确定性反思树：无需LLM的心理决策建模系统

DT-Reflection-Tree是一个无需大语言模型（LLM）的心理决策建模系统，通过JSON决策树和规则引擎实现人类反思行为的确定性建模，生成结构化反思路径，为心理健康和自我认知提供可追踪、可解释的决策支持工具。

当前多数智能系统依赖LLM，但LLM的不可预测性和黑盒特性在需可解释、可重复、确定性输出的领域是劣势。DT-Reflection-Tree提出纯规则驱动决策树模拟反思，摒弃随机性，实现完全可预测、可追踪的心理决策建模，这种反潮流设计在特定场景有独特价值。

基于心理学三个维度构建模型：Locus（控制感：Victim/Victor）、Orientation（贡献导向：Contribution/Entitlement）、Radius（关注范围：Self/Others），三者组合成3×3决策空间。技术上用JSON决策树（reflection-tree.json）存储预定义问题、选项和分支，规则引擎计算路径，确保输出完全确定、过程透明可解释。

差异点：1.确定性：相同输入输出一致vs LLM随机；2.隐私：本地处理无外部API vs 可能数据外传；3.成本：无API费用vs有调用成本。局限性：规则引擎灵活性低，无法处理开放式输入，智能受限于人工规则，但结构化场景下保证输出质量和一致性。

适用于日常反思journaling、决策支持、团队建设（了解成员思维）、心理咨询辅助（结构化评估框架）。确定性特性适合研究数据收集，确保参与者决策流程一致，便于比较追踪。

JSON配置设计使定制简单，修改reflection-tree.json可调整问题、选项和分支，无需改代码。非技术人员（如心理学专家）可直接编辑JSON创建新维度或路径。提供tree-diagram.png可视化决策树、write-up.md记录设计细节辅助理解扩展。

技术选型应基于场景需求而非潮流，需确定性、可解释性、隐私保护的场景下，规则引擎比LLM更合适。简单不等于落后，确定性在特定场景比智能更宝贵。对开发者是权衡技术方案的案例，展示用简单技术栈实现有价值功能的方法。