用途
加权评分决策矩阵(Decision Matrix)是一套系统化的多准则决策方法论,适用于技术选型、供应商选择、Build vs Buy、工具对比、招聘评估等需要在多个维度上比较多个方案的场景。
主要能力
引导用户完成 5 个步骤:列出候选方案(2-7 个)、定义评估维度(4-8 个)、分配权重(总和 = 100%)、逐项评分(1-5 分制)、计算加权总分并进行敏感性分析。
用户只需提出需求,例如:"帮我做一个技术选型,比较 PostgreSQL、MySQL 和 MongoDB,用于我们的电商订单系统",Agent 会引导用户逐步完成整个决策流程。
使用方式
Step 1:明确决策上下文
在开始评分前,先厘清以下信息:这个决策要解决什么问题(聚焦真实需求)、有哪些候选方案(建议 2-7 个)、谁是关键利益相关者、决策时间节点、有没有一票否决项。
硬约束过滤:如果某方案不满足任何一票否决项(如预算上限、合规要求、技术兼容性),直接排除,不进入评分环节。
Step 2:定义评估维度
维度选择原则:MECE 原则(维度之间互不重叠、合在一起完整覆盖)、可评估性(每个维度必须能给出有区分度的评分)、数量控制(4-8 个维度最佳,少于 4 个决策太粗糙,多于 8 个信号被噪声稀释)。
常用维度模板包括技术选型(功能匹配度、性能、可扩展性、社区与生态、学习成本、运维复杂度、成本、长期风险)、供应商选择(产品能力、价格与商务条款、技术支持、安全合规、集成能力、公司实力)、Build vs Buy(需求匹配度、上线速度、总成本、团队能力匹配、战略价值、维护负担)。
Step 3:分配权重
权重反映各维度的相对重要性,总和必须为 100%。提供三种方法:
方法 A:直接分配法(快速),适合维度少(≤5)或决策者对优先级有明确判断的场景,让用户直接给每个维度分配百分比。
方法 B:排序分配法(推荐),适合用户对权重没有明确数字感的场景。先让用户把维度按重要性排序,再用 ROC(Rank Order Centroid)公式自动算权重:第 k 个维度的权重 = (1/k + 1/(k+1) + ... + 1/n) / n,其中 n = 维度总数,k = 该维度的排名(1 = 最重要)。
方法 C:两两对比法(精确),适合团队决策、维度较多(>5)、需要减少主观偏差的场景。把所有维度两两配对,对每一对判断哪个更重要(赢 = 1,输 = 0,平 = 0.5),每个维度的得分 = 赢的次数 / 总对比次数,再归一化为 100%。
权重质量检查包括:极端检验、分辨力检验(是否有维度权重 < 5%)、覆盖检验(前两大维度权重之和是否 > 70%)、利益相关者检验。
Step 4:逐项评分
采用 1-5 分制,必须在评分前定义每个分数的含义。评分规范:先定锚点(先判断哪个方案最好、哪个最差,再给中间方案评分)、维度优先(按维度逐列评分而非按方案逐行)、有据可依(每个评分附带一句话理由)、区分度(如果某维度所有方案评分相同,考虑移除)。
Step 5:计算与分析
方案 X 的总分 = Σ(维度 i 的权重 × 方案 X 在维度 i 的评分)。用标准表格呈现结果,括号中为该维度的加权得分(权重 × 评分)。
敏感性分析
加权评分结果取决于权重和评分的假设。如果第 1 名和第 2 名的总分差距 < 0.3 分(满分 5 分制),必须做敏感性分析。分析方法包括:权重波动测试(对每个关键维度将其权重 ±10%,观察排名是否变化)、评分波动测试(对评分有争议的单元格 ±1 分)、逆转点分析(计算要让第 2 名反超第 1 名,某个维度的权重/评分需要变化多少)。
认知偏差检查清单
完成评分后需逐项检查常见偏差:锚定效应、光环效应、现状偏好、确认偏差、沉没成本、可得性偏差,并给出对应应对方法。
脚本工具
提供 scripts/decision_matrix.py 用于自动化计算,功能包括:输入维度、权重、评分,输出加权评分表(Markdown 格式);自动进行敏感性分析(权重 ±10% 波动测试);ROC 排序法自动计算权重;检测评分一致性问题(如某维度零区分度)。
使用方式:
# 完整评分计算 + 敏感性分析
python3 scripts/decision_matrix.py --json '{
"dimensions": ["功能", "性能", "成本", "学习成本"],
"weights": [30, 25, 25, 20],
"options": ["PostgreSQL", "MySQL", "MongoDB"],
"scores": {
"PostgreSQL": [4, 5, 3, 4],
"MySQL": [5, 3, 4, 2],
"MongoDB": [3, 4, 5, 3]
}
}'
# ROC 权重计算:只需提供维度排名(从最重要到最不重要)
python3 scripts/decision_matrix.py --roc '["功能", "性能", "成本", "学习成本"]'
适用场景
候选方案 2-7 个,评估维度 4-8 个;决策需要多人参与或需要留档记录;需要向利益相关者解释"为什么选这个"。
限制
不适用场景:只有 2 个选项且差异明显(直接 Pros/Cons 列表更高效);决策高度依赖单一因素(不需要多维度框架);信息极度不完整(评分无意义,先做信息收集);涉及强感情因素的个人决策(理性框架可能掩盖真实偏好)。
常见误区:维度过多(超过 8 个导致每个维度权重都很低,区分度下降);虚假精确(3.72 vs 3.68 不代表 A 真的比 B 好);忽略定性判断(矩阵是辅助工具,不是替代直觉的算法);一次定终身(决策条件变化时应重新评估)。
参考文档
Keeney, R. & Raiffa, H. — Decisions with Multiple Objectives;Belton, V. & Stewart, T. — Multiple Criteria Decision Analysis;ROC 权重法 — Barron & Barrett (1996), "Decision quality using ranked attribute weights"。