Token导航 LogoToken导航

Agent Skill · 待分类

scientific-decision(科学决策)

scientific-decision 用于处理 GitHub 仓库、Issue、Pull Request 和代码协作信息,适合在 Codex、Claude、Cursor、Gemini CLI 中需要围绕仓库状态、代码变更或协作事项进行整理时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态,以及是否会触发联网、命令执行或文件读写。

scientific-decision 是待分类类 Agent Skill,可用宿主为 Codex、Claude、Cursor、Gemini CLI,通过GitHub 仓库获取,权限为权限未标注;许可证信息还不明确,第三方扫描已通过,按安装量在待分类类的 11,209 个 Skill 里排第 7,545。

总安装 356周安装 15GitHub Stars 9下载 125核验 2026-05-01

安装说明

本站只整理中文说明,不托管安装包,也不代用户安装。
GitHub
许可证
unknown

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手,先确认命令和权限,再让它执行。

请帮我安装这个 Agent Skill:scientific-decision(科学决策)
来源仓库:https://github.com/kangarooking/cognitive-dividend-skill
仓库路径:skills/scientific-decision
安装命令:
npx skills add https://github.com/kangarooking/cognitive-dividend-skill --skill scientific-decision
安装前请先检查当前环境是否支持对应 CLI,并向我确认将要执行的命令、安装目录、联网范围和文件读写权限;确认后再执行。

命令行安装

复制命令到本机终端执行。该命令会通过 npx skills 从第三方来源获取 Skill;本站只展示命令,不托管安装包,也不自动执行。

skills.shnpx skills
npx skills add https://github.com/kangarooking/cognitive-dividend-skill --skill scientific-decision

这个 Skill 是做什么的

这个 Skill 的分类还没最终确定,用法以来源仓库的说明为准。

scientific-decision 用于处理 GitHub 仓库、Issue、Pull Request 和代码协作信息,适合在 Codex、Claude、Cursor、Gemini CLI 中围绕仓库状态、代码变更或协作事项进行整理时使用。适用于项目进度跟踪、代码审查、协作流程管理等开发协同场景。

通过安装命令 npx skills add https://github.com/kangarooking/cognitive-dividend-skill --skill scientific-decision 添加,需确认权限范围和维护状态。使用前应核实是否会触发联网、命令执行或文件读写操作,避免越权访问。

建议结合原始 README 进一步核验具体用法和功能边界。

来源仓库内路径:skills/scientific-decision

上手步骤

4 步
  1. 1

    确认自己的宿主工具

    公开资料标注支持 Codex、Claude、Cursor、Gemini CLI;先确认自己用的是其中之一,再按对应工具的 Skills 目录放置。

  2. 2

    拿到安装命令

    可以直接复制的命令是 npx skills add https://github.com/kangarooking/cognitive-dividend-skill --skill…;命令里的占位符换成自己的路径或密钥再执行。

  3. 3

    安装后重启宿主

    命令执行完要完全退出宿主工具再打开,让新装的 Skill 被重新扫描到,否则列表里可能看不到。

  4. 4

    按最小权限试用

    权限没有明确标注,第一次使用时只给一个无关紧要的任务,观察它到底读了哪些文件和网络。

常见问题

6 条

scientific-decision 怎么安装?

在终端执行 npx skills add https://github.com/kangarooking/cognitive-dividend-skill --skill scientific…。装完完全退出宿主工具再打开,让它重新扫描本地 Skill。

scientific-decision 支持哪些 AI 工具?

公开资料标注支持 Codex、Claude、Cursor、Gemini CLI。其他工具只要能读取本地 Skill 目录,一般也能手动放进去,但要自己确认触发方式是否一致。

scientific-decision 需要什么权限?

权限级别没有明确标注。第一次使用时建议只给无关紧要的任务,观察它实际读写了哪些内容。

scientific-decision 是免费的吗?

公开资料没有标注明确许可证,收费和商用限制都无法确认。正式使用前请到来源仓库核对授权说明。

scientific-decision 用的人多吗?

公开数据是累计安装 356 次,近一周安装 15 次,下载 125 次,GitHub 9 星。这些数字来自第三方目录统计,只能当作热度参考,不代表质量或安全性。

scientific-decision 安全吗?

第三方扫描结果为通过,但这只覆盖已知的静态检查项,不能替代自己读一遍源码和安装命令。

值得选的地方和要先想清楚的地方

值得选的地方

  • 同时适配 4 种工具,换客户端不用重新找替代品。
  • 第三方扫描已通过,常见的高风险行为没有命中。

先想清楚的地方

  • 许可证没有明确标注,能不能商用、能不能再分发都不确定。
  • 第三方目录整理,版本更新和行为细节以来源仓库为准。

适不适合你

更适合

  • 已经在用 Codex,想直接扩展它能力的人。
  • 需要处理待分类类任务、又不想每次都手写提示词的人。

不太适合

  • 需要明确授权才能用到公司项目里的场景。
  • 需要厂商级技术支持和 SLA 的生产系统。

待分类类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
infsh-cli

infsh CLI · Codex、Claude

4,374,576382权限未标注未明确未收录
ai-video-generation

AI 视频生成 · Codex、Claude

4,313,376382调用外部服务未明确有提醒
lark-openapi-explorer

云雀 OpenAPI 浏览器 · Codex、Claude

2,064,1209,011需要联网未明确有提醒
lark-workflow-standup-report

Lark 工作流程站立报告 · Codex、Claude

2,041,6328,978需要联网未明确通过
use-my-browser

使用我的浏览器 · Codex、Claude

1,848,49140操作浏览器未明确未通过
scientific-decision

科学决策 · 本页

3569权限未标注未明确通过

按安装量取同分类前几名;数字来自第三方目录统计,只作热度参考,不代表质量结论。

SKILL.md 原文

科学决策与第三选择

R — 原文 (Reading)

第一步:紧盯核心目标,过滤大多数问题,不在小事上纠缠;第二步:面对关键问题,不要纠结于仅有的选项,要找到核心目标,将问题转化成简答题,并寻找第三选择;第三步:绕开认知偏误,开启系统2,进入慢思考;第四步:制定标准,给所有的选项打分,量化结果比大小。 —— 第21章《如何做出科学的决策》

I — 方法论骨架 (Interpretation)

  1. 科学决策四步是从粗到细的漏斗:先砍掉不重要的事,再突破选项框架,再排除偏误,最后量化
  2. 第一步:紧盯目标,过滤小事。大部分纠结不值得纠结,聚焦核心目标
  3. 第二步:找第三选择。面对选择题时,不要只看选项本身——还原目标→把选择题变简答题→找双赢方案
  4. 第三步:绕开认知偏误。三大偏误:反射效应(面对损失时赌更大)、确定效应(面对收益时求安稳)、锚定效应(被先入为主的数值锚定)
  5. 开启"系统2"(慢思考),用理性分析替代直觉反应
  6. 第四步:量化决策。分配权重→逐项打分→加权求和→数字说话
  7. 37%法则(麦穗理论):对于不可回头的一次性选择,前37%时间只观察不选建立基准,之后遇到超过基准的立即下手
  8. 第三选择的本质是跳出"非此即彼"的框架,找到让双方利益最大化的新方案

A1 — 书中应用 (Past Application)

  • 选老公案例:用量化决策表,将"过去、当下、未来"三大类分配权重(如30%/50%/20%),每类下再分子项目打分,最终用数字替代纠结
  • 麦穗理论择偶:22-30岁择偶,前3年(37%)只观察不选,建立最高分基准,后5年遇到超过基准的立刻下手
  • 第三选择——两把宝剑:选锋利还是好看的?还原目标(上战场还是当装饰),目标确定后答案自动出现
  • 认知偏误——购物:两件同价399元的衣服,一件原价399,一件原价3999打一折,人们觉得第二件便宜——这就是锚定效应

A2 — 触发场景 (Future Trigger)

何时使用:

  • 面临重大人生/商业选择,纠结不已
  • 两个选项看似都不满意,但感觉"必须选一个"
  • 担心自己的判断被情绪或直觉误导
  • 需要向他人证明决策的合理性(而非拍脑袋)

语言信号:

  • "纠结选A还是B"
  • "两个都不好,但必须选一个"
  • "帮我做个决定"
  • "怎么选才不会后悔?"
  • "我觉得这个选择很重要"

与相邻skill区分:

  • vs. structured-thinking:结构化是"怎么拆解问题",科学决策是"怎么从选项中做出最优选择";结构化是决策的前置步骤
  • vs. systems-thinking:系统性思维分析"为什么会这样",科学决策决定"接下来怎么办"

E — 可执行步骤 (Execution)

步骤1:还原目标,判断问题等级

  • 写下你真正要达成的核心目标(不是选项本身)
  • 判断这个问题是否值得花时间决策——80%的小事直接过滤
  • 如果是关键问题,进入下一步
  • 完成标准:能用一句话写出核心目标,并确认"这个问题值得深度决策"

步骤2:突破选项框架,寻找第三选择

  • 列出你目前面临的选项,问自己:"这些选项是谁给我的?"
  • 回到核心目标,把选择题转化成简答题:"为了达成目标,我还能怎么做?"
  • 寻找能让相关方利益最大化的第三方案
  • 如果涉及不可回头的选择,应用37%法则:前37%时间只观察建基准
  • 完成标准:至少产出一个超出原有选项的新方案,或确认已用37%法则建立了基准线

步骤3:绕开偏误,量化打分

  • 自检三大偏误:我是否因害怕损失而冒险(反射效应)?是否因贪图确定而放弃更优选项(确定效应)?是否被某个锚定值影响(锚定效应)?
  • 建立量化表格:列出评估维度 → 分配权重 → 对每个选项逐项打分(0-100)
  • 加权求和,用数字比大小
  • 完成标准:每个选项都有一个加权总分,最高分即为理性最优选

B — 边界 (Boundary)

不要用的场景:

  • 日常低风险小决策(吃啥、穿啥),量化决策浪费时间和精力
  • 需要极速反应的场景(危机处理),来不及走四步流程
  • 纯主观审美的个人偏好问题

失败模式:

  • 过度量化:给本该凭直觉的维度强行打分,数字看似精确实则虚假
  • 权重设置偏差:权重分配本身就反映了偏好,如果偏好被偏误影响,量化也无意义
  • 分析瘫痪:四步走完还是不敢选,陷入无限循环

作者盲点:

  • 对"如何确定权重分配是否合理"缺乏自检机制,权重本身就是最大的主观判断点
  • 37%法则假设评估对象是随机出现的,但现实中人可以通过主动搜索改变概率分布

相关 skills

本 skill 与以下 skill 存在关联:

  • metacognition-control(前置依赖):科学决策需要开启"系统2"进行慢思考,而元认知控制正是帮助你从"大脑自动驾驶"切换到"理性接管"的开关,是理性决策的前置条件。
  • mirror-world(前置依赖):科学决策的四步流程在镜像世界的"掌控域"和"概率域"中最为有效,先用镜像世界判断事件落在哪个域,再决定是否适用科学决策流程。

平台分布

Codex

38.55%
按下载量换算48

Claude

30.24%
按下载量换算38

Cursor

19.29%
按下载量换算24

Gemini CLI

8.23%
按下载量换算10

安全审计

Gen Agent Trust Hub

通过

Socket

通过

Snyk

通过

权限和风险

权限未标注

当前来源未能明确判断权限范围,默认进入异常复核队列。

安装前确认

本站仅展示第三方公开信息,不托管安装包,不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。目前只有一个公开来源,建议同时核对源仓库。

继续浏览同类 Skills