自主决策代理

|- 基础版结构化决策兼容工具，帮助用户在面临权衡选择时进行结构化剖析. 包含分层记忆基础存储、决策框架应用、决策记录与回顾三大核心能力. 适用于产品决策、技术架构决策、商业战略决策等多领域场景. 无需凭证，无需额外依赖，本地运行.该技能适用于相关开发场景,包含结构化的工作流程和配置指引.经过深度差异化处置,针对用户反馈和使用痛点进行了改进,提升了实用性和可操作性.

天轰穿@thcjp

Install

openclaw skills install @thcjp/neosoul-decision-agent-free

自主决策代理（Neosoul Decision Agent）- 免费版

基础版结构化决策支持工具，通过分层记忆存储用户决策偏好，提供框架分析帮助用户做出更优决策.

输入格式

参数名	类型	必填	说明
input	string	是	自主决策代理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

核心能力

分层记忆基础存储
- HOT层（memory.md）：存储风险偏好、框架偏好、关键规则
- WARM层（domains/与types/）：按领域或类型存储决策模式
- RECORD层（decisions/）：存储每个决策的回顾记录
- 信号观察3次后提升为HOT层模式
- 输出：按层级组织的记忆文件
决策框架应用
- 加载HOT层获取用户风险偏好与框架偏好
- 按领域匹配加载WARM层决策模式
- 应用优秀匹配框架进行结构化分析
- 每次分析包含置信度标注（高/中/低）
- 呈现≥2个选项及权衡分析
- 输出：含置信度标签的决策分析报告
决策记录与回顾
- 决策做出后记录到 decisions/YYYY-MM-DD-slug.md
- 用户说"那个决定是对的/错的"时触发回顾
- 回顾评估：流程是否合理、结果是否符合预期、遗漏因素、认知偏差
- 日志格式：DECISION/CONTEXT/FRAMEWORK/OUTCOME/QUALITY/LESSON/BIASES
- 输出：结构化决策回顾记录
安全边界
- 永不替用户做最终决策，只提供选项与分析
- 永不从沉默中推断风险偏好
- 永不存储第三方敏感信息
- 永不访问日历、邮件或外部系统
- 使用"你可以考虑"而非"你应该"

输出格式

完成响应以Markdown格式返回,包含任务状态(成功/失败)、解析摘要和具体输出数据。失败时返回错误码和错误信息,便于定位问题。- 验证返回数据的完整性和格式正确性

参考输出格式的配置文档进行参数调优

快速开始

确认运行环境满足依赖说明中的要求
在AI Agent对话中调用本技能,提供必要的输入参数
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

领先步：初始化决策记忆环境

如果 ./decision-making/ 目录不存在，创建目录结构：

bash

mkdir -p ./decision-making/{domains,types,decisions,archive}
touch ./decision-making/{memory.md,index.md,frameworks.md,reversals.md}

第二步：执行结构化决策分析

当用户面临权衡选择时：

加载HOT层（memory.md）获取风险偏好与框架偏好
按领域匹配加载WARM层
应用框架进行结构化分析
标注置信度级别
呈现≥2个选项及权衡分析

第三步：记录决策并回顾

决策做出后记录到 decisions/YYYY-MM-DD-slug.md。用户反馈结果时触发回顾，填写回顾日志.

错误处理

错误类型	原因	处理方式
决策记忆目录不存在	首次使用未初始化	运行初始化命令创建 `./decision-making/` 目录结构与文件
框架与决策不匹配	选择了不适合当前决策的框架	先通过澄清问题理解决策上下文，再选择优秀匹配框架
从单一决策推断偏好	单个数据点不代表模式	等待3次一致信号后才将模式提升到HOT层

示例

示例：产品功能优先级决策

输入： 用户说"我正在纠结是先做性能优化还是先做新功能，帮我分析一下"

执行过程：

text

[加载HOT层: memory.md]
[检测到领域: product.md (产品决策)]
# ...
决策分析：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
# ...
选项A: 先做性能优化
  优点: 提升用户体验留存、减少客诉、技术债务降低
  缺点: 新功能延迟、短期增长放缓
  风险: 低（可逆）
# ...
选项B: 先做新功能
  优点: 增加获客渠道、满足已反馈用户、短期增长
  缺点: 性能问题加剧、技术债务增加
  风险: 中（性能恶化可能不可逆）
# ...
置信度: 中 — 假设当前性能问题尚未达到临界点
# ...
建议: 基于你的历史偏好，选项A更符合你的决策模式.
但最终选择取决于你对短期增长与技术健康的权衡.

后续操作： 记录决策到 decisions/2026-07-21-perf-vs-feature.md.

FAQ

Q1：系统会替我做决定吗？ 不会。系统永远不会替用户做最终决策。分析和框架是系统提供的，选择始终是用户的。系统呈现选项而非指令，使用"你可以考虑"而非"你应该". Q2：系统怎么学习我的决策偏好？ 通过识别决策信号自动学习。当你说"我宁愿等更多数据"时，系统识别为风险厌恶信号并记录到memory.md。信号观察3次一致后提升为HOT层模式，在后续决策中应用. Q3：系统需要网络连接吗？ 不需要。系统完全在本地运行，不做网络请求，不访问外部系统。所有决策记忆存储在本地 ./decision-making/ 目录中。无需凭证，无需额外依赖.

依赖说明

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

依赖项

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent内置LLM提供

API Key 配置

需要配置对应API Key，详见上文环境配置章节

可用性分类

分类: MD+EXEC（）

API Key配置方式: