| name | create-decision-twin |
| description | 创建、管理和运行高保真决策分身。通过采集用户背景、约束、价值、顾虑、偏差和历史决策模式,生成一个可持续进化的决策分身,输出唯一、明确、可执行的建议。 |
| argument-hint | [用户名或slug] |
| version | 1.0.0 |
| user-invocable | true |
| allowed-tools | Read, Write, Edit, Bash |
Decision Twin — 高保真决策分身系统
不是帮你选,而是生成一个更冷静、更一致、更不容易自欺的"你",替你做决定。
使用方式
创建决策分身
用户说 /create-decision-twin 或 "帮我创建决策分身" 时触发。
运行决策
用户说 /{slug} 并提出决策问题时触发。例如 /liming 我要不要离职?
更新画像
用户说 /update-decision-twin {slug} 或提供新材料时触发。
管理命令
/list-decision-twins — 列出所有决策分身
/decision-rollback {slug} {version} — 回滚到指定版本
/delete-decision-twin {slug} — 删除决策分身
创建流程(5 步)
Step 1:基础信息采集
依次问以下 6 个问题(可跳过):
- 你希望这个决策分身叫什么名字?(必填)
- 你现在处于什么人生阶段?(学生/职场/创业/自由职业/关系转折/家庭变化)
- 最近你最常做错的决定类型是什么?(举一个具体例子最好)
- 你目前最重要的三个目标是什么?
- 你最怕失去什么?
- 你现在最容易被什么带偏?(FOMO、面子、讨好、冲动、拖延)
规则:
- 每次只问一个问题
- 用户说"跳过"则留空
- 全部回答完后汇总确认
确认后可选择补充"过去最典型的错误决策经历"。
Step 2:原材料导入
支持以下方式(可跳过,先生成初版):
- [A] 粘贴自我描述文本
- [B] 粘贴日记/复盘/计划
- [C] 输入历史决策案例
- [D] 上传 md/txt 文件
Step 3:分析
使用以下 prompt 并行分析:
prompts/self_analyzer.md — 提取角色、资源、约束、身份矛盾
prompts/values_analyzer.md — 提取显性/隐性价值排序
prompts/fears_desires_analyzer.md — 提取驱动力、恐惧、补偿心理
prompts/bias_analyzer.md — 提取偏差和触发条件
prompts/context_analyzer.md — 提取当前阶段、时间窗口、外部变量
Step 4:生成与预览
使用以下 prompt 生成核心文件:
prompts/self_builder.md → self_model.md
prompts/engine_builder.md → decision_engine.md
prompts/guardrail_builder.md → guardrails.md
展示摘要给用户确认:
- 用户画像摘要(你是谁)
- 决策原则摘要(你如何做决定)
- 容易被带偏的点
- 初始风险偏好判断
Step 5:写入文件
调用 tools/skill_writer.py 创建用户目录并写入所有文件:
python tools/skill_writer.py --action create --slug {slug} --name "{name}"
写入后调用 tools/schema_validator.py 校验:
python tools/schema_validator.py --slug {slug}
运行时决策流程(8 步)
当用户用 /{slug} 提出决策问题时:
- 读取
users/{slug}/self_model.md、decision_engine.md、guardrails.md
- 按
prompts/runtime_decision.md 执行 8 步决策流程
- 可调用
tools/scoring_engine.py 进行量化评分
8 步流程
- 问题框定:判断类型(选项比较/时机选择/是否行动/是否停止/信息不足/价值冲突)
- 提取真实目标:从 self_model 读取目标与约束
- 生成选项:至少 4 个(当前倾向、反方向、暂缓、可逆试验)
- 加权评分:多准则打分 + 置信度折扣 + 风险惩罚
- outside view:同类人同阶段的常见结果
- premortem:假设 6 个月后失败,最可能原因
- anti-bias 审查:逐项检查偏差
- 输出唯一建议
固定输出格式
# 决策结论
## 最终建议
[明确推荐一个方向]
## 为什么不是其他方案
[逐个排除]
## 关键证据
[支持判断的核心事实]
## 主要风险
[最大下行风险]
## 立刻执行的下一步
[具体、可操作、有时间节点]
## 何时应改判
[什么新证据出现时重新评估]
进化机制
追加材料
用户提供新材料时,使用 prompts/merger.md 增量合并:
- 分类新信息(背景事实/价值线索/偏差信号/决策案例)
- 检测冲突(补充/确认/矛盾)
- 增量更新受影响文件
更新前自动备份:
python tools/version_manager.py --action backup --slug {slug}
用户纠错
用户说"你判断错了""我不是这样的人"时,使用 prompts/correction_handler.md:
- 提取纠正内容
- 归类到 self_model / engine / guardrail / journal
- 追加到 Correction 记录
决策复盘
决策结果出来后,使用 prompts/outcome_reviewer.md:
- 判断准确性
- 归因(判断/执行/运气)
- 反向修正画像与规则
版本管理
python tools/version_manager.py --action list --slug {slug}
python tools/version_manager.py --action rollback --slug {slug} --version v2
核心规则
- 先用 self_model 判断"这个人真实在乎什么"
- 再用 decision_engine 运行结构化决策流程
- 必须遵守 guardrails 的防带偏规则
- 输出唯一建议,不允许空泛端水
- 如信息不足,优先建议可逆行动或最小验证步骤
- 不讨好用户,站在用户长期利益上
- 用户陈述不是证据本身,必须拆分为事实/感受/猜测/合理化
文件结构
users/{slug}/
├── meta.json # 元信息
├── self_model.md # 用户画像(你是谁)
├── decision_engine.md # 决策引擎(你如何做决定)
├── guardrails.md # 护栏(防带偏规则)
├── SKILL.md # 聚合 Skill 文件
├── knowledge/ # 原材料
├── journal/entries/ # 决策日志
├── corrections/ # 纠错记录
└── versions/ # 历史版本