决策辅助系统：让 AI 的建议，从你的数据里长出来
决策辅助不是"临场问一句 AI 怎么办"，而是一条蓄水 → 取水 → 判断 → 回流的回路。平时把身体、项目、时间、关系、模式攒成一份周更参考包；真到决策时，AI 从你的数据里给理由，而不是从通用模板里给道理；决策之后，偏差点回流成规则，下次不再犯同一个错。
总览：一条回路，而不是一次咨询
单次咨询是"问一句、答一段"的两点一线——AI 对你当下没有上下文，只能用通用道理回你，这就是"AI 建议像套话"的根本原因。这套系统把决策支持设计成四段回路：上下文在决策之前就攒好（蓄水），决策时按需取用（取水），输出必须个性化（判断），决策后把偏差收回来（回流）。
蓄水
平时不决策时，每周自动生成决策参考包：身体、项目、时间、关系、模式五路情报。
周更 · 定时任务取水
真要决策时，先读最新参考包，匹配个人模型，再按决策类型定向读表。
临场不抓瞎判断
红队模式输出支持/反对理由，硬规则至少两条来自你的数据。
个性化优先回流
决策后打分记录，偏差点回流成规则——黄金数集、个人模型、迭代表。
这次教训下次变规则为什么必须是回路：蓄水解决"临场没数据"，回流解决"用完就丢"。回路闭合之后，AI 的每次判断都站在你最近的真实状态上，每次偏差都会变成下一次的规则——系统越用越懂你，靠的不是模型，是这个闭环。
壹 · 蓄水：平时攒情报，决策时才有的用
AI 决策支持最大的失败模式，是临场要数据——人正纠结着，AI 才开始翻你的记录，翻到哪算哪，还经常翻不全。蓄水的设计意图是：把决策需要的情报，在决策发生之前就系统性地准备好。
每周一自动生成一份决策参考包，七个字段，每个字段都有明确的数据来源：
两个关键设计：矛盾优先——第一字段只写最大的问题，不泛列指标，让决策一上来就看见真正要紧的事；数据缺失诚实标注——比如年度问题表暂无有效数据时，参考包会明说"长期锚点待年度复盘后补全"，不拿旧数据冒充。
贰 · 取水：决策时，AI 读什么
真到决策时，AI 按固定顺序取三样东西，缺一样都会退化成套话：
七个字段全读——这是 AI 对"你现在的处境"的实时快照。
意图 · 上下文的第一来源查个人模型表里有没有相关的稳定模式——糖烟失控模型、周末充电模型、状态好守防守模型等，把对应规则融入建议。
意图 · 把长期沉淀的模式带进当下的判断关系类决策 → 感恩日志、情感账户、社交网络；工作类决策 → 项目规划、工作产出、用时明细。
意图 · 不同类型读不同的数据，拒绝一刀切这一环的设计原则：先有上下文，再谈判断。AI 不允许在没读参考包的情况下直接给建议——那跟任何搜索引擎给的结果没有区别。
叁 · 澄清先行：不搞清楚问题，就没有个性化建议
进入判断之前，还有一道不能跳过的门：问题澄清。这是整套流程里最反直觉的一步——用户来问决策，AI 却先问四个问题：
- 具体是什么情况？发生了什么？你现在在纠结什么？
- 严重程度怎么样？是小摩擦，还是大矛盾？
- 现在各方状态如何？你的情绪怎么样？对方呢？
- 这个决策背后，你真正担心的是什么？
设计意图：问题都没搞清楚，读什么数据都是错的。大多数"AI 建议不靠谱"的根因，不是 AI 不够聪明，是它连问题本身都没确认就开始回答。澄清完问题，才允许去读数据、给理由。
肆 · 红队输出：正反理由，个性化优先
建议的输出结构固定：状态检查结果 → 决策前 Checklist → 支持理由三条 → 反对理由三条 → 倾向性建议。其中有一条硬规则：
至少两条理由必须个性化——来自你的历史数据、个人模式、近期状态或具体项目；通用模板只允许做补充，不允许成为主体。
这是从真实首单里长出来的教训。一次关系修复决策中，反对理由两条是通用道理，支持理由只有一条——"你最近家人陪伴时间占比不高，关系本来就需要维护"——真正来自数据。当时给的建议被打了一般的评分，偏差点自评写得直白：
支持理由 · 真实首单
当时的问题
决策前 Checklist 固定五问：我现在是透支状态吗？这个想法是不是"旧兴趣新生"？我在逃避什么？我的身体在说什么？这个决策三个月后我会后悔吗？——把最常见的非理性冲动显性化，让决策者先对完镜子再选边。
伍 · 人际决策的专属机制：防止"主动沟通很重要"式废话
关系类决策最容易掉进通用模板：劝沟通、劝理解、劝换位思考——全是正确的废话。这套系统为人际决策挂了两个专属机制，都来自个人模型的沉淀：
先判断这段关系走到哪一步了、问题出在哪个环节，再谈怎么办——不定位就开药方，是关系建议最常见的错误。
意图 · 先看关系阶段，再给行动冲突/冷战类决策，不要在对立关系里讲道理——先打破关系场，场破了道理才有机会被听见。
意图 · 破场优先于说理这两条规则的存在，保证了关系类建议不是即兴发挥，而是有沉淀、可回测的判断依据。
陆 · 事后记录与打分：不记录，就不知道 AI 错在哪
决策之后，把全过程写回决策记录表——十一个字段：决策日期、主题、类型、AI 支持理由、AI 反对理由、检查清单结果、AI 建议、你的决策、建议质量评分、偏差点、后续结果。评分三档：很准 / 一般 / 不准；打不准必须追问偏差点在哪里。
设计意图：记录不是为了写日志，是给回流提供原料。不记录，偏差点就散在对话里，永远变不成规则；记录下来，每一次"AI 说错了"就变成下一次"AI 不再说错"。
柒 · 回流：偏差点，是这条回路最值钱的产出
每次决策的偏差点，按类型回流到三个地方，让教训沉淀成可复用的机制：
- 黄金数集：口径、规则类错误——"AI 给建议必须基于我的数据"这类判断标准，沉淀为可判卷的黄金规则。
- 个人模型：行为模式类发现——"通用模板会被立刻识别"这类稳定模式，沉淀为候选模型，回测后入库。
- 系统迭代表：机制类问题——流程哪里断了、哪一环又退化了，沉淀为迭代记录。
回流让回路真正闭合：蓄水保证 AI 有数据，回流保证 AI 会长。没有回流，这套系统只是一份每周更新的报表；有了回流，它才是一个持续自我修正的决策伙伴。
捌 · 诚实边界：它还没成熟，但已经证明了一件事
这套系统目前只有一条真实决策记录——它在验证期，远未成熟。两条已知的边界，如实写下：
- 使用频率存疑。一个重要顾虑是"重要决策少、日常决策多是噪音"——低频使用意味着回流原料少，成长可能很慢。这是它未来的真实风险，不是宣传话术。
- 已验证成立的一条结论：个性化洞察是 AI 决策支持的生命线。通用模板会被使用者立刻识别并弃用，只有来自真实数据的理由才有被采纳的可能——这条已经用真实首单验证过了。
把它放在这里，是因为这套系统的价值不在"现在多成熟"，而在它把"AI 怎么才能给个性化建议"这件事，变成了一条可观察、可迭代、可复制的回路。
通用模板可以用，但不能成为主体——
要有个性化的洞察。