用途:用决策树结构化地评估含概率与后果的复杂决策,通过期望值(EV)比较多个选项。适用商业决策(投资、招聘、产品发布)、个人选择(职业、搬迁、购买)、交易与投资(仓位管理、进出场)、运营决策(扩张、外包)等有可量化后果的场景;不适合真正不确定的“黑天鹅”、快速战术选择以及纯情感或伦理问题。
主要能力:区分决策节点(方形,你的行动)、机会节点(圆形,随机事件)与终节点(三角形,最终结果);按“定义选项→定义结果→估计概率(0-100%)→估计价值(金钱、点数、效用单位)→计算 EV→选择最高 EV 选项”的流程分析。公式:EV = Σ(概率 × 价值)。
使用方式:先列出全部行动选项与可能结果,再依据历史数据、可比情形、专家判断或主观评估估计概率,用 Markdown 绘制树形结构,逐项计算 EV,最后给出推荐并补充风险承受度、时间跨度及声誉、情绪、伦理等背景。附带脚本可自动计算:python3 scripts/decision_tree.py --interactive,或 python3 scripts/decision_tree.py --json tree.json。JSON 需包含 decision、options 数组,每项含 name 与 outcomes,每个 outcome 含 name、probability、value。
推荐前检查:覆盖全部选项、每条分支概率合计 100%、价值现实、最坏情形清晰、风险收益比明确、说明方法局限、补充定性背景。
限制:概率多为主观估计;不考虑风险偏好与损失厌恶;模型简化、对数据敏感,小变化可大幅改变结果;结果多时变得繁琐;存在更精确方法(如随机森林)。该框架适合梳理思路与有意识选择,不宜宣称“科学证明”。