Smart Chooser 智能决策助手

任务目标

• 本 Skill 用于：帮助用户基于37%法则（最优停止理论）进行科学决策
• 能力：

1. 交互式决策向导：通过问答模式引导用户完成决策
2. 信息收集与归一化：收集多维度数据，按用户偏好权重进行归一化评分
3. 标准化输入生成：将异构数据转化为统一评分（0-100）
4. 多策略决策：支持37%法则、贪心算法、满意即可、探索-利用平衡
5. 37%法则筛选：应用最优停止理论，计算观察期和决策期
6. 智能推荐：在决策期自动推荐首个超过观察期最优标准的选项
7. 可视化报告：生成HTML报告，包含雷达图、柱状图、对比表格
8. 决策报告输出：生成完整的决策分析报告和执行建议
• 触发：用户需要决策分析、最优停止策略、37法则计算、多维度评分决策、选择困难症帮助、交互式决策

核心公式

观察节点 = 向上取整(总数 × 0.3679)
其中 e ≈ 2.71828

决策规则：

• 前半段（观察期）：只观察、记录、建立标准，不做最终决定
• 后半段（决策期）：遇到比观察期最优更好/持平的选项，立即敲定

决策流水线架构

┌─────────────────────────────────────────────────────────────┐
│                 Smart Chooser 智能决策流水线                    │
├─────────────────────────────────────────────────────────────┤
│  步骤1: 信息收集                                               │
│  ├─ 收集选项的多维度数据（价格、质量、距离等）                    │
│  ├─ 定义用户偏好和权重配置                                      │
│  └─ 输出: 原始数据 + 评分配置                                   │
│                                                              │
│  步骤2: 归一化评分                                             │
│  ├─ 将各维度数据归一化到 0-1 范围                              │
│  ├─ 应用用户权重计算加权得分                                    │
│  ├─ 按得分排序生成排名                                         │
│  └─ 输出: 标准化评分数据（0-100分）                             │
│                                                              │
│  步骤3: 多策略决策                                             │
│  ├─ 37%法则: 最优停止理论，最大化选择最优概率                    │
│  ├─ 贪心算法: 直接选择评分最高的选项                            │
│  ├─ 满意即可: 达到阈值即选，快速决策                            │
│  ├─ 探索-利用: 平衡探索与选择，更保守的策略                      │
│  └─ 输出: 各策略推荐结果 + 置信度评估                           │
│                                                              │
│  步骤4: 决策报告                                               │
│  ├─ 生成完整决策分析报告                                        │
│  ├─ 可视化展示（雷达图、柱状图、对比表）                         │
│  ├─ 提供执行建议和行动计划                                      │
│  └─ 输出: HTML报告 + 执行清单                                   │
└─────────────────────────────────────────────────────────────┘

操作步骤

1. 信息收集与配置
• 收集所有选项的多维度数据
• 定义评分维度和权重（支持反向指标，如价格越低越好）
• 设置用户偏好约束（如预算上限、最低要求）

1. 归一化评分
• 调用评分脚本将异构数据转化为统一评分
• 每个维度归一化到 0-1，再按权重加权
• 生成 0-100 分的综合评分和排名

1. 37%法则筛选
• 计算观察节点 = 向上取整(总数 × 0.3679)
• 观察期：前37%选项只记录不选择，确定最优标准
• 决策期：从第38%开始，遇到超过最优标准的立即选择

1. 生成决策方案
• 输出观察期最优标准分数
• 推荐决策期首个超过标准的选项
• 提供执行清单和记录模板

常用参考表

按天数决策

按选项数量决策

应用场景与实例

一、职场发展

二、生活消费

三、人际关系

四、投资理财

五、内容创作

六、其他场景

使用口诀

先算三七线，划定观察期
前期建标准，忍住不下手
后期遇更好，马上做决定
拒绝无限纠结，避免两头落空

决策记录模板

我的总决策周期/总数：________
观察截止数量：________
决策启动时间/序号：________
观察期最优标准记录：________________

资源索引

脚本工具

1. scripts/wizard.js - 交互式决策向导（推荐）

• 用途：通过问答模式引导用户完成决策分析
• 触发时机：当用户需要交互式决策时，优先调用此脚本
• 使用方法：node scripts/wizard.js
• 功能：
• 选择场景模板（租房、Offer、购车等）
• 输入选项数据
• 设置维度权重和约束
• 选择决策策略
• 生成决策报告

2. scripts/pipeline.js - 决策流水线

• 用途：整合信息收集 -> 归一化评分 -> 37%筛选的完整流程
• 触发时机：当用户有多维度数据需要评分决策时调用
• 使用方法：node scripts/pipeline.js <数据文件路径> [--json]

3. scripts/strategy.js - 多策略决策引擎

• 用途：支持多种决策策略对比
• 触发时机：当用户需要对比不同策略时调用
• 使用方法：node scripts/strategy.js <数据文件> [--compare] [--strategy 37|greedy|satisficing|explore]
• 支持策略：
• 37 - 37%法则（理论最优）
• greedy - 贪心算法（选最高分）
• satisficing - 满意即可（达到阈值即选）
• explore - 探索-利用平衡（更保守）

4. scripts/visualize.js - 可视化报告生成器

• 用途：生成HTML报告，包含雷达图、柱状图、对比表格
• 触发时机：当用户需要可视化报告时调用
• 使用方法：node scripts/visualize.js <数据文件> [输出文件]
• 输出：美观的HTML报告，支持雷达图、柱状图、对比表格

5. scripts/templates.js - 场景模板管理器

• 用途：内置常见决策场景模板
• 触发时机：当用户需要快速创建决策模板时调用
• 使用方法：node scripts/templates.js
• 内置模板：租房、Offer、购车、面试、商品、择偶

6. scripts/interactive.js - 表格+偏好输入

• 用途：支持CSV表格 + 用户偏好文件输入
• 触发时机：当用户有表格数据时调用
• 使用方法：node scripts/interactive.js <表格文件> [偏好文件] [--run]

7. scripts/parse.js - 自然语言解析器

• 用途：从文本中提取结构化数据
• 触发时机：当用户输入自然语言文本时调用
• 使用方法：node scripts/parse.js <文本文件> [--type resume|house|product]

8. scripts/score.js - 归一化评分器

• 用途：将多维度数据归一化评分
• 触发时机：当用户需要单独评分时调用
• 使用方法：node scripts/score.js <数据文件> [--json]

9. scripts/calculate.js - 37%法则计算器

• 用途：纯计算观察期和决策期节点
• 触发时机：当用户只需要计算37%节点时调用
• 使用方法：node scripts/calculate.js <数值> [--template]

示例数据

• examples/house-rental.json - 租房决策示例
• examples/job-offer.json - Offer选择示例
• examples/car-purchase.json - 购车决策示例
• examples/interview-candidates.json - 面试筛选示例
• examples/houses.csv - CSV表格示例
• examples/preferences.txt - 用户偏好示例
• examples/sample-resumes.txt - 自然语言文本示例

快速开始指南

方式一：交互式向导（推荐新手）

node scripts/wizard.js

向导会引导你：

1. 选择场景模板（租房、Offer、购车等）
2. 输入选项数据
3. 设置维度权重和约束
4. 选择决策策略
5. 生成决策报告

方式二：使用示例数据

# 租房决策
node scripts/pipeline.js examples/house-rental.json

# Offer选择
node scripts/pipeline.js examples/job-offer.json

# 多策略对比
node scripts/strategy.js examples/house-rental.json --compare

# 生成可视化报告
node scripts/visualize.js examples/house-rental.json report.html

方式三：使用场景模板

# 列出所有模板
node scripts/templates.js list

# 获取模板详情
node scripts/templates.js get house-rental

# 生成模板文件
node scripts/templates.js create house-rental my-house.json

# 生成CSV模板
node scripts/templates.js csv job-offer offers.csv

方式四：表格+偏好输入

# 准备表格和偏好文件
node scripts/interactive.js examples/houses.csv examples/preferences.txt --run

方式五：自然语言解析

# 解析文本并分析
node scripts/parse.js resumes.txt --config --json > data.json
node scripts/pipeline.js data.json

数据格式规范

JSON格式

{
  "scenario": "场景描述",
  "options": [
    {"name": "选项A", "维度1": 值, "维度2": 值, ...},
    {"name": "选项B", "维度1": 值, "维度2": 值, ...}
  ],
  "config": {
    "维度1": {"weight": 权重, "reverse": 是否反向, "min": 最小值, "max": 最大值},
    "维度2": {"weight": 权重, ...}
  },
  "preferences": {
    "约束条件": 值
  }
}

CSV格式

名称,价格,面积,距离
房源A,5500,75,25
房源B,4800,65,35

偏好文件格式

# 权重配置
价格:3
面积:2

# 反向指标
价格越小越好

# 约束条件
价格<=6000
面积>=65

输出结果解读

运行后会输出：

1. 选项排名 - 按综合得分排序，带可视化分数条
2. 观察期分析 - 前37%选项中的最优标准
3. 决策期建议 - 推荐选择的选项及理由
4. 执行清单 - 具体的行动步骤

注意事项

• 37%法则适用于无法回头的序列决策场景
• 观察期必须严格执行"只看不选"原则
• 决策期一旦遇到满足标准的选项应立即确定，不再观望
• 该法则最大化选择最优选项的概率（约37%）
• 需要精确计算时，立即调用 scripts/calculate.js 脚本