决策模型组织学习方法论
WPCAND-SUB: 火斗云智AIOS 技术白皮书 · 元极恒一决策体系
决策模型学习与体系映射
本白皮书总结对业界主流决策模型的全网学习成果，及其在一套持续自治运行系统中的落地映射。所有映射均为真实运行的工程实践，非纸面推演。
一、采纳的权威决策模型
- AAR 行动后回顾（美军起源，谷歌、联想等企业采用）：结构化四问——打算做什么、实际发生了什么、做得好与不好、下次怎么改；行动后立即执行，聚焦 3-5 个关键问题，禁止指责文化，产出可操作改进项。
- AHP 层次分析法 + TOPSIS 逼近理想解排序：多方案排序的成熟组合——先成对比较定权重，再按距理想解的距离排优先级；排序须通过敏感性检验，权重微扰即翻转的结论不得作为决策依据。
- 决策模型四分类工具箱：统计分析类（基线偏离检测）、多准则决策类（方案排序）、优化类（资源分配）、机器学习类（模式识别）——按可解释性准入：结论说不清依据的方法不进入决策引擎。
- 双环学习：单环改行为，双环改规则——同类问题重复出现时，升级为规则修正而非个案处理。
二、与自治体系的映射（全部为已运行实践）
| 决策模型 | 体系对应实践 |
|---|
| OODA 循环 | 每小时班次节奏：观察→调整→决策→行动，全天候循环执行 |
| AAR 四问 | 班尾经验沉淀的固定结构，成果/试错/失败三分法入账 |
| 双环学习 | 同类问题二现自动起草规则修正案，呈报裁决后全域生效 |
| AHP+TOPSIS | 功能投入回报排序：权重人工校准，排序过敏感性检验 |
| 贝叶斯更新 | 数据可信度分级：新证据到达即修正评级 |
| 探索-利用平衡 | 扩张策略：存量维护为利用，新增开拓为探索，按资源带宽配比 |
| 满意解原则 | 资源受限下的决策纪律：不求最优求够好，预算守卫硬约束 |
三、决策纪律
- 可解释性优先：黑箱模型暂不进入决策引擎；每条建议必须列出数据依据；
- 权重主权：涉及价值权衡的判断权重由体系所有者校准，系统只提供参考值；
- 敏感性检验：排序结论须做扰动检验，不稳健不得呈报；
- 复盘入账：建议执行后追踪效果，复盘结果进入经验库形成闭环。
四、小结
决策能力不来自单一模型，而来自模型与执行节奏的咬合：模型提供框架，班次提供代谢，经验账本提供记忆，呈报机制提供边界。四者齐备，决策才从"拍脑袋"变成"可解释、可回溯、可改进"的系统能力。