决策树 · 结构化决策
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/sundial-org-awesome-openclaw-skills-decision-trees。
技能介绍
要解决什么问题
面对「投不投产」「换不换工作」「要不要进场」这类多选项、后果还带随机性的抉择,人容易只盯最优叙事、漏掉分支,或凭直觉拍脑袋。决策树分析把 行动 → 可能结果 → 效用 摊开,用 期望值(EV) 做理性比较;它不能消灭不确定性,但能强迫你把概率和代价写清楚。
技能如何工作
技能围绕经典结构:决策节点(你能做什么)、机会节点(环境怎么随机)、结果节点(最终得失)。典型流程是:罗列全部可行行动 → 为每条分支列出结果 → 估计概率(同一分支内概率之和为 100%)→ 为结果赋值(金额、效用单位等)→ 按 EV = Σ(概率 × 价值) 汇总 → 比较各选项 EV。技能支持用 Markdown 画树、结合 scripts/decision_tree.py 或 JSON 做自动计算,并在给出「最高 EV」建议时补充风险承受力、时间视野与非货币因素(声誉、伦理、情绪)。
资料中还给出商业发布、交易仓位与进出场、个人出行等示例,便于照猫画虎套到自己的问题上。
适用边界
- 适合:后果大致可量化、需要多人对齐假设的战略型决策(投资、招聘、产能、买房换工作等)。
- 不适合:真黑天鹅、纯伦理情绪、必须秒决的战术动作;EV 默认风险中性,不直接建模损失厌恶。
- 注意:概率和效用常是主观估计,树对输入敏感;价值在于结构化思考,不宜包装成「科学定论」。
使用场景
- 产品上线前要在「发布 / 不发布」及成功失败概率下估算净收益 EV,供管理层对齐假设
- 交易员在「现在进场 / 等待回调」间比较涨跌概率与止盈止损金额后的期望值
- 招聘需在多名候选人或「暂不招人」间量化生产力与用人机会成本
- 买房或换租要在多套房源与房价涨跌情景下比较净财富与月度支出
适合人员
- 负责新产品或市场扩张、需在董事会前把分支假设与 EV 写清楚的业务负责人
- 用仓位与进出场规则做记录的交易者,想把主观概率和盈亏数字钉在一张树上
- 产品经理或运营在产能扩张、外包与自建之间要做选项清单与最坏情形说明
- 面临跳槽或创业、要把薪资、满意度与失败风险摊成可讨论分支的个人决策者