Decision Framework Skill

元数据

来源碰撞

self-evolution-cognition (已知/未知分离)
        ⊗
entrepreneur-cognition (商业决策)
        ⊗
ai-growth-engine (度量化)
        ↓
decision-framework (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

Option Score = (Known_Benefit × confidence) - (Known_Cost × confidence) 
               + (Unknown_Upside × probability × 0.5) 
               - (Unknown_Downside × probability × 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 \x3C50%？→ 如果是，建议先补充信息

决策记忆

decisions/{date}_{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

clawhub install decision-framework

调用方式

from skills.decision_framework import DecisionFramework

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. 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