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

付费版专享能力

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

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

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.