| name | ai-decision-making |
| description | 当用户面临技术决策、架构选择、实现路径不确定时使用。帮助用户梳理可能的方案、分析优缺点、记录知识负债(用户不了解的内容让 AI 判断的部分)和 AI 决策过程。触发词:决策、怎么选、哪个方案、不确定、不知道怎么做、实现路径、技术选型、架构选择。 |
核心目标
帮助用户做出知情决策,同时记录:
- 知识负债:用户不了解、让 AI 判断的内容
- AI 决策过程:AI 的推理路径和方案对比
执行流程
1. 理解问题 → 收集上下文
2. 列出所有可能的实现路径
3. 分析每个方案的优缺点和适用场景
4. 读取用户决策习惯 → 了解用户偏好
5. 给出 AI 推荐 + 理由
6. 等待用户决策
7. 编写知识负债文档 + AI 决策记录
8. 双写:全局 + 项目级
Step 1: 理解问题
确认以下信息:
- 决策的具体问题是什么
- 有哪些约束条件(时间、技术栈、团队能力等)
- 用户已经知道什么、不知道什么
如果问题不清晰,先向用户确认。
Step 2: 列出实现路径
尽可能全面地列出所有可能的方案,包括:
- 常规方案(业界常用)
- 替代方案(不太常见但可行)
- 激进方案(创新或高风险)
每个方案需要说明:
Step 3: 读取用户决策习惯
读取以下文件了解用户偏好:
D:\desktop\quackDocs\my_notes\my-decisions\user-design-summary.md
D:\desktop\quackDocs\my_notes\my-decisions\index.md
根据用户的历史决策偏好,调整推荐理由。
Step 4: 给出 AI 推荐
基于以下因素给出推荐:
- 方案本身的优缺点
- 用户的历史决策偏好
- 当前项目的约束条件
明确说明推荐理由,以及为什么其他方案不适合。
Step 5: 等待用户决策
不要替用户做决定。等待用户明确选择。
如果用户询问"你觉得呢"或"你推荐哪个",给出推荐但强调这是建议。
Step 6: 编写文档
用户做出决策后,编写两份文档:
知识负债文档
使用模板:references/knowledge-debt-template.md
记录:
- 用户在本次决策中暴露的知识盲区
- AI 代替用户做出的判断
- 需要后续验证的假设
- 知识补全建议
AI 决策记录文档
使用模板:references/ai-decision-record-template.md
记录:
- 所有可能的实现路径
- 方案对比
- AI 推荐和理由
- 用户最终决策
- 决策过程中的关键讨论点
Step 7: 双写规则
每次决策写入两个位置:
| 位置 | 路径 | 用途 |
|---|
| 全局级 | D:\desktop\quackDocs\my_notes\my-knowledge-debt-and-ai-decisions\YYYY-MM-DD-{topic}\ | 跨项目积累 |
| 项目级 | docs\ai-decision\YYYY-MM-DD-{topic}\ | 项目内参考 |
文件夹结构(以日期-主题命名):
2026-06-08-pre-commit-config/
├── 2026-06-08-pre-commit-config-knowledge-debt.md
└── 2026-06-08-pre-commit-config-ai-decisions.md
写入后更新对应的 index.md:
- 全局级:
D:\desktop\quackDocs\my_notes\my-knowledge-debt-and-ai-decisions\index.md
- 项目级:
docs\ai-decision\index.md
全局级 index.md 格式:
| YYYY-MM-DD | 主题 | 状态 | 项目名 | [知识负债](YYYY-MM-DD-topic/YYYY-MM-DD-topic-knowledge-debt.md) | [AI 决策](YYYY-MM-DD-topic/YYYY-MM-DD-topic-ai-decisions.md) |
项目名从当前工作目录的文件夹名推断。
与 write-decisions 的关系
ai-decision-making:决策过程辅助,记录知识负债和 AI 推理过程
write-decisions:决策结果记录,记录最终决策内容和原因
两者可以配合使用:
- 先用
ai-decision-making 梳理方案、记录过程
- 用户做出决策后,用
write-decisions 记录最终决策
注意事项
- 不替用户做决定:AI 只提供分析和推荐,最终决策权在用户
- 记录知识负债:诚实记录用户不了解的内容,不要假装用户知道
- 方案要全面:不要只列出 AI 认为好的方案,要尽可能全面
- 引用用户偏好:基于用户历史决策给出推荐,而非通用建议