决策架构师

面向 AI Agent 的结构化决策支持系统，提供决策框架匹配、认知偏差检测、风险画像学习与强制复盘闭环. 内置 8 类决策框架（决策矩阵、成本效益、前置分析、预演困境、机会成本、二阶思维、奥卡姆剃刀、可逆性评估）， 按"领域×类型"双维度自动匹配最佳框架。扫描 12 类常见认知偏差并标注潜在信号，避免单点误判....

功能说明: 本技能涵盖 工作流程和配置参考、了实用性、化工作流场景 等核心能力。

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.

功能说明

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，按"领域×类型"双维度自动匹配优秀框架.

处理: 解析决策框架匹配的输入参数,完成核心逻辑,生成结构化输出. 输出: 返回决策框架匹配的响应数据,包含状态信息、结果数据和执行记录.

• 通过input_params参数调用,支持创建/查询/导出

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 类常见偏差并标注"潜在"信号.

处理: 解析认知偏差检测的输入参数,完成核心逻辑,生成结构化输出. 输出: 返回认知偏差检测的响应数据,包含状态信息、结果数据和执行记录.

• 通过input_params参数调用,支持创建/查询/导出

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，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.

处理: 解析风险画像学习的输入参数,完成核心逻辑,生成结构化输出. 输出: 返回风险画像学习的响应数据,包含状态信息、结果数据和执行记录.

• 通过input_params参数调用,支持创建/查询/导出

决策回顾复盘

重大决策 30 天后心跳触发回顾，执行过程合理性、结果对比、遗漏识别、偏差复盘四问，沉淀经验到 reversals.md 形成闭环.

处理: 解析决策回顾复盘的输入参数,完成核心逻辑,生成结构化输出. 输出: 返回决策回顾复盘的响应数据,包含状态信息、结果数据和执行记录.

• 通过input_params参数调用,支持创建/查询/导出

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，主动提示用户走结构化分析.

处理: 解析主动决策检测的输入参数,完成核心逻辑,生成结构化输出. 输出: 返回主动决策检测的响应数据,包含状态信息、结果数据和执行记录. 技术参数：使用input_params和output_format参数控制执行行为,支持json/text/csv输出格式. 能力覆盖范围：能力范围包括以下关键词：结构化决策支持、避免拍脑袋决策与、重复踩坑、Agent、的结构化决策支持、风险画像学习与强、制复盘闭环、适用于产品、个人重大权衡、高风险、irreversible、需留痕的团队决策、避免拍脑袋、框架错配、不复盘、重复犯同类错误、适用关键词、should、怎么办、pros、cons、decision、tradeoff等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持.

使用场景

何时使用：

触发情境	示例
用户面临多选项权衡	"用 React 还是 Vue？"
用户问"该不该"	"我该不该接受这个 offer？"
用户权衡风险与收益	"值得冒这个险吗？"
用户回顾过往决策	"上次那个决定对吗？"
代理识别到隐含决策点	用户直接跳到实现未明确决策

输入输出：

• 输入：用户决策问题 + 上下文（隐含偏好、过往决策记录）
• 输出：至少 2 个选项对比 + 框架分析 + 偏差检测结果 + 置信度标签（🟢高/🟡中/🔴低）

不适用场景：

• 纯执行类任务（无选择空间）
• 紧急不可延迟的瞬时反应
• 已由上级明确指令、无需权衡的场景
• 涉及医疗诊断、法律裁决等专业领域（需专业人士判断）

输入参数

参数名	类型	必填	说明
input	string	是	决策架构师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

text

热层 memory.md（≤100行）始终加载 → 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

Step 3：匹配决策框架

按类型默认匹配，结合用户偏好（从 memory.md）：

• strategic → 前置分析 + 二阶思维
• tactical → 决策矩阵 + 机会成本
• operational → 奥卡姆剃刀 + 可逆性评估

Step 4：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.

Step 5：偏差检测扫描

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".

Step 6：标注置信度

标签	条件
🟢 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

Step 7：决策后回顾（30 天心跳触发）

执行回顾四问：过程是否合理、结果是否符合预期、遗漏了什么、是否存在认知偏差，结果写入 decisions/ 与 reversals.md.

应用示例

示例(补充)

输入：

text

用户："支付系统用 Stripe 还是自建？"
（提及已有一套自研支付代码）

输出：

text

识别：领域=tech，类型=strategic
加载：domains/tech.md + types/strategic.md
框架：前置分析 + 机会成本
# ...
选项 A：Stripe
  - 优势：快速上线，合规内建，维护成本低
  - 劣势：手续费 2.9%+$0.3，定制受限
选项 B：自建
  - 优势：无手续费，完全可控
  - 劣势：PCI 合规成本 $50k+，开发 3 个月+
# ...
机会成本：选 Stripe 省的 3 个月可投入核心业务
Pre-mortem：若自建失败，最可能是合规问题
# ...
⚠️ 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
# ...
置信度：🟡 中（需确认月交易量预估）

示例 2：避免重复决策错误（复盘闭环）

输入：

text

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，踩坑了"

输出：

text

回顾记录：
  结果：事务需求未满足，需迁移
  经验：文档数据库不适合强事务场景
  检测到的偏差：可得性偏差（因近期 NoSQL 热门而偏向）
# ...
存入 reversals.md，后续类似决策自动参考
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"

示例 3：主动检测隐含决策

输入：

text

用户："我要给项目加认证，用 JWT..."

输出：

text

代理识别：用户直接跳到实现，但隐含决策未明确
主动提示："我注意到你要加认证——在用 JWT 之前，
  有个隐含决策：认证服务自建还是用 Auth0/Clerk？
  上次你的偏好是'速度优先'，要我跑个快速对比吗？"

安装与配置

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
文件系统	本地存储	必需	操作系统内置
Agent 平台	运行环境	必需	支持 SKILL.md 的任意 AI Agent（Claude Code / Cursor / Codex / Gemini CLI 等）
操作系统	运行环境	必需	Windows / macOS / Linux

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 $HOME/decision-architect/ 目录，不做任何网络请求. 可用性分类： MD（纯 Markdown 指令，无需 exec 命令行能力）.

问答集锦

Q1：代理会不会越来越固执，用旧偏好限制新选择？ A：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. Q2：偏差检测会不会太多噪音？ A：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. Q3：小决策也要走完整流程吗？ A：不需要。operational 类型用奥卡姆剃刀+可逆性评估，快速给出建议。完整流程仅用于 strategic/tactical. Q4：复盘必须 30 天后吗？ A：30 天是默认心跳周期。用户可随时主动复盘，或调整心跳频率。短期可见结果的决策可提前复盘. Q5：多人团队怎么用？ A：当前设计面向个人。团队用可按成员建独立目录，共享 reversals.md 和 frameworks.md.

能力边界

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".
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.
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.
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.
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.
6. 置信度为方向参考：标注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.

输出规范

json

{
  "success": true,
  "data": {
    "result": "决策架构师处理结果",
    "execution_time": "0.5s",
    "metadata": {
      "version": "1.0",
      "processor": "decision architect"
    }
  },
  "execution_log": ["解析输入参数", "执行核心处理", "格式化输出结果"],
  "error": null
}

安全原则

风险类型	防范措施
API密钥泄露	通过系统环境变量设置,严禁硬编码密钥
命令执行风险	执行命令受限于安全白名单,不拼接用户输入
网络通信安全	使用TLS加密通道进行通信
敏感数据暴露	返回内容不包含敏感凭证

使用前请确认已阅读依赖说明章节，确保运行环境满足安全要求。

效率指标

操作场景	手动耗时	自动化耗时	效率提升
文件解析与提取	5-10分钟/个	<5秒/个	60-120x
批量文件处理(100个)	8-16小时	<5分钟	96-192x
API调用与响应解析	2-3分钟/次	<1秒/次	120-180x
多接口数据聚合	15-30分钟	<10秒	90-180x
命令执行与结果收集	3-5分钟/次	<2秒/次	90-150x
重复任务批量执行	因任务而异	线性缩减	5-50x
错误排查与修复	10-30分钟	<30秒	20-60x

差异分析

对比维度	决策架构师	传统手动方式	通用脚本工具
自动化程度	全流程自动	完全手动	部分自动
错误处理	内置错误恢复	依赖人工经验	基本try-catch
可复用性	参数化配置	一次性脚本	模板化
安全合规	内置安全检查	无安全保障	无安全保障
适用场景	结构化决策支持+认知偏差检测+回顾复盘，避免拍脑袋决策与重复踩坑。。面向AI A	通用场景	通用场景

错误恢复方案

针对决策架构师使用中可能遇到的常见问题,提供以下排查方案:

错误类型	原因分析	解决方案
API认证失败(401)	API密钥错误或过期	检查密钥配置,重新生成token
接口限流(429)	请求频率超出限制	降低调用频率,启用重试退避策略
响应超时(504)	网络延迟或服务端负载过高	增加超时阈值,检查网络连接
文件不存在	路径错误或文件未创建	检查路径拼写,确认文件已生成
文件格式不支持	扩展名不在支持列表中	转换为支持的格式后重试
权限不足	当前用户无读写权限	检查文件权限,以管理员身份运行
命令执行失败	参数错误或环境依赖缺失	检查命令语法,确认依赖已安装
进程超时	命令执行时间过长	增加超时设置,优化命令参数
网络连接失败	DNS解析失败或防火墙拦截	检查网络配置,确认代理设置

决策架构师通用排查步骤

1. 检查输入参数: 确认所有必填参数已提供且格式正确
2. 查看日志输出: 定位具体错误行和异常类型
3. 验证环境配置: 确认依赖库版本和运行环境满足要求
4. 逐步调试: 缩小问题范围,隔离故障模块

安装步骤

1. 配置API密钥: 在环境变量中设置对应的API Key
2. 初始化连接: 使用提供的凭证建立API连接
3. 调用接口: 传入必要参数执行API调用
4. 准备文件: 确认文件路径正确且格式受支持
5. 执行处理: 调用对应的处理函数
6. 查看结果: 检查输出文件或返回数据
7. 检查环境: 确认运行时和依赖已安装
8. 执行命令: 使用正确的参数格式执行
9. 查看输出: 检查命令输出和退出码

前置条件

• 已安装所需运行环境(参考依赖说明)
• 已获取必要的API密钥或访问凭证(如适用)
• 输入数据已准备就绪