芒格决策助手 Skill

版本： v1.2.0

作者： ai-edu

更新： 2026-03-31

快速导航

• 功能概述
• 使用方法
• 决策流程
• 模型库
• 技术架构
• 开发指南

功能概述

将查理·芒格的 83 个思维模型转化为可执行的决策工具，通过结构化问题引导用户避免认知偏误。

核心能力：

• 🎯 自动场景识别（投资/产品/人员/战略）
• 🧠 智能模型推荐（3-5 个相关模型）
• 💬 引导式多轮对话
• 📊 生成决策分析报告

使用方法

命令行

# 开始决策分析
/munger analyze [决策描述]

# 查看所有模型
/munger models

# 查看历史记录
/munger history

代码调用

import { assistant } from './src/index';

// 开始分析
const response = await assistant.startAnalysis(
  'session-123', 
  '是否应该投资中宠股份'
);

// 处理回答
const next = await assistant.handleAnswer(
  'session-123', 
  '7分，我对行业有一定了解'
);

决策流程

graph TD
    A[用户输入决策问题] --> B[场景识别器]
    B --> C{识别场景类型}
    C -->|投资| D[推荐投资相关模型]
    C -->|产品| E[推荐产品相关模型]
    C -->|人员| F[推荐人员相关模型]
    C -->|战略| G[推荐战略相关模型]
    D --> H[多轮对话引导]
    E --> H
    F --> H
    G --> H
    H --> I[收集用户回答]
    I --> J{是否完成?}
    J -->|否| H
    J -->|是| K[生成决策报告]
    K --> L[输出 Markdown 报告]

流程说明：

1. 场景识别 - 通过关键词和正则匹配识别决策类型
2. 模型推荐 - 根据场景推荐 3-5 个最相关的思维模型
3. 引导对话 - 针对每个模型提出 2-3 个结构化问题
4. 报告生成 - 汇总分析结果，生成 Markdown 格式报告

模型库

总计： 83 个思维模型

分类统计

常用模型速查

投资决策：

• 06 - 能力圈
• 10 - 安全边际
• 09 - 护城河
• 07 - 逆向思维
• 02 - 机会成本

产品决策：

• 01 - 第一性原理
• 38 - 幂律分布
• 53 - 边际递减
• 74 - 帕累托原则

人员决策：

• 32 - 激励机制
• 06 - 能力圈
• 26 - 过度自信偏差

战略决策：

• 07 - 逆向思维
• 33 - 二阶思维
• 39 - 反脆弱
• 04 - 临界质量

完整模型定义： 见 references/models.md

技术架构

模块划分

munger-decision/
├── src/
│   ├── index.ts          # 主入口 + 会话管理
│   ├── detector.ts       # 场景识别器
│   ├── recommender.ts    # 基础推荐引擎
│   ├── smart-recommender.ts  # 智能推荐引擎
│   ├── dialogue.ts       # 对话管理器
│   ├── reporter.ts       # 报告生成器
│   └── types.ts          # 类型定义
├── data/
│   ├── models.json       # 模型数据库
│   └── scenarios.json    # 场景定义
├── references/
│   ├── models.md         # 模型文档（本文档）
│   ├── examples.md       # 使用示例
│   └── [01-83].md        # 各模型详细文档
└── SKILL.md              # 本文档

核心类型

interface MungerModel {
  id: string;
  name: string;
  category: string;
  description: string;
  questions: string[];
  keywords: string[];
  scoring: Record<string, string>;
  referenceFile: string;
}

interface DecisionSession {
  id: string;
  question: string;
  scene: string;
  models: string[];
  currentModelIndex: number;
  currentQuestionIndex: number;
  answers: Record<string, string[]>;
  startTime: number;
}

开发指南

安装依赖

cd /root/.openclaw/workspace/agents/main/skills/munger-decision
npm install

运行测试

npm test

添加新场景

编辑 data/scenarios.json：

{
  "id": "new-scenario",
  "name": "新场景",
  "keywords": ["关键词1", "关键词2"],
  "patterns": ["正则.*表达式"],
  "models": ["01", "06", "07"]
}

添加新模型

1. 编辑 data/models.json 添加模型定义
2. 在 references/ 创建详细文档
3. 运行 npm run build 重新生成 references/models.md

版本历史

v1.2.0 (2026-03-31)

• ✅ 架构优化：SKILL.md < 500 行
• ✅ 模型定义迁移到 references/models.md
• ✅ 添加流程图和快速导航
• ✅ 文档结构清晰化

v1.0.0 (2026-03-25)

• ✅ 场景识别器（关键词 + 正则匹配）
• ✅ 模型推荐引擎（基于场景映射）
• ✅ 对话管理器（状态机 + 会话管理）
• ✅ 报告生成器（Markdown 格式）
• ✅ 核心数据（4 场景 + 83 模型）

相关文档

• 模型库完整定义 - 83 个模型详细说明
• 使用示例 - 实际案例演示
• 模型索引 - 按分类浏览
• README - 项目说明

开发者： ai-edu

许可证： MIT