expected-value（期望值分析）Skill 是什么？如何用它做好不确定性决策？

期望值分析Skill：把“拍脑袋决策”变成可计算的概率加权回报

它是什么：期望值分析Skill（英文名 expected-value，技能ID 12986）是一个面向“结果可量化、但结果不确定”场景的决策辅助技能，用来比较风险选项、排序项目优先级、判断一次赌注值不值得下。
核心方法：用「EV = Σ（概率 × 价值）」把多个不确定结果压缩成一个可横向比较的数字，再结合风险偏好、非货币价值与现实约束给出建议。
内置流程：六步工作流（定义决策 → 识别结果 → 估计概率 → 量化收益 → 计算EV → 解释与调整），并配五种常见模式、八条护栏与一套公式速查表。
产出物：一份结构化的《期望值分析.md》，包含决策框架、场景与概率收益表、EV 计算、敏感性分析和带风险考量的推荐。
适合谁用：产品经理、创业者、投资与财务人员、运营和任何需要在几个“都说得通”的选项里做选择的人。

该技能叫什么？如何一键安装 AI 技能提升开发效率？

技能名称：期望值分析Skill 英文名：expected-value 技能ID：12986

它要解决的是一个非常普遍、也非常昂贵的问题：在结果不确定、但收益损失可以量化的情况下，人们往往靠直觉、靠“最好情况”的画面、靠会议室里声音最大的人来做决定。直觉不是不能用，但它不可复现、不可比较、不可复盘。这个技能的价值就在于把“我觉得A更好”转换成“A的期望回报是5.2万，B是3.8万，且A的下行风险需要什么条件才会被触发”。

一键安装的思路，是把这类结构化方法论直接挂载到你日常使用的 AI 助手里，让它成为一种“随叫随到的分析习惯”，而不是每次都要重新组织提示词。通用流程如下（具体入口与命令以官方说明为准）：

确认前提：你有一个支持 Skill / 插件机制的 AI 客户端或工作台账号，并已登录；技能通常与账号绑定，换设备时需要在同一账号下重新启用。
进入技能入口：在技能市场、技能库或插件面板中搜索技能名“期望值”“期望值分析”，或直接搜索英文名 expected-value、技能ID 12986。
一键启用：找到对应技能后点击安装 / 启用按钮，按提示确认授权范围。多数平台为“点选即生效”，无需配置环境变量或写配置文件。
验证是否生效：新开一个对话，输入一句触发语，例如“帮我算一下这个产品功能发布的期望值：60%概率赚10万，40%概率亏2万”，如果回复中出现场景拆解、概率校验、EV 计算步骤，说明技能已正常加载；若没有，检查技能是否处于启用状态，或换一个新会话重试。
纳入日常工作流：把常用输入（决策选项、结果场景、概率、收益）整理成一个固定模板，之后每次只需要替换数字，就能复用整套分析。

之所以强调“一键”，是因为决策这件事最大的摩擦不是算不出来，而是懒得起手算。当计算成本被压到一句话的程度，人才会真的在每次选择前算一遍。

该技能的主要功能和特点

六步标准化工作流：定义决策与互斥替代方案 → 识别可能结果（通常3-5个场景）→ 估计概率 → 量化收益 → 计算期望值 → 解释并调整风险偏好。每一步都有对应的模板与方法论资源引用，保证分析不会“算到一半散架”。
五种常见模式覆盖大部分真实场景：
- 投资决策（离散结果）：做 / 不做，最佳-基准-最坏三档场景。
- 投资组合分配（多选项）：把预算分散到多个各有EV与风险特征的项目上。
- 顺序决策（决策树）：早期结果影响后期选项，用后向归纳找最优策略，捕捉“可以中途止损”的灵活性价值。
- 连续分布（蒙特卡罗模拟）：结果连续变化时用分布建模，输出均值与置信区间。
- 竞争博弈（收益矩阵）：结果取决于对手选择时，纳入战略互动。
公式与风险指标速查：除 EV 外，还提供期望效用 EU（风险中性 / 风险厌恶 / 风险寻求三种效用函数）、净现值 NPV、方差与标准差、变异系数 CV（风险调整回报比）、盈亏平衡概率 p*（EV=0 的临界点）。这意味着它不只告诉你“赚多少”，还告诉你“多不稳”。
八条硬性护栏，防止用错工具：概率必须总和为1.0；不得对一次性、不可逆的高风险决策直接套用EV；必须量化而非隐藏不确定性；必须考虑非货币价值（声誉、学习、灵活性、士气）；概率必须校准而非凭直觉；必须考虑结果之间的相关性；必须考虑金钱的时间价值；顺序决策必须考虑停止规则与期权价值。
常见陷阱清单：忽略风险厌恶、锚定单一最佳场景、虚假精度（“概率67.3%”其实是猜的）、沉没成本谬误、忽略尾部风险、静态分析。这些是最容易让一份“看起来很专业”的EV表格变成错误决策的地方。
可自检的质量标准：技能内置评估标准文件，从场景完整性、概率校准、收益量化、EV解释四个维度打分，最低通过线为平均分 ≥ 3.5。也就是说，它不仅产出结论，还要求结论达到一定的严谨度。
和普通计算工具、通用对话的区别：Excel 会算，但不会提醒你“概率加起来只有0.9”；通用大模型会给你一个数，但不一定逼你把三种情况列全、不一定做敏感性分析、更不一定在最后加一句“注意这是长期平均值，不适合你押上全部积蓄”。

如何使用该技能？

以下是典型的分步使用指南，适用于对话式调用。

第 1 步：用触发语唤起技能 在对话中直接描述决策问题，或使用触发短语：“帮我做期望值分析”“算一下这个的EV”“比较这两个风险选项”“这个赌注该不该接受”“画个决策树”。技能会在识别到“期望值、EV计算、风险调整回报、概率加权结果、决策树、比较风险选项”等信号时启用。

第 2 步：提供四类必需输入

决策：你在哪些互斥选项之间选择（至少2个）；
结果：每个选项下可能发生什么（通常3-5个场景）；
概率：每个结果的可能性（必须总和为1.0）；
收益：每个结果的价值，用金钱、时间或效用表示。

输入示例：

我们要决定是否推出新功能。选项A：推出。60%概率带来10万美元收入，40%概率失败并产生2万美元沉没成本。选项B：不推出，把这笔预算投入现有功能的优化，预计稳定带来3万美元收入（概率接近确定）。请帮我算EV并给出建议。

第 3 步：阅读结构化输出 技能会先复述决策框架，再列出场景表（场景 / 概率 / 收益），然后逐步给出计算过程：

选项A：EV =（0.6 × 10万）+（0.4 × -2万）= 6万 - 0.8万 = 5.2万美元
选项B：EV ≈ 3万美元
结论：A 的期望回报更高，差额约 2.2万美元；但 A 存在 2万美元的下行损失，需要你确认风险承受能力与现金流是否允许。

第 4 步：要求做敏感性分析 追问：“成功率要降到多少，A 才不如 B？”技能会解出盈亏平衡概率：设成功概率为 p，则 p×10 +（1-p）×（-2）= 3，解得 p = 5/12 ≈ 41.7%。也就是说，只要你认为成功率高于约 42%，A 就更优。这一步往往比 EV 本身更有决策价值，因为它把争论从“你猜多少”变成了“我们争的是 42% 以上还是以下”。

第 5 步：加入风险偏好与非货币因素 明确告诉它你的约束，例如“公司现金流紧张，不能承受单季度2万美元亏损”“这个项目还有团队学习价值”。技能会切换到期望效用视角，或采用最大最小遗憾、满意化（选第一个超过阈值的选项）等替代决策规则。

第 6 步：获取最终产出 技能输出一份《期望值分析.md》，包含决策框架、场景与概率收益表、EV 计算、敏感性分析、风险考量与推荐方案。建议把这份文件归档，事后复盘时对照实际结果，逐步校准自己的概率估计能力。

使用小贴士：概率尽量给区间而非单点（例如“成功率50%-70%”），并要求技能分别在乐观、悲观情形下各算一次，避免虚假精度。

同类型竞品对比分析

方案名称	定位	核心功能	安装/使用门槛	适用场景	优势与不足
期望值分析Skill（expected-value）	嵌入 AI 对话的结构化决策方法论	六步工作流、五种决策模式、EV/EU/NPV/方差/CV/盈亏平衡概率公式、八条护栏、敏感性分析、标准化分析文档输出	在支持 Skill 的 AI 客户端中一键启用，无需编程；以官方说明为准	投资比较、产品押注、资源分配、A/B测试解读、定价谈判、保险与对冲判断	优势：流程完整、会主动纠错（概率不为一、沉没成本、虚假精度）、输出可直接归档；不足：依赖你提供的概率与收益估计，估算本身不准时结论也会偏
电子表格手工建模（Excel / Google Sheets）	通用计算工具，自建EV模型	公式计算、场景表、数据透视、单变量敏感性	需自己搭模板，理解公式逻辑；无需额外安装	财务模型、预算分配、重复性测算	优势：完全可控、可审计、数据留在本地；不足：无方法论引导，容易漏场景、忘记校验概率总和，每次都要重建或维护模板
通用大模型直接对话	无专用技能的自然语言问答	可以口头解释EV概念、给一个计算示例	门槛最低，打开即用	概念学习、快速粗算	优势：灵活、无需配置；不足：输出不稳定，常常只算一个“最佳场景”，不主动做敏感性分析，也不提醒尾部风险与风险厌恶，结论难以复用
专业决策分析软件（决策树 / 蒙特卡罗模拟工具）	面向专业分析人员的重型工具	决策树建模、蒙特卡罗模拟、概率分布拟合、龙卷风图、置信区间	学习曲线陡，通常需付费授权，以官方说明为准	大型资本项目、研发管线评估、临床试验分期决策	优势：能处理连续分布与复杂依赖关系，结果严谨；不足：上手成本高、沟通成本高，日常小决策用它“杀鸡用牛刀”

一句话选型建议：日常高频、中小规模、需要快速对齐团队认知的决策，用这个 Skill 最快；涉及大额资本、需要严格审计与复杂相关性建模的决策，可以先用它搭框架，再交给专业工具精算。

该技能的典型应用场景与实际体验情况

场景一：产品经理的功能押注 痛点：三个功能都想做，研发资源只够一个，评审会变成“谁的需求更响”。使用方式：把三个功能分别列出成功/失败场景、概率与收入影响，让技能算出各自EV并排序。实际体验：上手几乎零成本，最难的部分不是计算而是逼团队把概率说出口；一旦说出口，讨论立刻从立场之争变成参数之争。注意事项：收入影响要区分“增量收入”和“本来就会有的收入”，否则EV会被系统性高估。

场景二：投资人的项目组合分配 痛点：手里有三个早期项目，每个都有独立的风险回报，凭感觉分配容易过度集中在最喜欢的那一个。使用方式：用“投资组合分配”模式，输入每个项目的EV与风险特征，观察组合层面的总EV与波动。实际体验：技能会主动提示“结果相关性”这一护栏——如果三个项目都押在同一个行业周期上，分散化的好处会大打折扣，这一点是很多人自己算时容易忽略的。注意事项：早期项目的概率估计误差极大，建议给区间并做敏感性分析。

场景三：运营解读 A/B 测试 痛点：A版本转化率高一点，但样本量不大，到底要不要全量上线？使用方式：把两个变体的预期转化率与不确定性输入，让技能用概率加权的方式比较，并计算需要多大提升才能覆盖切换成本。实际体验：它不会替你判断统计显著性，但会帮你把“不确定性”显式写进决策，避免把噪声当信号。注意事项：这里的概率估计最好来自历史实验数据，而不是主观猜测。

场景四：个人的大额决策 痛点：要不要接受一个底薪更低但有期权的 offer、要不要买某份保险。使用方式：列出场景、概率与货币化后的得失，计算EV，再切换到期望效用视角考虑风险厌恶。实际体验：技能在这里最有用的一句话是护栏里的提醒——EV 是长期平均值，不适用于一次性、不可逆的决策。1%概率赢得巨额回报的高EV赌注，也不该押上房子。注意事项：非货币价值（学习曲线、家庭稳定性、心理压力）必须显式折算进去，否则模型会给出“理性但你不愿意执行”的答案。

该技能能为用户带来的价值

把决策变成可比较的数字：过去是“A听起来更稳、B听起来更赚”，现在是“A的EV是3万、B是5.2万，B的下行是2万”。同一把尺子，才能排序。
显著缩短决策时间：原本需要开两次会、拉三个人对数的决策，压缩成一次结构化对话；把“整理分析文档”的时间从小时级降到分钟级。
降低决策门槛：不需要学过财务或统计，只要会说清“有哪些可能、各有多大可能、各值多少钱”，就能得到一份带敏感性分析的结论。方法论被封装进流程，专业知识不再是前置条件。
减少系统性错误：八条护栏和陷阱清单直接针对最常见的失误——漏算场景、概率不为一、锚定最佳情况、虚假精度、沉没成本、忽略尾部风险。这些错误的代价往往远超一次计算的时间成本。
沉淀可复用的决策资产：每次分析都产出结构化文档，事后可与实际结果对照，长期下来你校准的不只是这一次决策，而是自己的概率判断能力。随着决策次数增加，这种“校准红利”会持续复利。
让团队对齐更快：当分歧从“我觉得”变成“我认为成功率是55%还是65%”，争论焦点会自动收敛到最关键的假设上，会议效率明显提升。

常见问题 FAQ

Q1：这个技能怎么安装？需要会写代码吗？ 不需要写代码。在支持 Skill 机制的 AI 客户端技能入口中搜索“期望值”“期望值分析”或英文名 expected-value、技能ID 12986，一键启用即可；具体入口位置与步骤以官方说明为准。启用后新开对话，用“帮我算一下这个的期望值”验证是否生效。

Q2：用这个技能收费吗？ 技能本身通常是随客户端账号提供的功能，是否收费、是否有次数限制取决于所在平台的规则，以官方说明为准。技能运行过程中也不会产生额外的数据采购费用，所有概率与收益数据都需要你自己提供。

Q3：它适合谁用？我不做投资也能用吗？ 非常适合。凡是“结果不确定、但得失可以大致量化”的选择都适用：产品功能优先级、预算分配、要不要接这个项目、要不要买这份保险、A/B测试结果怎么解读、报价该不该接受。只要你能列出2个以上互斥选项和各自的可能结果，它就有用。

Q4：它算出来的结果一定对吗？和竞品怎么选？ EV 的准确性完全取决于你输入的概率与收益估计，技能本身保证的是“流程完整、计算正确、风险被显式考虑”，而不是“预测未来”。选型上：日常中小决策用这个 Skill 最快；需要严格审计、复杂相关性建模或大规模蒙特卡罗模拟时，先用它搭好框架，再交给专业决策分析软件精算；只是临时粗算，通用大模型对话也能凑合，但要小心它跳过敏感性分析。

Q5：为什么它有时会拒绝给我一个明确答案，还提醒我“不要押上全部”？ 这是技能内置的护栏在起作用。EV 是长期重复决策下的平均值，对于一次性、不可逆、影响巨大的决策（押上全部积蓄、关键手术、孤注一掷的赌注），单纯最大化EV可能是错的。此时它会建议改用期望效用、最大最小遗憾或满意化等规则，并把非货币价值纳入考量。这不是能力不足，而是刻意避免给你一个“看起来精确、实际上危险”的结论。