create-decision-twin

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）：

1. 你希望这个决策分身叫什么名字？（必填）
2. 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）
3. 最近你最常做错的决定类型是什么？（举一个具体例子最好）
4. 你目前最重要的三个目标是什么？
5. 你最怕失去什么？
6. 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：

1. prompts/self_analyzer.md — 提取角色、资源、约束、身份矛盾
2. prompts/values_analyzer.md — 提取显性/隐性价值排序
3. prompts/fears_desires_analyzer.md — 提取驱动力、恐惧、补偿心理
4. prompts/bias_analyzer.md — 提取偏差和触发条件
5. 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：

1. prompts/self_builder.md → self_model.md
2. prompts/engine_builder.md → decision_engine.md
3. 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：

1. 读取 users/{slug}/self_model.md、decision_engine.md、guardrails.md
2. 按 prompts/runtime_decision.md 执行 8 步决策流程
3. 可调用 tools/scoring_engine.py 进行量化评分

8 步流程

1. 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）
2. 提取真实目标：从 self_model 读取目标与约束
3. 生成选项：至少 4 个（当前倾向、反方向、暂缓、可逆试验）
4. 加权评分：多准则打分 + 置信度折扣 + 风险惩罚
5. outside view：同类人同阶段的常见结果
6. premortem：假设 6 个月后失败，最可能原因
7. anti-bias 审查：逐项检查偏差
8. 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

1. 先用 self_model 判断"这个人真实在乎什么"
2. 再用 decision_engine 运行结构化决策流程
3. 必须遵守 guardrails 的防带偏规则
4. 输出唯一建议，不允许空泛端水
5. 如信息不足，优先建议可逆行动或最小验证步骤
6. 不讨好用户，站在用户长期利益上
7. 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