决策框架技能

元数据

来源碰撞

自我进化认知（已知/未知分离）
⊗
创业认知（商业决策）
⊗
AI成长引擎（度量化）
↓
决策框架（通用决策系统）

核心哲学

好决策 ≠ 好结果。好决策 = 在已知信息下，用结构化方法选择期望值最高的选项。
结果可能受运气影响，但决策过程可以优化。

四步决策法（KUWR）

K — Known 已知： 列出所有已知事实，标注置信度
U — Unknown 未知： 列出所有未知项，评估影响和获取成本
W — Weigh 权衡： 对每个选项做已知/未知加权评分
R — Record 记录： 记录决策+理由+预期结果，事后对比

决策评分公式

选项评分 = (已知收益 × 置信度) - (已知成本 × 置信度)
+ (未知上行收益 × 概率 × 0.5)
- (未知下行风险 × 概率 × 1.5)

注意：未知下行风险权重(1.5) > 未知上行收益权重(0.5)
→ 这是不对称风险偏好：优先避免灾难性错误

红线拦截

决策前自动检查红线：
🔴 此决策是否触碰职业红线？→ 如果是，自动拦截
🔴 此决策是否不可逆？→ 如果是，强制等待24h冷静期
🔴 此决策是否影响他人？→ 如果是，强制咨询受影响方
🔴 已知信息置信度是否 <50%？→ 如果是，建议先补充信息

决策记忆

decisions/{日期}_{ID}.md
- 问题描述
- 已知/未知列表
- 各选项评分
- 最终选择 + 理由
- 预期结果
- [事后] 实际结果 + 偏差分析
- [事后] 教训（更新决策参数）

安装命令

调用方式

df = DecisionFramework(workspace=.)

result = df.decide(
problem=是否应该切换到新的技术栈？,
options=[保持现状, 渐进迁移, 完全重写],
known=[当前技术栈稳定运行2年, 新栈性能提升40%, 团队3人熟悉新栈],
unknown=[迁移周期, 业务中断风险, 学习曲线],
redlines=[不中断生产服务]
)
print(result.rankings) # 选项排名 + 评分
print(result.redline_check) # 红线检查结果
print(result.recommendation) # 建议选择 + 理由

学术参考

1. 1. A Survey of Self-Evolving Agents — 决策自进化
2. SAGE: Multi-Agent Self-Evolution — 多Agent决策
3. Memory in the Age of AI Agents — 决策记忆