用途
swing-options 是一个用于决策支持的技能（Skill），主要解决 AI 在给出建议时容易“锚定”于第一个或最显而易见答案的认知问题。它会生成概率加权的备选方案，覆盖从常规到非常规的完整概率分布，从而帮助用户发现此前未曾考虑的更优选择。
主要能力
强制性分布抽样
默认生成恰好 5 个选项。若决策空间确实少于 4 条不同路径，则生成所有不同路径，并额外至少给出 1 个对问题本身的重构。绝不用同一想法的微小变体充数（避免“虚假多样性”）。用户可指定其他数量。
概率分区
选项按其“典型性”而非质量进行分区标注：
- Conventional（常规，p > 40%）：最显而易见的选项
- Mainstream（主流，p 20-40%）：常被考虑的替代方案
- Uncommon（少见，p 10-20%）：有效但常被忽视
- Unconventional（非常规，p 5-10%）：挑战既有假设
- Wild card（狂野卡，p < 5%）：激进的重构
至少 1 个选项必须来自底部的两个分区。无法给出可靠概率时，使用分区标签而非精确百分比。
逐项权衡分析（强制）
每个选项需给出：一句话说明、最强支持理由、最强反对理由、最佳适用场景、相对投入（低/中/高）、风险等级。
隐藏假设揭示
在呈现所有选项后，明确指出“常规选项假设了什么”，以及哪些约束若改变会重排优先级。
决策矩阵
从用户陈述的约束中提取 3-5 条标准，并额外加入恰好 1 条用户未提及但应考虑的“隐藏标准”。每项按 强/中/弱 评级，不使用可能造成虚假精确的数值评分。
使用方式
调用流程分为五步：
- 检查输入清晰度——若决策过于模糊，先提出一个针对性澄清问题（如“你最大的约束是时间、预算还是团队能力？”）。
- 界定决策空间——明确决策对象、约束条件与“显而易见”的答案。
- 生成选项——跨完整概率分布抽样（分布优先，而非仅取最可能项）。
- 分析每个选项——给出支持、反对、适用场景与投入。
- 揭示隐藏假设——点明常规选项依赖的假设，及约束变化后的重排。
可独立使用（/swing-options [问题]），也可与 swing-clarify（先澄清模糊请求）和 swing-review（对选定方案做对抗性审查）配合。
适用场景
- 架构决策（单体 vs 微服务等）
- 技术选型（数据库/框架/语言）
- 设计方案（如何组织某功能）
- 策略（如何发布/营销/扩展）
- 问题解决（如何修复/改进/优化）
- 任何发现自己默认倾向单一答案的时刻
限制
不适用于：只有一个正确答案的事实性问题（应使用 swing-research）、需求明确且无决策点的任务、方法显而易见的简单实现、用户已决定只需执行的情况。
其他注意事项：避免生成同一范式的微小变体；无法支撑时不要编造精确百分比；狂野卡选项仍需在给定约束下可行；隐藏假设必须具体，不能只是“选项 1 大概最好”这类空话；决策矩阵标准不应天然偏向常规选项，若某一选项在所有行都占优，需在隐藏假设中说明标准可能存在偏差。