: "Automation" --- # 决策架构师（Decision Architect） **不替你做决定，但帮你做更好的决定。** 通过结构化框架匹配、12 类认知偏差检测、风险画像学习、强制复盘闭环，让每次决策都留下可复用的经验。本系统避免拍脑袋决策、框架错配、不复盘、重复犯同类错误四大顽疾. ## 输入格式 | 参数名 | 类型 | 必填 | 说明 | |---|---|---|---| | input | string | 是 | 决策架构师处理的输入数据或指令 | | options | object | 否 | 附加配置选项,如模式选择、格式偏好等 | | callback_url | string | 否 | 异步处理完成后的回调通知URL | ## 付费版专享能力 | 能力 | 免费版 | 付费版 | |:-----|:-----|:-----| | 基础功能 | 支持 | 支持 | | 复杂工作流可视化编排 | 不支持 | 支持 | | 条件分支与异常重试 | 不支持 | 支持 | | 定时触发与事件驱动 | 不支持 | 支持 | | 执行日志与审计追踪 | 不支持 | 支持 | | 分布式任务调度与负载均衡 | 不支持 | 支持 | ## 核心能力 - **决策框架匹配**：内置决策矩阵、成本效益、前置分析（Pre-mortem）、预演困境（Inversion）、机会成本、二阶思维、奥卡姆剃刀、可逆性评估 8 类框架。参数：领域（product/tech/business/personal）+ 类型（strategic 长周期高风险 / tactical 中周期中风险 / operational 日常低风险）。输出：按"领域×类型"双维度匹配的 1-2 个最佳框架及评分依据。strategic 类型默认匹配前置分析+二阶思维；tactical 默认匹配决策矩阵+机会成本；operational 默认匹配奥卡姆剃刀+可逆性评估. - **认知偏差检测**：决策时自动扫描锚定效应、沉没成本、确认偏误、可得性偏差、损失厌恶、过度自信、从众效应、现状偏见、近因效应、幸存者偏差、框架效应、达克效应 12 类偏差。参数：用户输入文本 + 决策类型。输出：标注"潜在"信号（非"确定"）的偏差清单，每条含偏差名称、触发证据、缓解建议。仅对 strategic/tactical 类型执行完整扫描，operational 类型跳过以避免噪音. - **风险画像学习**：通过混合命名空间（领域×类型）记忆用户风险偏好与决策风格。参数：用户历史决策记录 + 明确表达的偏好。输出：风险画像档案（风险偏好、框架偏好、决策风格）。3 次一致信号确认才入档，避免单点误判；偏好可被明确推翻并写入 reversals.md；90 天未用的模式自动归档. - **决策回顾复盘**：重大决策 30 天后心跳触发回顾。参数：决策记录（含原始选项、框架、置信度）+ 用户反馈。输出：回顾四问结果（过程合理性、结果对比、遗漏识别、偏差复盘）+ 经验沉淀到 reversals.md。用户可手动触发"复盘 [主题]"或调整心跳频率. - **主动决策检测**：识别用户讨论中的隐含决策点、目标约束冲突、重访未复盘决策等情境。参数：用户对话上下文。输出：主动提示走结构化分析的建议，引用用户历史偏好（如"上次你的偏好是速度优先"）。避免用户直接跳到实现而忽略未明确的决策点. - **置信度标注**：基于数据充分性与框架匹配度输出置信度标签。参数：分析过程完整度 + 关键输入验证状态。输出：🟢 高（数据充分，框架明确匹配）/ 🟡 中（部分假设，需用户验证关键输入）/ 🔴 低（存在重大未知，仅作方向参考）。标注仅反映分析质量，不保证结论正确性. ### 决策框架匹配 针对决策框架匹配,自动解析输入参数、调度任务队列、格式化输出,返回结构化响应. **输入**: 用户提供决策框架匹配相关的配置参数、输入数据和处理选项. **输出**: 返回决策框架匹配的处理结果。- 验证返回数据的完整性和格式正确性 - 参考`决策框架匹配`的配置文档进行参数调优 ### 认知偏差检测 针对认知偏差,自动解析输入参数、调度任务队列、格式化输出,返回结构化响应. **输入**: 用户提供认知偏差检测相关的配置参数、输入数据和处理选项. **输出**: 返回认知偏差检测的处理结果。- 验证返回数据的完整性和格式正确性 - 参考`认知偏差检测`的配置文档进行参数调优 ### 风险画像学习 针对风险画像学习,自动解析输入参数、调度任务队列、格式化输出,返回结构化响应. **输入**: 用户提供风险画像学习相关的配置参数、输入数据和处理选项. **输出**: 返回风险画像学习的处理结果。- 验证返回数据的完整性和格式正确性 - 参考`风险画像学习`的配置文档进行参数调优 # ## 快速开始 1. 确认运行环境满足依赖说明中的要求 2. 在AI Agent对话中调用本技能,提供必要的输入参数 3. 检查输出结果,根据需要进行后续处理 > 详细的输入输出格式请参考下方章节说明。 ## 使用流程 第一步：识别决策类型。读取用户问题，识别领域（product/tech/business/personal）与类型（strategic 长周期高风险 / tactical 中周期中风险 / operational 日常低风险）。例如"支付系统用 Stripe 还是自建"识别为领域=tech，类型=strategic. 第二步：加载分层记忆。热层 memory.md（≤100 行）始终加载，包含风险画像、框架偏好、核心规则；温层 domains/、types/（≤200 行/文件）按领域/类型匹配时加载；记录层 decisions/ 回顾时加载；冷层 archive/ 显式查询时加载。上下文超限时优雅降级，仅加载热层并告知用户. 第三步：匹配决策框架。按类型默认匹配并结合用户偏好（从 memory.md 读取）。strategic 类型匹配前置分析+二阶思维；tactical 类型匹配决策矩阵+机会成本；operational 类型匹配奥卡姆剃刀+可逆性评估。若 memory.md 中有框架偏好冲突，提示用户确认. 第四步：执行结构化分析。强制至少 2 个选项对比，应用选定框架输出评分、风险、机会成本等。单选项输入时自动补充"维持现状"作为对照项。分析过程应用 WAL 协议：先写入 decisions/ 再输出结论. 第五步：偏差检测与置信度标注。对照 12 类偏差清单扫描用户输入与分析过程，标注"潜在"信号而非"确定"。基于数据充分性与框架匹配度输出置信度标签（🟢高/🟡中/🔴低）。重大决策 30 天后心跳触发回顾，执行回顾四问并沉淀经验到 reversals.md. ## 错误处理 | 错误类型 | 原因 | 处理方式 | |---:|---:|---:| | 决策分析与用户偏好不匹配 | memory.md 中确认信号不足 3 次，画像未入档 | 提示用户偏好未入档，仅按类型默认框架分析；继续观察信号，累计 3 次一致后入档 | | 框架推荐明显不合理 | 领域或类型识别错误（如将技术战略决策误判为运营决策） | 让用户确认领域与类型；查 frameworks.md 是否有冲突偏好；重新匹配框架 | | 偏差检测噪音过多 | 检测灵敏度过高，对所有类型都执行完整扫描 | 仅对 strategic 类型执行完整偏差扫描；operational 类型跳过；tactical 类型仅扫描高风险偏差子集 | | 回顾未按时触发 | heartbeat-state.md 缺失或时间戳异常 | 检查 decisions/ 是否有记录；重建 heartbeat-state.md；用户可手动触发"复盘 [主题]" | | 记忆未加载导致分析缺上下文 | index.md 行数超分层限制（热层>100 行或温层>200 行/文件） | 仅加载 memory.md 热层；告知用户未加载内容；建议执行归档操作清理旧记录 | | 单选项输入无法对比 | 用户只给一个方案，无对照项 | 强制要求至少 2 选项；自动补充"维持现状"作为对照项；提示用户补充备选方案 | | 偏好被错误推翻 | 单次反馈被误判为推翻信号（如用户临时改主意） | 仅明确表达"我改主意了"等才视为推翻；3 次反向信号才覆盖原画像；临时反馈仅记录不覆盖 | | 沉没成本误判为有效约束 | 用户提及已有投入（如"已有自研代码"） | 标注潜在沉没成本偏差；建议仅评估未来成本与收益，不将已沉没投入计入决策 | ## 示例 ### 示例 1：技术战略决策（Stripe vs 自建支付） 输入： ``` 用户："支付系统用 Stripe 还是自建？" （提及已有一套自研支付代码，月交易量预估 50 万美元） ``` 分析与输出： ``` 识别：领域=tech，类型=strategic 加载：domains/tech.md + types/strategic.md 框架：前置分析（Pre-mortem）+ 机会成本 # ... 选项 A：Stripe - 优势：快速上线（2 周），合规内建，维护成本低 - 劣势：手续费 2.9%+$0.3/笔（月成本约 14500 美元），定制受限 选项 B：自建 - 优势：无手续费（月省 14500 美元），完全可控 - 劣势：PCI 合规成本 50000 美元+，开发 3 个月+，需专职维护 # ... 机会成本：选 Stripe 省的 3 个月可投入核心业务，预计带来 20 万美元收入 Pre-mortem：若自建失败，最可能是 PCI 合规问题导致延期 6 个月+ # ... ⚠️ 检测到潜在偏差： - 沉没成本：提及"已有支付代码"，建议仅评估未来成本，已投入开发成本不计入 - 现状偏见：已有自研代码可能让用户倾向于继续自建 # ... 置信度：🟡 中（需确认月交易量增长趋势与 PCI 合规预算） 建议方向：月交易量 50 万美元且增长中，Stripe 手续费将持续上升； 但自建 3 个月延期机会成本高。若 12 个月内交易量翻倍，自建更优. ``` ### 示例 2：复盘闭环（数据库选型 30 天后回顾） 输入： ``` 30 天前决策记录： 决策：数据库选 MongoDB（因 schema 灵活） 框架：决策矩阵 置信度：🟡 中 # ... 代理（心跳触发）："30 天前你选了 MongoDB，现在结果如何？" 用户："事务支持太弱，订单系统踩坑了，正在迁移到 PostgreSQL 数据库" ``` 回顾输出： ``` 回顾记录： 结果：事务需求未满足，订单系统需迁移到 PostgreSQL 数据库 过程合理性：决策时未充分评估事务需求权重，schema 灵活权重过高 遗漏识别：未考虑订单系统的强事务场景 偏差复盘：可得性偏差（因近期 NoSQL 热门而偏向） # ... 经验沉淀到 reversals.md： - 文档数据库不适合强事务场景（如订单系统） - 数据库选型时事务需求权重应高于 schema 灵活度 - 避免仅因技术热门选型 # ... 后续匹配 tech 领域数据库选型时，自动提醒"避免仅因热门选型， 优先评估事务需求"。该经验写入 domains/tech.md，3 次类似确认后 晋升到 memory.md 热层. ``` ## FAQ **Q1：代理会不会越来越固执，用旧偏好限制新选择？** 不会。偏好需 3 次一致确认才入档，可被明确推翻（写入 reversals.md），90 天未用的模式自动归档。系统设计鼓励更新而非固化。若用户明确表达"我改主意了"，单次即可推翻，但需 3 次反向信号才覆盖原画像. **Q2：偏差检测会不会太多噪音干扰决策？** 只检测当前决策相关的偏差，且标注"潜在"而非"确定"。operational 类型（日常低风险）默认跳过偏差扫描，仅 strategic/tactical 类型执行完整检测。用户可忽略不影响决策的提示，系统不会因偏差警告阻断决策流程. **Q3：小决策也要走完整流程吗？** 不需要。operational 类型用奥卡姆剃刀+可逆性评估，快速给出建议，无需完整偏差扫描与复盘。完整流程仅用于 strategic（长周期高风险）和 tactical（中周期中风险）类型。系统按类型自动选择流程深度. **Q4：复盘必须 30 天后吗？** 30 天是默认心跳周期。用户可随时主动触发"复盘 [主题]"，或调整心跳频率（如短期可见结果的决策可设为 7 天）。长期才能见结果的决策可延长至 90 天。心跳仅触发提示，实际复盘需用户提供结果反馈. **Q5：多人团队怎么共享决策记忆？** 当前设计面向个人。团队使用可按成员建独立目录（如 ~/decision-architect/member-a/、~/decision-architect/member-b/），共享 reversals.md 和 frameworks.md 到团队公共目录。跨成员冲突时以最具体优先原则解决. **Q6：代理会不会替我做决定？** 不会。分析与框架由代理提供，最终选择永远属于用户。代理用"你可以考虑"而非"你应该"。置信度标签仅反映数据充分性与框架匹配度，不保证结论正确性，重大决策仍需用户交叉验证. ## 依赖说明 **LLM 依赖**：由 Agent 内置 LLM 提供自然语言理解与推理能力，必需. **API Key 配置**：本 Skill 无需任何 API Key，纯 Markdown 指令驱动，所有记忆存储在本地 ~/decision-architect/ 目录，不做任何网络请求. **运行环境**： - Agent 平台：支持 SKILL.md 的任意 AI Agent（Claude Code / Cursor / Codex / Gemini CLI 等） - 操作系统：Windows / macOS / Linux - 文件系统：本地存储，必需，操作系统内置 **可用性分类**：MD（纯 Markdown 指令，无需 exec 命令行能力）。所有记忆通过文件读写管理，通过自然语言指令驱动 Agent 执行决策支持任务. ## 已知限制 1. **不做最终决定**：分析与框架由代理提供，最终选择永远属于用户。代理用"你可以考虑"而非"你应该"，不替用户拍板. 2. **风险画像需 3 次确认**：单次表态不构成画像，避免单点误判。初始使用阶段画像为空，框架匹配仅靠类型默认，需积累 3 次一致信号后才个性化. 3. **当前设计面向个人**：不支持多人共享决策记忆与协作复盘。团队使用需手动分目录管理，跨成员冲突需人工解决. 4. **不做敏感数据处理**：永不存储第三方敏感信息、医疗数据、凭证；永不从沉默推断风险偏好；不访问日历、邮件、外部系统。涉及医疗诊断、法律裁决等专业领域需专业人士判断. 5. **回顾依赖用户反馈**：30 天心跳只能触发提示，实际复盘需用户提供结果反馈。用户不响应则经验无法沉淀，回顾闭环无法完成.