决策框架MCP服务器

动机

语言模型在结构化决策方面常常遇到困难，特别是在涉及多个选项、不确定的结果和复杂的价值权衡时。当前的模型通常会出现以下问题：

1. 无法系统地列出所有可用选项
2. 对结果概率的判断不一致
3. 在评估选项时混淆偏好和概率
4. 不能系统地识别和衡量决策标准
5. 忽略了在建议中考虑风险承受能力
6. 错过了收集更多信息的机会

决策框架服务器通过提供一个结构化的决策分析框架来解决这些问题。通过外部化决策过程，模型可以提供更严谨、透明且个性化的决策支持。

技术规范

工具接口

interface Option {
  id: string;
  name: string;
  description: string;
}

interface Outcome {
  id: string;
  description: string;
  probability: number; // 0.0-1.0
  optionId: string;
  value: number; // 效用值，可以是正数或负数
  confidenceInEstimate: number; // 0.0-1.0
}

interface Criterion {
  id: string;
  name: string;
  description: string;
  weight: number; // 0.0-1.0，所有权重之和为1.0
  evaluationMethod: "quantitative" | "qualitative" | "boolean";
}

interface CriterionEvaluation {
  criterionId: string;
  optionId: string;
  score: number; // 标准化分数，0.0-1.0
  justification: string;
}

interface InformationGap {
  description: string;
  impact: number; // 0.0-1.0，对决策的影响程度
  researchMethod: string;
}

interface DecisionAnalysisData {
  // 决策核心元素
  decisionStatement: string;
  options: Option[];
  criteria?: Criterion[];
  criteriaEvaluations?: CriterionEvaluation[];
  possibleOutcomes?: Outcome[];
  informationGaps?: InformationGap[];
  
  // 决策背景
  stakeholders: string[];
  constraints: string[];
  timeHorizon: string;
  riskTolerance: "risk-averse" | "risk-neutral" | "risk-seeking";
  
  // 分析结果
  expectedValues?: Record<string, number>; // optionId -> 预期值
  multiCriteriaScores?: Record<string, number>; // optionId -> 加权得分
  sensitivityInsights?: string[];
  recommendation?: string;
  
  // 过程元数据
  decisionId: string;
  analysisType: "expected-utility" | "multi-criteria" | "maximin" | "minimax-regret" | "satisficing";
  stage: "problem-definition" | "options" | "criteria" | "evaluation" | "analysis" | "recommendation";
  iteration: number;
  
  // 下一步
  nextStageNeeded: boolean;
  suggestedNextStage?: string;
}

流程图

sequenceDiagram
    participant Model
    participant DecServer as 决策框架服务器
    participant State as 决策状态
    
    Model->>DecServer: 定义决策问题
    DecServer->>State: 存储问题定义
    DecServer-->>Model: 返回决策状态
    
    Model->>DecServer: 列举选项
    DecServer->>State: 存储可用选项
    DecServer-->>Model: 返回更新的状态
    
    Model->>DecServer: 定义评估标准
    DecServer->>State: 存储标准及其权重
    DecServer-->>Model: 返回更新的状态
    
    Model->>DecServer: 按照标准评估选项
    DecServer->>State: 存储评估结果，计算得分
    DecServer-->>Model: 返回带有得分的更新状态
    
    Model->>DecServer: 添加结果概率
    DecServer->>State: 存储结果，计算预期值
    DecServer-->>Model: 返回带有预期值的更新状态
    
    Model->>DecServer: 生成建议
    DecServer->>State: 存储带有理由的建议
    DecServer-->>Model: 返回最终的决策分析

主要功能

1. 结构化决策制定

服务器强制明确的问题定义：

• 决策陈述：明确的决策框架
• 选项：全面列举的替代方案
• 约束条件：可行选项的明确边界
• 利益相关者：受决策影响的人

2. 多方法决策分析

服务器支持多种决策框架：

• 期望效用：概率×价值计算
• 多标准分析：跨标准加权评分
• 最大化最小化：关注最坏/最好可能结果
• 最小最大后悔：最小化最大潜在后悔
• 满意策略：寻找满足最低阈值的选项

3. 概率与价值分离

服务器保持清晰的区别：

• 概率评估：结果的可能性
• 价值判断：结果的可取性
• 置信水平：估计的确定性

4. 信息价值分析

服务器识别：

• 信息缺口：我们不知道什么
• 研究价值：收集更多信息的价值
• 决策稳健性：假设变化对建议的影响敏感度

5. 可视化表示

服务器可视化决策分析：

• 用于期望效用分析的决策树
• 用于多标准分析的热图
• 显示变化如何影响建议的敏感性图表

使用示例

个人决策支持

对于重大生活决策（职业、教育、搬迁），模型可以结构化选项、标准和不确定性，以提供个性化指导。

商业战略

在评估商业计划时，模型可以在多个标准上分析选项，并明确因素的权重。

风险管理

对于具有显著不确定性的决策，模型可以提供带有置信区间的预期值计算。

政策分析

在评估政策选项时，模型可以系统地考虑不同利益相关者的各种影响。

实现

该服务器使用TypeScript实现，包括：

• 核心DecisionFrameworkServer类
• 决策分析计算引擎
• 不同分析类型的可视化组件
• 敏感性分析工具
• 通过stdin/stdout的标准MCP服务器连接

此服务器增强了模型在复杂决策支持方面的功能，特别是在需要系统比较选项、明确权衡分析和结构化处理不确定性的领域。