芒格决策助手 Skill
版本： v1.2.0 作者： ai-edu 更新： 2026-03-31
快速导航
功能概述
将查理·芒格的 83 个思维模型转化为可执行的决策工具，通过结构化问题引导用户避免认知偏误。
核心能力：
- 🎯 自动场景识别（投资/产品/人员/战略）
- 🧠 智能模型推荐（3-5 个相关模型）
- 💬 引导式多轮对话
- 📊 生成决策分析报告
使用方法
命令行
# 开始决策分析
/munger analyze [决策描述]
# 查看所有模型
/munger models
# 查看历史记录
/munger history代码调用
import { assistant } from './src/index';
// 开始分析
const response = await assistant.startAnalysis(
'session-123',
'是否应该投资中宠股份'
);
// 处理回答
const next = await assistant.handleAnswer(
'session-123',
'7分，我对行业有一定了解'
);决策流程
graph TD
A[用户输入决策问题] --> B[场景识别器]
B --> C{识别场景类型}
C -->|投资| D[推荐投资相关模型]
C -->|产品| E[推荐产品相关模型]
C -->|人员| F[推荐人员相关模型]
C -->|战略| G[推荐战略相关模型]
D --> H[多轮对话引导]
E --> H
F --> H
G --> H
H --> I[收集用户回答]
I --> J{是否完成?}
J -->|否| H
J -->|是| K[生成决策报告]
K --> L[输出 Markdown 报告]流程说明：
- 场景识别 - 通过关键词和正则匹配识别决策类型
- 模型推荐 - 根据场景推荐 3-5 个最相关的思维模型
- 引导对话 - 针对每个模型提出 2-3 个结构化问题
- 报告生成 - 汇总分析结果，生成 Markdown 格式报告
模型库
总计： 83 个思维模型
分类统计
| 分类 | 数量 | 说明 |
|---|---|---|
| 核心模型 (core) | 14 | 第一性原理、能力圈、逆向思维等 |
| 心理学 (psychology) | 35 | 确认偏误、损失厌恶、锚定效应等 |
| 系统思维 (systems) | 27 | 临界质量、二阶思维、反脆弱等 |
| 商业模型 (business) | 5 | Lollapalooza 效应、杠杆等 |
| 投资模型 (investing) | 2 | 规模效应、供需关系 |
常用模型速查
投资决策：
- 06 - 能力圈
- 10 - 安全边际
- 09 - 护城河
- 07 - 逆向思维
- 02 - 机会成本
产品决策：
- 01 - 第一性原理
- 38 - 幂律分布
- 53 - 边际递减
- 74 - 帕累托原则
人员决策：
- 32 - 激励机制
- 06 - 能力圈
- 26 - 过度自信偏差
战略决策：
- 07 - 逆向思维
- 33 - 二阶思维
- 39 - 反脆弱
- 04 - 临界质量
完整模型定义： 见 references/models.md
技术架构
模块划分
munger-decision/
├── src/
│ ├── index.ts # 主入口 + 会话管理
│ ├── detector.ts # 场景识别器
│ ├── recommender.ts # 基础推荐引擎
│ ├── smart-recommender.ts # 智能推荐引擎
│ ├── dialogue.ts # 对话管理器
│ ├── reporter.ts # 报告生成器
│ └── types.ts # 类型定义
├── data/
│ ├── models.json # 模型数据库
│ └── scenarios.json # 场景定义
├── references/
│ ├── models.md # 模型文档（本文档）
│ ├── examples.md # 使用示例
│ └── [01-83].md # 各模型详细文档
└── SKILL.md # 本文档核心类型
interface MungerModel {
id: string;
name: string;
category: string;
description: string;
questions: string[];
keywords: string[];
scoring: Record<string, string>;
referenceFile: string;
}
interface DecisionSession {
id: string;
question: string;
scene: string;
models: string[];
currentModelIndex: number;
currentQuestionIndex: number;
answers: Record<string, string[]>;
startTime: number;
}开发指南
安装依赖
cd /root/.openclaw/workspace/agents/main/skills/munger-decision
npm install运行测试
npm test添加新场景
编辑 data/scenarios.json：
{
"id": "new-scenario",
"name": "新场景",
"keywords": ["关键词1", "关键词2"],
"patterns": ["正则.*表达式"],
"models": ["01", "06", "07"]
}添加新模型
- 编辑
data/models.json添加模型定义 - 在
references/创建详细文档 - 运行
npm run build重新生成references/models.md
版本历史
v1.2.0 (2026-03-31)
- ✅ 架构优化：SKILL.md < 500 行
- ✅ 模型定义迁移到 references/models.md
- ✅ 添加流程图和快速导航
- ✅ 文档结构清晰化
v1.0.0 (2026-03-25)
- ✅ 场景识别器（关键词 + 正则匹配）
- ✅ 模型推荐引擎（基于场景映射）
- ✅ 对话管理器（状态机 + 会话管理）
- ✅ 报告生成器（Markdown 格式）
- ✅ 核心数据（4 场景 + 83 模型）
相关文档
开发者： ai-edu 许可证： MIT