# Decision Lattice：用38个思维模型构建AI辅助决策的框架 > 本文介绍Decision Lattice开源项目，展示如何通过38个思维模型的结构化组合，帮助AI代理在复杂决策场景中选择合适的认知框架并输出可解释的建议。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-04-19T15:15:11.000Z - 最近活动: 2026-04-19T15:53:00.372Z - 热度: 154.4 - 关键词: 思维模型, 决策框架, Codex技能, AI辅助决策, mental models, 决策路由, 战略决策, 认知框架, 开源工具, 决策科学 - 页面链接: https://www.zingnex.cn/forum/thread/decision-lattice-38ai - Canonical: https://www.zingnex.cn/forum/thread/decision-lattice-38ai - Markdown 来源: ingested_event --- ## 决策困境与思维模型的价值 面对复杂的战略抉择，人类决策者常常陷入认知偏差和信息过载的双重困境。心理学研究表明，当决策 stakes 高、不确定性大、涉及多个利益相关方时，直觉判断的可靠性显著下降。此时，借助结构化的思维模型（mental models）可以强制决策者从不同角度审视问题，降低盲点风险。 Decision Lattice项目正是将这一理念引入AI代理的开源方案。它为Codex代理提供了一个包含38个思维模型的知识库和实用的路由工作流，使代理能够判断当前情境适合使用哪些模型、为什么这些模型适用、以及如何将其转化为具体建议。 ## 核心机制：决策分类与模型路由 项目的核心创新在于决策分类系统和模型路由机制。系统首先通过五个维度对决策进行分类：stakes（ stakes 高低）、reversibility（可逆性）、uncertainty（不确定性程度）、actor count（涉及行动者数量）、system complexity（系统复杂度）。这五个维度构成了决策情境的多维坐标，帮助系统理解问题的本质特征。 基于分类结果，系统从38个思维模型中选择一个精简的模型组合，而非将所有模型都堆砌到每个提示词中。这种选择性路由避免了认知过载，确保代理聚焦于最相关的认知框架。选定的模型组合涵盖认知、系统、社会和时间四个视角，形成多维度的分析透镜。 ## 输出结构：从分析到行动建议 Decision Lattice的输出不仅包含最终建议，还提供完整的决策支持信息：证据缺口（evidence gaps）指出当前信息不足以支撑判断的领域；guardrails（防护栏）设定决策边界和风险预警；revisit triggers（重审触发条件）定义何时需要重新评估决策。 这种输出结构体现了对决策质量的深度关注。好的决策支持系统不应只给答案，还应帮助决策者理解决策基础、识别风险边界、建立动态调整机制。这对于战略选择、架构或产品赌注、路线图优先级排序、招聘和组织设计、市场和竞争分析、不确定性下的规划、风险审查和事前分析等场景尤为适用。 ## 思维模型库的构成 项目包含38个思维模型，分布在多个类别中。认知类模型帮助理解决策的认知基础，包括第一性原理思考、逆向思维、概率思维等；系统类模型关注复杂系统的动态行为，如反馈循环、瓶颈理论、涌现特性等；社会类模型处理多方利益相关者的互动，如博弈论、网络效应、共识机制等；时间类模型考虑决策的长期后果，如复利效应、路径依赖、期权价值等。 references/目录下的文档详细记录了这些模型的定义、适用场景和使用方法。model-catalog.md提供模型总览，models-*.md文件按类别深入阐述各类模型的特点，routing-matrix.md则定义了决策维度与模型选择之间的映射关系。 ## 使用模式与最佳实践 项目提供了清晰的使用指南。安装时只需将仓库克隆到Codex skills目录，然后通过$decision-lattice命令调用。示例用法包括：分析是否应该内部构建某功能或从供应商购买、在不确定性和尾部风险下压力测试产品策略、为招聘和组织设计决策选择最佳思维模型。 项目还总结了几条核心原则：选择最小但有用的模型集合、在框架可能错误时引入挑战者模型、在尾部风险高的情境下优先保护生存能力而非优化、将推理质量与证据质量分离。这些原则体现了对决策科学的深刻理解，也指导用户避免常见的误用模式。 ## 技术实现与架构 作为Codex skill，项目采用简洁的文件结构：SKILL.md定义技能元数据和使用说明，agents/openai.yaml配置代理参数，references/目录存放知识库文档。这种结构符合Codex技能的标准规范，便于集成到现有的Codex工作流中。 项目的价值不在于复杂的技术实现，而在于系统化的知识组织和实用的工作流设计。它将分散的思维模型知识整合为可操作的决策支持系统，降低了高质量决策的门槛。 ## 局限与适用边界 Decision Lattice并非万能药。它最适合结构化程度较高、可明确定义决策维度的场景。对于高度创造性、需要突破性思维的决策，过度依赖现有模型可能反而限制思考。此外，模型的选择本身也需要判断，系统提供的路由机制虽然降低了选择难度，但无法完全消除主观性。 项目明确标注采用MIT许可证，鼓励自由使用、修改和分发。这种开源态度有助于思维模型方法的普及，也为社区贡献和改进留下了空间。 ## 对AI决策支持的启示 Decision Lattice代表了AI辅助决策的一种可行路径：不是试图替代人类判断，而是通过结构化的知识框架增强人类决策质量。它展示了如何将经典的思维模型方法转化为AI代理可用的形式，为构建更复杂的决策支持系统提供了参考。 对于希望在自己的AI系统中集成决策支持能力的开发者，这套方案提供了一个轻量但完整的起点。它的模块化设计允许根据具体场景裁剪模型库，路由机制可以扩展为更复杂的决策引擎，输出结构可以对接下游的执行系统。