核心用法
Self-Improving + Proactive Decision Making Agent 是一款专注于结构化决策支持的本地记忆型 Skill。其核心机制是通过多维度学习用户的决策模式：
1. 风险画像学习 —— 自动识别用户对"等待数据"vs"快速试错"、"最坏情况"vs"机会成本"等偏好的表述，构建个性化风险档案
2. 框架偏好适配 —— 检测用户倾向"利弊清单"、"结构化分析"或"直接给建议"等沟通风格，动态匹配决策框架
3. 领域模式积累 —— 按产品、技术、商业、个人四大领域分别记录决策规则，实现跨场景的精细化支持
4. 主动决策识别 —— 不等待用户提问，自动识别对话中的多选项权衡、焦虑情绪、目标冲突等信号，主动提供分析
典型交互流程：用户提出决策需求 → 加载 HOT 记忆（风险画像+框架偏好）→ 匹配领域/类型文件 → 应用最优框架 → 输出带置信度的选项分析 → 触发决策后复盘。
显著优点
- 真正的个性化：通过 3 次重复信号即可将模式提升至 HOT 层级，实现"越用越懂你"的体验
- 结构化思维训练：内置决策矩阵、利弊权衡、可逆性分析等框架，帮助用户建立系统化决策习惯
- 零外部依赖：纯 Markdown 文档，无网络调用、无第三方依赖、无代码执行，数据完全本地存储
- 主动式服务：突破"被动应答"模式，能识别未言明的决策点，降低用户的认知启动成本
- 复盘闭环：强制决策后回顾机制，对接 reversals.md 记录推翻决策的教训，形成持续改进飞轮
- 优雅的降级设计：上下文受限时仅加载核心记忆，明确告知用户已加载/未加载的内容
潜在缺点与局限性
- T3 来源可信度：由个人开发者 0xneosoul 维护，GitHub 仓库无法验证，长期维护稳定性存疑
- 依赖用户主动输入：风险画像、领域偏好均需从用户自然语言中提取，沉默或表达模糊时难以推断
- 无实时数据整合：不连接日历、邮件、外部 API，无法自动获取决策所需的实时信息（如股价、日程冲突）
- 框架选择可能错配：虽设计了"先澄清再选框架"规则，但实际仍可能因理解偏差选用不当工具
- 复盘依赖用户配合：30 天自动提醒机制存在，但用户若忽略则丢失关键学习机会
- 本地化存储的安全悖论：虽禁止敏感信息，但无法技术上阻止用户误输入，且本地文件权限依赖操作系统
适合人群
- 高频决策者：产品经理、创业者、技术负责人等需频繁进行多选项权衡的角色
- 决策焦虑者：面对选择容易陷入过度分析或事后反刍，需要结构化工具降低认知负荷
- 习惯构建者：希望建立系统化决策流程、积累个人决策知识库的自律型用户
- 隐私敏感者：不愿将决策偏好上传云端，坚持数据本地化的用户
- AI 协作进阶者：已熟悉基础对话，希望体验"Agent 主动服务"模式的探索者
常规风险
| 风险类别 | 具体表现 | 缓解措施 |
|---------|---------|---------|
| 来源风险 | 个人开发者，无组织背书 | 隔离环境测试，定期备份 `~/decision-making/` |
| 数据残留 | 用户可能误输入敏感信息 | 定期审查目录内容，使用 "forget everything" 清理 |
| 框架误导 | 错误匹配分析工具导致决策偏差 | 主动质疑框架选择，要求 Agent 说明选用理由 |
| 过度依赖 | 将辅助分析误认为专业建议 | 牢记 Skill 规则 #1：最终决策权永远在用户 |
| 复盘缺失 | 未执行决策后回顾，损失学习价值 | 响应 30 天心跳提醒，或主动触发 "retrospect" |
| 置信度忽视 | 忽略 🔴 Low 标签，按高确定性执行 | 养成查看置信标签的习惯，对 Low 标签主动补充信息 |
整体而言，这是一款设计理念先进、安全边界清晰的决策辅助工具，适合作为个人"第二大脑"的决策模块，但需用户保持对 AI 辅助的理性认知和主动参与。