用途
本技能面向“在不确定性下做决策”的规范性分析。当需要做出不可逆的 go/no-go、上线/终止决定，或判断“再做一次实验、试点、技术验证或澄清提问是否值得”时使用。它把概率转化为行动：批准、阻止、升级或弃权，并处理错误成本不对称的情形。
主要能力
技能以 11 个基本原语为核心，每个原语配有定义、输入、失效模式与示例：
- 期望效用：对已知或可估计概率的风险选项排序。
- 贝叶斯决策：证据到达后更新行动，使用后验期望损失。
- 极小化后悔：概率未知或有争议时的稳健性检查。
- 信息价值：判断一项研究、试点、技术验证、通话或提问是否值得购买。
- 多准则决策分析：处理不可通约的准则，权重需披露并做压力测试。
- 风险厌恶：方差或下行风险重要时，使用确定性等价。
- 实物期权：不可逆承诺而未来不确定性将消解时，选择推迟、扩展或放弃。
- 前景理论：仅用于规范性—描述性边界，行为细节属于行为经济学。
- 埃尔斯伯格与阿莱悖论：模糊性或确定性效应使期望效用输入不可靠时使用。
- 多臂老虎机：学习过程中收集的奖励重要时（后悔目标）。
- 随机占优：对已知结果分布进行无需效用的排序。
此外还涵盖基于成本的阈值、弃权、最佳臂识别、期望损失停止规则与离策略评估。
使用方式
工作流：先明确决策者、行动（含等待与外部选项）、状态、概率来源、效用或损失、时间范围；从快速参考中选择原语；对概率、效用曲率和权重做敏感性分析，报告偏好行动翻转的位置；交付行动、假设、临界点以及什么信息会改变它。对于小型有限矩阵，可复制 data/finite-state-decision-fixtures.json 中的案例并运行 python3 scripts/decision_calculator.py model.json，用 python3 scripts/test_decision_calculator.py 验证计算器。
适用场景
- 是否运行某项实验、试点或技术验证：先用 EVPI 作为无成本上界，若低于可加成本则跳过；再计算特定设计的 EVSI，与立即行动比较。
- 在多个变体中选出赢家：若测试后承诺，用最佳臂识别；若测试期间奖励重要，用后悔目标。
- 设置批准/升级/弃权阈值：校准分数并按部署流行率调整，推导 p* = c_FP/(c_FP+c_FN)，加入推迟带。
- 多目标路线图排序：引出权重及其来源，评分排序，扰动权重暴露排名反转。
- 昂贵 LLM 调用与模型路由的 VoI 门控：按 EVSI 门控每次调用；路由奖励重要时用上下文老虎机；上线前用 IPS、SNIPS 或 DR 做离策略评估。
- 澄清还是承诺：按 EVSI 给候选问题打分；答案不改变下一步的问题价值为零。
限制
- 可逆且廉价的决策：直接尝试，不必使用本技能。
- 其他智能体策略性响应：使用 foundations-game-theory。
- 问题为“X 是否导致 Y”或“效应多大”：使用 foundations-causal-inference 或 foundations-statistical-inference。
- 问题涉及预测或推动人类选择：使用 foundations-behavioral-economics；本技能是规范性的。
- 存在预言机（测试套件、硬 KPI 阈值），或某选项在所有准则上占优时，跳过。
- 误用边界：对风险厌恶或面临破产的决策者优化期望值、因 EVPI 超过成本就批准研究、把 MCDA 权重当作客观、在深度模糊下应用期望效用、需要无偏效应量时使用老虎机、以“P(best) > 0.99”停止、对未校准分数取阈值、沉没成本延续、只比较均值等，均被明确列为错误并给出纠正。
- 非遍历性、破产风险与凯利准则：当单期收益模型被复用于重复、乘法、路径依赖或受破产约束的过程时，期望效用会失效；破产是约束而非权衡。
- 引出失效模式：锚定、虚假精确点估计、分析瘫痪、权重当作模型输出、陈述与揭示风险容忍度不一致、模糊性被压平为 50/50。
- 机器引出概率：基准持平不等于局部校准；语言化置信度不是概率；需独立采样后聚合。
相关技能
仅在任务需要联合覆盖时交叉链接：博弈论（策略性智能体）、因果推断（识别、与 OPE 共享的倾向逻辑）、统计推断（校准、自适应分配后的随时有效推断）、行为经济学（描述性选择、损失厌恶估计）、测量理论（分数效度）。