Decision Trees — 结构化决策分析框架
核心用法
Decision Trees 是一种经典的运筹学分析工具，通过构建树状结构将复杂决策可视化。用户首先列出所有可选行动（决策节点），再为每个行动标注可能的结果及其发生概率（机会节点），最终计算各分支的期望值（EV = Σ概率×价值），以数值化方式支撑理性选择。Skill 内置 Python 计算器，支持交互式输入与 JSON 批量分析，可快速生成带可视化的评估报告。
显著优点
- 极低门槛：纯教育性内容，无需任何技术背景即可理解树形逻辑；Python 脚本仅依赖标准库，零安装成本。
- 结构化强制：迫使决策者显式思考所有分支、概率与后果，避免认知盲区。
- 跨域通用：涵盖投资仓位管理、产品发布、职业转换、供应商选择等十余个典型场景。
- 透明可审计：白盒逻辑，每一步计算均可人工复核，适合团队共识决策。
潜在局限
- 主观脆弱性：概率与价值估算常依赖经验猜测，微小偏差可能导致结论剧变。
- 风险中性假设：默认决策者无损失厌恶，忽略真实心理账户效应。
- 复杂度过载：分支过多时树形爆炸，手工维护困难；对非量化因素（声誉、伦理）支持有限。
- 黑天鹅盲区：无法处理真正的不确定性（未知概率事件）。
适合人群
- 面临二选一或多选困境、希望"算清楚账"的个人
- 需向团队/上级量化呈现决策依据的产品经理、投资分析师
- 学习运筹学、行为经济学，希望实践 EV 计算的学生
常规风险
- 误用风险：将主观估算当作"科学结论"，忽视置信区间。
- 过度简化：强行量化不可比维度，导致错误排序。
- 心理反弹：理性结果与直觉冲突时，可能引发决策拖延或抵触。
使用建议
建议将本 Skill 作为"结构化思考起点"而非"终极答案"，输出时务必提示用户关注最坏情景、核对概率总和为 100%，并结合个人风险承受能力做最终判断。