用途：该技能面向已有贝叶斯后验分布、需要据此选择行动的决策问题。它把后验作为输入，输出使期望损失最小（或期望效用最大）的行动，而非仅给出参数估计。
主要能力：采用三步框架——获取后验、定义损失函数、最小化期望损失。支持多种损失函数：平方误差对应后验均值，绝对误差对应后验中位数，0-1损失对应后验众数，非对称线性损失对应后验分位数（分位点为 c_u/(c_u+c_o)），也可自定义损失并数值求解。提供完美信息期望价值（EVPI）与样本信息期望价值（EVSI）计算，用于判断是否值得继续收集数据。常见场景包括需求不确定下的定价、库存报童问题、A/B 测试的发布或等待决策、资源分配。还包含 MLflow 日志记录（params、metrics、tags、artifacts）。
使用方式：从贝叶斯模型取得后验样本，定义业务损失函数，在行动空间上扫描并取期望损失最小者。EVPI 通过比较当前最优损失与完美信息下损失得到；EVSI 通过模拟未来数据并更新后验估计。示例可用 marimo edit --sandbox demo.py 运行。
适用场景：成本不对称、需要回答“该做什么”、需要量化额外信息美元价值时。
限制：若只需参数估计或预测，应直接用推断工具；纯二分类阈值问题用二分类工具；比较两个具体变体用 bayesian-ab-testing。需注意避免默认使用平方误差、忽略 EVPI、混淆后验摘要与决策、未让利益相关者参与损失函数设计、计算 EVSI 时未计入实验成本、仅用点估计决策、优化错误指标等。具体价格、平台与效果资料暂未提供。