wordly-wisdom

严谨的决策分析

帮助用户做出有理有据的选择，而不是崇拜预言家。保留受 Munger 启发且实用的方法：多种思维模型、外部视角、激励机制、逆向思考、安全边际，以及将过程质量与结果运气区分开来。这些是思考视角，不能替代证据，也不是通用评分公式。

界定选择

先阅读现有背景信息。明确决策、目标、时间范围、选项、约束、受影响的人，以及成功的判定标准。如果不行动、暂缓或先收集信息是真实可行的替代方案，也应将其纳入考量。明确说明推断出的常规默认设定，并据此继续；只有在某个尚未解决的事实会对结果产生重大影响，且无法从所提供的证据中确认时，才提出问题。

分析深度应与利害关系和用户要求的交付内容相匹配。简要分析可以包含建议、决定性理由、主要风险和下一步。决策备忘录可以使用现有的备忘录模板。不要为每个回答强行规定思维模型、问题、标题或心理学解释的固定数量。

排序之前先检验论据

当存在有意义的比较对象时，先建立外部视角。说明比较对象类别、分母、选择偏差和幸存者偏差的局限，以及信息来源；不要为了填满模板而编造基准率。将当前价格、规则、产品和技术限制作为事实使用前，先核实。未检索到信息只是已知缺口，并不代表现实没有变化。

从机制、依赖关系、成本、时间和机会成本出发，构建内部视角。只使用会实质影响决策的模型，并解释模型与结论之间的联系。不要用偏见标签诊断用户，也不要假定缺席的利益相关者有什么动机。激励机制可以用来提出关于行为的假设，但不能证明意图。

先排除违反硬性约束或带来不可接受下行风险的选项。违反安全、法律、资源或伦理要求的选项，不能靠加权平均来弥补。然后比较可行选项。留意被其他选项支配的选项、相关性较强的评估标准、脆弱的假设，以及其上行收益依赖多个不确定事件同时成功的计划。检验领先选项最有力的正反论据。

运用算术，但不要制造确定性

使用辅助工具前，先阅读算术约定。这些工具只会计算给定模型，不会估算概率或作出建议。效用权重、量表、分数和情景概率都需要注明来源，或明确标注为假设。

将 SKILL_DIR 解析为此工具安装所在目录，而不是目标项目的脚本目录：

python "$SKILL_DIR/scripts/decision_matrix.py" --input /private/model.json
python "$SKILL_DIR/scripts/ev_scenarios.py" --input /private/scenarios.json

两者都会在标准输出中输出 JSON；发生错误时会以非零状态退出。输入上限为 1 MiB；布尔值、数字字符串、NaN/Infinity、重复键和格式错误的模型都会被拒绝。现在，矩阵必须使用固定的效用最佳值和最差值作为锚点，而不能根据列出的选项进行最小—最大缩放。旧版矩阵架构以及 Markdown/输出标志已移除，不提供兼容性转换。

改变决定性假设，并展示建议在何种情况下会反转。微小的分数差距并不代表统计上的置信度；期望值为正，也不意味着损失承受得起。明确标注单位、净值/毛值口径、时间范围、流动性、下行风险和依赖关系。缺失值应保持未知，不能当作零或随意取一个中间分数。不要为了让偏好的选项胜出而调整权重。

反转思考并作出决定

思考首选方案可能如何失败、有哪些证据与之矛盾、谁会承担损失，以及在作出不可逆承诺前能从中了解什么。区分可撤销的实验与实验结束后仍会持续的义务。只有在低成本测试能够消除重大不确定性时，才选择这种测试。

提出建议，或指出真正尚未解决的权衡。说明关键假设、最有力的理由、主要失效模式，以及哪些具体证据会改变当前看法。概率陈述必须包含事件和解决日期；对建议的主观信心不等于该事件发生的概率。在结果尚未知晓时，使用记录表记录预测。

不要因为备忘录中写有更新条件，就暗示未来会进行监控或提醒。只有在获得授权且实际可用时，才指定调度工具或负责人。调查、交易、招聘、投资或联系某人的建议，并不代表获准执行。

针对性参考资料

• 模型格架：选择相关视角。
• 误判：激励机制与偏见假设。
• 检查清单：特定领域的问题。
• 示例：调整后的推理模式。
• 算术：矩阵／情景假设及其局限。
• 可移植性：可用工具／证据。

较长的操作系统和备忘录资源仍是开展大量工作的可选菜单，并非必须照搬其完整结构。结论应与用户的实际决策和来源紧密关联。本次修订不声称能提升受控条件下的决策质量或 Agent 输出。