Decision Framework

决策框架分析技能。提供多种经典决策模型（SWOT、10-10-10 法则、决策树、加权打分、Eisenhower 矩阵）帮助用户结构化思考。Use when user asks for help making a decision, analyzing options, evaluating choices, o...

Decision Framework - 决策框架

Overview

本技能提供 5 种经典决策框架，帮助用户结构化分析选择、评估方案、做出理性决策。每个框架输出结构化分析 + 建议倾向（但不替用户做最终决定）。

支持的框架

1. SWOT 分析

适用场景： 战略决策、职业选择、项目评估、竞争分析

结构：

• S (Strengths) - 内部优势
• W (Weaknesses) - 内部劣势
• O (Opportunities) - 外部机会
• T (Threats) - 外部威胁

交互示例：

用户：我在纠结要不要辞职创业，帮我 SWOT 分析
你：好的，咱们从四个维度分析：
     【优势】你有哪些核心竞争力？...
     【劣势】目前有什么短板？...
     【机会】市场/行业有什么机会？...
     【威胁】可能面临什么风险？...

输出： 四象限列表 + 关键洞察 + 建议倾向

---

2. 10-10-10 法则

适用场景： 情绪化决策、短期冲动 vs 长期价值、人际关系决策

结构：

• 10 分钟后 - 即时感受/后果
• 10 个月后 - 中期影响
• 10 年后 - 长期意义

交互示例：

用户：要不要答应这个聚会邀请（其实不太想去）
你：用 10-10-10 法则看看：
     10 分钟后：可能有点累但当下开心
     10 个月后：这个聚会对你的生活有什么影响？
     10 年后：这个决定还重要吗？

输出： 三时间维度分析 + 情绪 vs 理性对比 + 建议

---

3. 决策树分析

适用场景： 多阶段决策、有风险的选择、需要计算期望值的场景

结构：

• 根节点：核心决策
• 分支：不同选择
• 子分支：可能的结果 + 概率 + 收益/损失

交互示例：

用户：要不要投资这个创业项目
你：咱们画个决策树：
     投资 → 成功 (30%, +500 万) / 失败 (70%, -100 万)
     不投资 → 维持现状 (100%, 0)
     期望值计算：投资 = 0.3×500 + 0.7×(-100) = 80 万

输出： 树状结构 + 期望值计算 + 风险收益比 + 建议

参考： references/decision-tree-guide.md 查看详细决策树模板

---

4. 加权打分法 (Weighted Scoring)

适用场景： 多选项对比、需要量化评估的决策、采购/选型

结构：

1. 列出评估维度（如：成本、质量、时间、风险）
2. 给每个维度分配权重（总和 100%）
3. 每个选项在各维度打分（1-10 分）
4. 计算加权总分

交互示例：

用户：三个 offer 选哪个
你：先确定评估维度和权重：
     薪资 (30%)、成长 (25%)、工作强度 (20%)、地点 (15%)、团队 (10%)
     
     然后给每个 offer 打分：
     Offer A: 薪资 8×0.3 + 成长 7×0.25 + ... = 7.2 分
     Offer B: ...
     Offer C: ...

输出： 维度权重表 + 各选项得分表 + 排名 + 建议

脚本： scripts/weighted-scoring.py 自动计算加权分数

---

5. Eisenhower 矩阵（优先级矩阵）

适用场景： 任务优先级排序、时间管理、资源分配

结构：

• 紧急 + 重要 → 立即做
• 重要 + 不紧急 → 计划做
• 紧急 + 不重要 → 委托做
• 不紧急 + 不重要 → 不做/少做

交互示例：

用户：手头一堆事不知道先做哪个
你：咱们用 Eisenhower 矩阵分类：
     【紧急重要】今天必须交的報告、紧急 bug 修复
     【重要不紧急】学习新技能、锻炼身体、长期项目
     【紧急不重要】某些会议、临时打扰
     【不紧急不重要】刷社交媒体、无意义娱乐

输出： 四象限分类 + 行动建议 + 时间分配建议

---

工作流程

Step 1: 理解决策场景

询问用户：

• 你在纠结什么？（核心决策）
• 有哪些选项？（A/B/C 或 是/否）
• 最关心什么因素？（成本/时间/风险/收益/...）

Step 2: 推荐或直接选择框架

主动推荐逻辑：

• 战略/职业/项目 → SWOT
• 情绪化/冲动决策 → 10-10-10
• 有风险/多阶段 → 决策树
• 多选项对比 → 加权打分
• 任务优先级 → Eisenhower 矩阵

或让用户选择：

想用哪个框架分析？
1. SWOT - 优势/劣势/机会/威胁
2. 10-10-10 - 短期/中期/长期视角
3. 决策树 - 风险 + 期望值计算
4. 加权打分 - 多选项量化对比
5. Eisenhower 矩阵 - 任务优先级
6. 你帮我推荐

Step 3: 收集信息

根据选择的框架，引导用户提供必要信息：

• SWOT → 询问内外部因素
• 10-10-10 → 询问各时间维度的考量
• 决策树 → 询问选项、概率、收益/损失
• 加权打分 → 询问维度、权重、各选项表现
• Eisenhower → 询问任务列表

Step 4: 输出分析

结构化输出：

• 框架分析结果（列表/表格/树状图）
• 关键洞察（2-3 条）
• 建议倾向（但不替用户决定）
• 可选：导出 markdown 保存

Step 5: 可选深化

• 需要更详细分析某个维度吗？
• 要对比其他框架的结论吗？
• 需要导出保存吗？

---

框架选择指南

决策类型	推荐框架	原因
职业选择	SWOT + 10-10-10	全面评估 + 长期视角
投资决策	决策树 + SWOT	风险量化 + 内外部分析
多选项对比	加权打分	量化排名
情绪化决策	10-10-10	跳出当下情绪
任务优先级	Eisenhower	紧急/重要分类
战略决策	SWOT + 决策树	全局 + 风险

---

输出格式规范

Markdown 表格（加权打分示例）

| 维度 | 权重 | Offer A | Offer B | Offer C |
|------|------|---------|---------|---------|
| 薪资 | 30%  | 8 (2.4) | 9 (2.7) | 7 (2.1) |
| 成长 | 25%  | 7 (1.75)| 6 (1.5) | 9 (2.25)|
| ...  | ...  | ...     | ...     | ...     |
| **总分** | 100% | **7.2** | **7.5** | **7.8** |

树状图（决策树示例）

是否投资创业？
├── 投资 (投入 100 万)
│   ├── 成功 (30%) → 收益 500 万
│   └── 失败 (70%) → 损失 100 万
│   期望值：0.3×500 + 0.7×(-100) = 80 万
└── 不投资
    └── 维持现状 (100%) → 0

四象限（SWOT/Eisenhower）

【优势 Strengths】          【劣势 Weaknesses】
- 点 1                     - 点 1
- 点 2                     - 点 2

【机会 Opportunities】       【威胁 Threats】
- 点 1                     - 点 1
- 点 2                     - 点 2

---

注意事项

1. 不替用户做决定 - 提供分析和建议倾向，但最终决定权在用户
2. 保持客观 - 避免带入主观偏见，基于用户提供的信息分析
3. 量化优先 - 能数字化的尽量数字化（概率、分数、权重）
4. 承认不确定性 - 明确标注假设和不确定因素
5. 可导出保存 - 支持导出 markdown 供用户后续参考

---

Resources

scripts/

• weighted-scoring.py - 加权打分自动计算脚本

references/

• decision-tree-guide.md - 决策树详细模板和示例
• frameworks-comparison.md - 各框架对比和适用场景详解