名称： 决策树
描述： 适用于所有领域的复杂决策分析工具。当用户需要评估具有不确定性的多个选项、分析风险/回报情景或系统化地梳理选择时使用。适用于商业、投资、个人决策、运营、职业选择、产品策略以及任何需要结构化评估的场景。触发词包括：决策树、我是否应该、如果...会怎样、评估选项、比较方案、风险分析。
决策树分析：一种结合概率与期望值的可视化决策工具。
✅ 适用于：
- 商业决策（投资、招聘、产品发布）
- 个人选择（职业、搬迁、购买）
- 交易与投资（仓位管理、入场/出场）
- 运营决策（扩张、外包）
- 任何具有可衡量后果的情景
❌ 不适用于：
- 具有真正不确定性（黑天鹅事件）的决策
- 需要快速反应的战术选择
- 纯粹情感或伦理问题
决策树 = 树状结构，其中：
- 决策节点（方形）—— 你的行动
- 机会节点（圆形）—— 随机事件
- 终端节点（三角形）—— 最终结果
流程：
1. 定义选项 —— 所有可能的行动方案
2. 定义结果 —— 每个行动后可能发生的情况
3. 估计概率 —— 每个结果发生的可能性（0-100%）
4. 估计价值 —— 每个结果的效用/回报（金钱、点数、效用单位）
5. 计算期望值 —— 期望值 = Σ (概率 × 价值)
6. 选择 —— 期望值最高的选项
期望值 = Σ (概率_i × 价值_i)
示例：
- 结果 A：70% 概率，+$100 → 0.7 × 100 = $70
- 结果 B：30% 概率，-$50 → 0.3 × (-50) = -$15
- 期望值 = $70 + (-$15) = $55
决策： 去参加派对还是待在家里？
决策
├─ 去派对
│ ├─ 带夹克
│ │ ├─ 冷 (70%) → 9 效用（派对）
│ │ └─ 暖 (30%) → 9 - 2 = 7 效用（不必要携带）
│ │ 期望值 = 0.7 × 9 + 0.3 × 7 = 8.4
│ └─ 不带夹克
│ ├─ 冷 (70%) → 9 - 10 = -1 效用（受冻）
│ └─ 暖 (30%) → 9 效用（完美）
│ 期望值 = 0.7 × (-1) + 0.3 × 9 = 2.0
└─ 待在家里
└─ 期望值 = 3.0（恒定）
结论： 带夹克去派对（期望值 = 8.4）> 待在家里（期望值 = 3.0）> 不带夹克去派对（期望值 = 2.0）
决策： 是否推出新产品？
推出产品
├─ 成功 (40%) → +$500K
└─ 失败 (60%) → -$200K
期望值 = (0.4 × 500K) + (0.6 × -200K) = 200K - 120K = +$80K
不推出
└─ 期望值 = $0
结论： 推出产品（期望值 = +$80K）优于不推出（$0）。
决策： 入场建仓还是等待？
入场建仓
├─ 上涨 (60%) → +$100
└─ 下跌 (40%) → -$50
期望值 = (0.6 × 100) + (0.4 × -50) = 60 - 20 = +$40
等待
└─ 不建仓 → $0
期望值 = $0
结论： 入场建仓具有正的期望值（+$40），优于等待（$0）。
⚠️ 关键注意事项：
但是： 即使数字是近似的，该方法对于结构化思考仍然很有价值。
提问：
- 有哪些行动选项？
- 可能产生哪些结果？
- 每个结果的价值/效用是多少？
- 我们如何衡量价值？（金钱、效用单位、幸福点数）
通过以下方式帮助估计：
- 历史数据（如果有）
- 可比情景
- 专家判断（用户经验）
- 主观评估（若无数据）
用 Markdown 绘制决策树：
决策
├─ 选项 A
│ ├─ 结果 A1 (X%) → 价值 Y
│ └─ 结果 A2 (Z%) → 价值 W
└─ 选项 B
└─ 结果 B1 (100%) → 价值 V
针对每个选项：
期望值_A = (X% × Y) + (Z% × W)
期望值_B = V
期望值最高的选项 = 理性上的最佳选择。
但需补充背景信息：
- 风险承受能力（用户能否承受最坏情况）
- 时间范围（何时需要结果）
- 其他因素（声誉风险、情感、伦理）
仓位管理：
- 选项：投入资本的 5%、10%、20%
- 结果：不同概率下的盈利/亏损
- 价值：以美元计的绝对利润
入场时机：
- 选项：现在入场、等待下跌 5%、等待下跌 10%
- 结果：价格上涨/下跌
- 价值：机会成本 vs 更好的入场价格
产品发布：
- 选项：发布 / 不发布
- 结果：成功 / 失败
- 价值：收入、市场份额、成本
招聘决策：
- 选项：雇佣候选人 A / 候选人 B / 不雇佣
- 结果：成功入职 / X 个月后离职
- 价值：生产力、成本、机会成本
职业转变：
- 选项：留下 / 换工作 / 创业
- 结果：在新角色中成功 / 失败
- 价值：薪资、满意度、成长、风险
房地产：
- 选项：购买房屋 A / 房屋 B / 继续租房
- 结果：价格上涨 / 下跌 / 个人情况变化
- 价值：净资产、月度成本、生活质量
产能规划：
- 选项：扩大生产 / 外包 / 维持现状
- 结果：需求增加 / 减少
- 价值：利润、利用率、固定成本
供应商选择：
- 选项：供应商 A / 供应商 B / 内部生产
- 结果：质量、可靠性、故障
- 价值：总拥有成本
使用 scripts/decision_tree.py 进行自动化的期望值计算：
python3 scripts/decision_tree.py --interactive
或通过 JSON：
python3 scripts/decision_tree.py --json tree.json
JSON 格式：
{
"decision": "是否推出产品？",
"options": [
{
"name": "推出",
"outcomes": [
{"name": "成功", "probability": 0.4, "value": 500000},
{"name": "失败", "probability": 0.6, "value": -200000}
]
},
{
"name": "不推出",
"outcomes": [
{"name": "维持现状", "probability": 1.0, "value": 0}
]
}
]
}
输出：
📊 决策树分析
决策：是否推出产品？
选项 1：推出
└─ 期望值 = $80,000.00
├─ 成功 (40.0%) → +$500,000.00
└─ 失败 (60.0%) → -$200,000.00
选项 2：不推出
└─ 期望值 = $0.00
└─ 维持现状 (100.0%) → $0.00
✅ 建议：推出（期望值：$80,000.00）
在给出建议前，请确保：
✅ 简单 —— 人们能直观理解树状结构
✅ 可视化 —— 结构清晰
✅ 数据需求少 —— 可使用专家估计
✅ 白盒模型 —— 逻辑透明
✅ 展示极端情况 —— 最好/最坏情景可见
✅ 适用于多方决策 —— 可考虑不同利益相关者的观点
❌ 不稳定 —— 数据微小变化可能导致决策树大幅变动
❌ 不精确 —— 通常存在更精确的方法
❌ 主观性强 —— 概率估计往往“凭感觉”
❌ 可能变得复杂 —— 结果过多时会难以处理
❌ 未考虑风险偏好 —— 假设决策者是风险中性的
该方法对于结构化思考很有价值，但数字往往缺乏坚实依据。
更重要的是思考过程本身 —— 迫使自己思考所有分支并明确评估后果。
不要将决策包装成“科学证明” —— 它只是一个用于做出审慎选择的框架。