技能使用指南

weighted-scoring(加权评分决策矩阵)Skill 是什么?如何下载使用?

加权评分决策矩阵 Skill 用五步流程解决技术选型、供应商评估、Build vs Buy 等多准则决策难题:列方案、定维度、分权重(支持 ROC 排序法)、逐项打分、算总分并强制做敏感性分析,还附带认知偏差检查清单与自动化计算脚本。本文详解安装方法、使用步骤、竞品对比与真实应用场景,帮你把主观争论变成可复核的评分表。

加权评分决策矩阵Skillweighted-scoring
24 个章节 约 21 分钟阅读 AI 智能生成

加权评分决策矩阵:把“选哪个好”变成一张可复核、可解释的评分表

面对技术选型、供应商评估、自建还是采购这类问题,多数人的困境有两点:选项都差不多、说不清到底差在哪,并非选项太少。加权评分决策矩阵 Skill(英文名 weighted-scoring)把这件凭直觉的事拆成五步:列方案、定维度、分权重、逐项打分、算总分并做敏感性分析。核心结论如下:

  • 它是一套流程,而不只是一个计算器:从明确决策上下文、过滤一票否决项开始,到输出排名与敏感性分析,全程引导式提问,不需要你一开始就想清楚全部维度。
  • 权重分配有三种方法:直接分配法、排序分配法(ROC 公式自动算权重)、两两对比法,分别对应“有明确判断”“只有排序感”“团队决策要减少偏差”三种真实状态。
  • 敏感性分析是必做环节:当第一二名分差小于 0.3 分时,技能会主动做权重 ±10% 波动测试和逆转点分析,避免“3.72 比 3.68 好”这种虚假精确。
  • 附带认知偏差检查清单:锚定效应、光环效应、现状偏好、沉没成本等 6 类常见偏差,逐一对照排查。
  • 内置脚本 scripts/decision_matrix.py:输入 JSON 即可输出 Markdown 格式的加权评分表,并自动跑敏感性分析,也可以只给维度排名让它用 ROC 法反算权重。

该技能叫什么?如何下载安装 AI 技能提升开发效率?

基本信息

项目 内容
技能中文名 加权评分决策矩阵
技能英文名 weighted-scoring
技能 ID 14349
开源协议 MIT
触发方式 提到决策矩阵、加权评分、技术选型、方案对比、供应商评估、build vs buy、多维度打分、权重分配、评分表、选型对比,或直接问“选哪个方案好”“帮我比较几个选项”时自动触发

它解决什么问题

决策之所以难,往往是因为标准没统一,并非因为“没有好方案”。三个人投票选技术栈,A 看重性能、B 看重成本、C 看重团队上手难度,讨论到最后变成各说各话。这个技能要做的,是把隐性的判断标准显性化:先统一“我们到底在意什么”(维度),再统一“各自有多在意”(权重),最后统一“每个方案在各维度上值几分”(评分标尺),让结论可以被别人复核,也能被自己推翻。

另一类常见问题是伪精确:用 Excel 拉个加权表,算出 A 是 87.5 分、B 是 86.2 分,然后拿着这 1.3 分去说服别人。这个技能会在分差小于 0.3 分(5 分制)时强制执行敏感性分析,告诉你“只要成本权重再提高 10 个百分点,结论就会反转”——这比一个看似精确的总分有用得多。

一键安装的思路与步骤

AI 技能的安装通常分为三类入口:官方技能市场/插件市场搜索安装、通过命令行工具拉取、以及手动将技能目录放入本地技能目录。该技能为 MIT 协议开源,分发形式为包含 SKILL.md、scripts/ 等内容的技能目录。通用安装思路如下:

  1. 确认安装前提:你的 AI 客户端需支持技能(Skill)机制,且能读取技能目录中的 SKILL.md 与 scripts/ 脚本;如需运行内置 Python 脚本,本地需具备 Python 3 环境。具体支持的客户端版本与运行环境要求,以官方说明为准。
  2. 获取技能包:在技能市场/插件市场搜索技能英文名 weighted-scoring 或中文名「加权评分决策矩阵」安装;也可按官方指引通过对应的命令行安装入口拉取。具体命令与市场链接以官方说明为准。
  3. 放入技能目录:若为手动安装,将技能目录整体放入客户端约定加载的技能目录中,保持 SKILL.md 位于目录根部,scripts/decision_matrix.py 位于 scripts/ 子目录下,不要拆散目录结构。
  4. 验证是否生效:在对话中直接说一句触发语,例如“帮我做一个技术选型,比较 PostgreSQL、MySQL 和 MongoDB,用于我们的电商订单系统”。若技能正常加载,它会先追问决策上下文(要解决什么问题、候选方案有哪些、有没有一票否决项等),而不是直接甩给你一个分数表。
  5. 验证脚本可用:如果你打算用内置脚本做批量计算,可用技能文档中给出的调用方式测试一次,例如:
python3 scripts/decision_matrix.py --roc '["功能", "性能", "成本", "学习成本"]'

能正常输出 ROC 权重表,说明脚本环境就绪。


该技能的主要功能和特点

  • 五步决策流程:明确决策上下文 → 定义评估维度 → 分配权重 → 逐项评分 → 计算加权总分 + 敏感性分析。每一步都有引导话术和数据规范,不需要用户自己设计框架。
  • 一票否决项前置过滤:在打分之前先识别硬约束(预算上限、合规要求、技术兼容性等),不满足的方案直接排除,不进入评分环节,避免“明明预算不够还被打出高分”的荒唐结果。
  • 维度数量把控:明确建议 4-8 个维度,并给出理由——少于 4 个决策太粗糙,多于 8 个则信号被噪声稀释、每个维度权重都被摊薄。同时给出 MECE 原则与可评估性两项筛选标准。
  • 三套权重分配方法:直接分配法(维度 ≤5 时最快)、排序分配法(只需给维度排序,用 ROC 公式自动换算权重,并附 4/6/8 维度的现成权重对照表)、两两对比法(团队决策时减少主观偏差,给出完整配对示例)。
  • 权重质量四查:极端检验、分辨力检验、覆盖检验、利益相关者检验,专门用于发现“某个维度权重只有 3%”“前两大维度加起来 85%”这类权重设置失衡。
  • 1-5 分制评分标尺必须先行定义:强制在打分前把每个分数的含义写清楚(例如性能维度:5 分 = 延迟 <10ms 且支撑 10 倍预期流量,1 分 = 延迟 >500ms 基本不可用),避免不同评分者标准不一致。
  • 按维度逐列评分,而不是按方案逐行评分:这是对抗“光环效应”的关键操作细节——先评所有方案在“性能”上的表现,再评“成本”,比一个方案从头评到尾更公正。
  • 敏感性分析三件套:权重 ±10% 波动测试、争议评分 ±1 分测试、逆转点分析(要让第二名反超第一名,某个维度需要变化多少)。
  • 认知偏差检查清单:锚定效应、光环效应、现状偏好、确认偏差、沉没成本、可得性偏差,六项逐条对照并给出应对方法。
  • 内置 Python 脚本:支持输入 JSON 输出 Markdown 加权评分表、自动敏感性分析、ROC 权重计算、检测零区分度维度。等于把“算表”这个体力活交给脚本,人只管判断。

如何使用该技能?

第一步:用一句话发起请求

不需要先整理格式,直接说人话即可。技能文档给出的示例就是:

“帮我做一个技术选型,比较 PostgreSQL、MySQL 和 MongoDB,用于我们的电商订单系统”

第二步:回答上下文追问

技能会先厘清:这个决策要解决什么问题、候选方案有哪些(建议 2-7 个)、谁是关键利益相关者、决策时间节点、有没有一票否决项。这一步别跳过——把“预算只有 X 万”“必须支持私有化部署”这类硬约束说出来,能省掉后面整轮无效打分。

第三步:确定评估维度

可以直接采用技能内置的三套维度模板(技术选型 / 供应商选择 / Build vs Buy),也可以自定义。内置的技术选型模板包含:功能匹配度、性能、可扩展性、社区与生态、学习成本、运维复杂度、成本、长期风险。注意控制在 4-8 个,并且每个维度都要能给出有区分度的评分——如果某个维度上所有方案都一样,这个维度就该删掉。

第四步:分配权重

如果团队对优先级有明确判断,用直接分配法,把 100% 分下去;如果只是“感觉功能最重要,其次性能”,用排序分配法,只报排序,剩下交给 ROC 公式:

排名 4 维度权重 6 维度权重 8 维度权重
1 52.1% 40.8% 34.0%
2 27.1% 24.2% 21.5%
3 14.6% 15.8% 15.2%
4 6.3% 10.3% 11.1%

如果是多人团队决策、维度较多,用两两对比法:把所有维度两两配对,判断谁更重要(赢 1、输 0、平 0.5),每个维度得分 = 赢的次数 ÷ 总对比次数。

第五步:先定标尺,再逐项打分

打分前把 1-5 分的含义写死。然后按维度逐列评,每给一个分附上一句理由,例如“PostgreSQL 功能匹配度给 5 分,因为订单系统需要的强事务和复杂查询它全部原生支持”。

第六步:看结果,看敏感性分析

输出是一张标准加权表,括号内为加权得分:

维度 权重 方案A 方案B 方案C
功能匹配度 30% 4 (1.20) 5 (1.50) 3 (0.90)
性能 25% 5 (1.25) 3 (0.75) 4 (1.00)
成本 25% 3 (0.75) 4 (1.00) 5 (1.25)
学习成本 20% 4 (0.80) 2 (0.40) 3 (0.60)
加权总分 100% 4.00 3.65 3.75
排名 1 3 2

若第一名与第二名分差 < 0.3 分,技能会给出类似下文的结论:

方案 A 以 4.00 分领先方案 C 的 3.75 分(差距 0.25 分)。敏感性分析显示,当“成本”维度权重提升至 35%(+10%)时,方案 C 反超方案 A。建议关注成本维度的权重合理性,或进一步收集成本数据以提高评分准确性。

第七步(可选):用脚本批量算

维度多、方案多、需要反复试算时,直接用内置脚本,把结果粘进文档即可:

python3 scripts/decision_matrix.py --json '{
  "dimensions": ["功能", "性能", "成本", "学习成本"],
  "weights": [30, 25, 25, 20],
  "options": ["PostgreSQL", "MySQL", "MongoDB"],
  "scores": {
    "PostgreSQL": [4, 5, 3, 4],
    "MySQL":      [5, 3, 4, 2],
    "MongoDB":    [3, 4, 5, 3]
  }
}'

脚本会输出加权评分表并自动跑 ±10% 权重波动测试,还会提示“某维度零区分度”这类问题。

一个完整案例的关键数据

技能文档里带了一个电商订单系统数据库选型的完整案例:日订单量 10 万、团队 5 人、预算有限优先开源。7 个维度用 ROC 法分配权重(功能 37.0%、性能 22.8%、成本 15.6%、学习 10.9%、社区 7.3%、运维 4.4%、扩展 2.0%),最终 PostgreSQL 4.45 分、MySQL 4.21 分、MongoDB 3.57 分。虽然头部两个方案只差 0.24 分,但敏感性分析显示所有维度权重 ±10% 波动后排名不变,结论对权重变化不敏感,可信度较高——这个“分差小但稳健”的说明,恰恰是纯 Excel 打分给不出来的。


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
加权评分决策矩阵 Skill(weighted-scoring) 嵌入式决策流程助手 五步引导流程、三种权重分配法、1-5 分标尺定义、敏感性分析、认知偏差清单、Python 脚本 需支持技能机制的 AI 客户端;脚本需 Python 3。安装门槛低,只需一句自然语言触发 技术选型、供应商评估、Build vs Buy、工具对比等 2-7 方案的常规决策 优势:流程完整且强制做敏感性分析与偏差检查,结论可解释、可留档;不足:不适合强感情因素的个人决策,也不适合信息极度不全的场景
手工 Excel / 在线表格打分 万能但中立的计算载体 加权求和、排序、图表 几乎零门槛,人人会用 需要快速出一张表向领导汇报 优势:灵活、可自由定制格式;不足:没有人替你检查维度是否 MECE、权重是否失衡、分差是否在噪声范围内,极易产生“虚假精确”
AHP 层次分析法专业工具 严格的多准则决策方法学工具 判断矩阵、一致性检验、特征向量法算权重 门槛较高,需理解判断矩阵与一致性比率(CR)概念 维度多、需要严格一致性检验的重要决策 优势:数学严谨,有成熟的一致性检验体系;不足:维度一多就要做大量两两比较,学习和操作成本明显高于 ROC 排序法
直接问通用 AI 助手“选哪个好” 快速获取主观建议 生成 Pros/Cons 列表与推荐结论 零门槛 两个方案、差异明显、只需一个参考意见 优势:最快;不足:结论不可复现、过程是黑箱,无法向利益相关者解释“为什么选这个”,也无法做权重敏感性分析

怎么选:如果你只需要一个观点,直接问通用 AI;如果你需要一张能说服别人、能留档、能被复核的表,用这个 Skill;如果决策的重要性极高、维度极多且需要严格的一致性检验,再上 AHP 专业工具。


该技能的典型应用场景与实际体验情况

场景一:技术团队的数据库/中间件选型

角色与痛点:后端负责人带 5 人小团队,要在 PostgreSQL、MySQL、MongoDB 之间定订单系统的数据库。团队经验集中在关系型数据库,但业务上有一些半结构化数据的诉求,争论已经持续两周。

使用方式:先用一票否决项过滤掉因许可费超预算的方案,再用 ROC 排序法确定 7 个维度的权重,最后按维度逐列打分并跑敏感性分析。

实际体验:最大的价值不在那个 4.45 分的总分,而在“学习成本只占 10.9%”这个数字摆上桌之后,争论的性质变了——原本反对关系型数据库的同事发现,自己真正在意的其实是可扩展性,而可扩展性权重只有 2.0%。注意事项:ROC 权重对维度排序非常敏感,排序环节一定要和所有利益相关者确认,不能一个人拍板。

场景二:采购侧的供应商评估

角色与痛点:采购经理要对 4 家 SaaS 供应商做评估,业务部门看功能、财务看价格、安全看合规,三方的关注点天然冲突,每次评审会都变成拉锯。

使用方式:采用技能内置的供应商选择维度模板(产品能力、价格与商务条款、技术支持、安全合规、集成能力、公司实力),用两两对比法分配权重——每个部门都参与配对比较,最终权重由数据算出而非某一方强推。

实际体验:两两对比法在这个场景里效果显著,因为它把“我要这个维度更重要”变成了大量“A 和 B 哪个更重要”的具体判断,减少了立场对抗。矩阵结果可直接作为评审会纪要附件留档。注意事项:当第一二名分差在 0.3 分以内时不要急着宣布胜出,按技能提示补做成本数据的采集,再重新评分。

场景三:Build vs Buy 的内部争议

角色与痛点:一个中台能力究竟该自研还是采购,工程团队倾向自研(觉得可控),管理层倾向采购(觉得快),双方各有一套说辞。

使用方式:用技能内置的 Build vs Buy 六维度模板(需求匹配度、上线速度、3 年总成本、团队能力匹配、战略价值、维护负担),特别把“3 年总成本”里的机会成本与维护人力成本显性化。

实际体验:这个场景最容易触发“现状偏好”和“沉没成本”偏差,技能自带的偏差检查清单会直接提示“假设从零开始选择,排除迁移成本干扰”“明确区分过去投入和未来价值”,一句话就能让讨论回到正轨。注意事项:战略价值这类维度很难量化,需要在评分理由里写清楚判断依据,否则事后无法复盘。

场景四:向非技术决策者解释选择理由

角色与痛点:技术负责人已经定下方案,但要向不懂技术的管理层汇报,最怕被追问“为什么不是另一家,他们报价更低”。

使用方式:把完整加权表和敏感性分析结论一起呈现,重点讲“成本权重要提到多少,结论才会反转”。

实际体验:这张表的说服力远高于口头解释,因为它承认了“如果你们更看重成本,结论会不同”——反而增强了可信度。注意事项:要把括号里的加权得分(权重 × 评分)一并展示,否则非技术听众容易只看原始评分而误解。

上手难度小结

技能本身以对话引导为主,上手难度低,会正常对话就能用。真正需要花时间的是:想清楚一票否决项、确认维度排序、以及为每个评分写下理由。这三件事做不到位,再漂亮的矩阵也只是把主观偏见精确化了而已。


该技能能为用户带来的价值

第一,把决策从“辩论”变成“计算”。 传统选型会上,每个人都在为自己的偏好辩护;用这个技能后,讨论对象从“选哪个”前置到“我们该在意什么、各占多少权重”,而这恰恰是最容易达成共识的部分。一旦维度和权重定下来,剩下的只是查数据、填分数。

第二,显著降低决策的隐性成本。 一次技术选型争论拖上两三天是常事,涉及四五个人就是十几个工时。有了五步流程和现成维度模板,第一次会议就能把候选方案、维度、权重全部定下来,后续只需补数据。对于需要反复评审的采购与选型场景,节省的时间是成倍增加的。

第三,用敏感性分析消除“虚假精确”。 这是该技能最有价值的一点:它明确告诉你,5 分制下第一二名差 0.25 分意味着“实质上难分高下”,需要看权重是否合理、数据是否准确。大量基于 Excel 加权表的错误决策,恰恰败在没人做这一步。

第四,让决策可留档、可复盘。 维度、权重、评分理由、敏感性分析结论全部留有记录。半年后有人问“当初为什么选 PostgreSQL”,翻出表格一看便知;决策条件变化时,也只需调整权重或评分重跑一遍,不用从头再来。

第五,降低专业决策方法的使用门槛。 ROC 权重公式、两两对比归一化、逆转点分析,这些原本需要翻阅 MCDA 教材才能上手的方法,被封装成了排序一句、确认一句的对话,外加一个脚本自动算。对没有决策科学背景的产品经理、技术负责人、采购人员来说,这是一个从“知道有方法”到“真的用上方法”的跨越。

长期价值:反复使用后,团队会逐渐沉淀出适合自己业务的标准维度模板和权重区间。下次选型不再是零起点,而是在一个已经校准过的框架上微调——这才是决策能力真正的组织级积累。


常见问题 FAQ

Q1:这个技能怎么安装?需要付费吗?

该技能为 MIT 协议开源,安装方式通常为在支持技能机制的 AI 客户端中搜索技能名安装,或按官方指引通过命令行入口拉取,也可手动将技能目录放入客户端的技能加载目录。具体命令、市场链接与费用政策以官方说明为准。若需运行内置的 scripts/decision_matrix.py,本地需要 Python 3 环境。

Q2:它会不会直接给我一个结论,替我做决定?

不会,也不该这么用。技能文档里明确写了“矩阵是辅助工具,不是替代直觉的算法”,并且专门列出了适用与不适用场景:只有 2 个选项且差异明显时,直接列 Pros/Cons 更高效;决策高度依赖单一因素时,不需要多维度框架;信息极度不完整时,先做信息收集而不是打分;涉及强感情因素的个人决策,理性框架反而可能掩盖真实偏好。

Q3:权重到底该怎么分?ROC 排序法算出来的数字看着很怪怎么办?

三种方法按场景选:维度 ≤5 且判断明确,用直接分配法最省事;只有“哪个更重要”的排序感,用 ROC 排序法(4 维度时第一名会拿到 52.1%,这是公式的正常结果,不是错误);团队决策且维度较多,用两两对比法。分完之后记得做四查:极端检验(最高的真的比最低的重要那么多吗)、分辨力检验(有没有维度权重 <5%)、覆盖检验(前两大维度加起来是否 >70%)、利益相关者检验(换个角色分配会不会差很多)。

Q4:第一名和第二名只差 0.2 分,到底该选哪个?

先别选,先做敏感性分析。技能规定分差 <0.3 分(5 分制)必须做权重 ±10% 波动测试和逆转点分析。如果微小调整就能让排名反转,说明两个方案实质上难分高下——这时候要么回到权重环节审视假设是否合理,要么补充数据提高争议维度的评分准确性,要么干脆承认两者皆可,转而用非量化因素(比如团队熟悉度、已有运维经验)做最终决定。

Q5:它和直接用 Excel 拉个加权表,或者直接问 AI“选哪个好”有什么区别?

Excel 只是中立的计算载体,它不会提醒你维度是否 MECE、权重是否失衡、分差是否落在噪声区间内,也不会拦着你在没定义评分标尺的情况下直接打分——这正是“虚假精确”的高发地。至于直接问 AI 要结论,优点是快,但过程是黑箱、结论不可复现,也很难向利益相关者解释“为什么选这个”。这个 Skill 的差别在于它提供的是可复核的流程:一票否决项怎么过滤、维度为什么是这几个、权重怎么来的、每个分数凭什么给、结论对假设有多敏感,全部有迹可循。