第十四篇　Decision 决策

第50章　Decision

在 ICAI 的认知运行链中，Reasoning 负责形成结论，Decision 负责在可选方案之间进行选择。

因此，Decision 不是简单的“判断”，也不是直接执行 Action。

基本关系：

Information
    ↓
Perception
    ↓
Cognition
    ↓
Understanding
    ↓
Memory
    ↓
Reasoning
    ↓
Conclusion
    ↓
Decision
    ↓
Action
    ↓
Experience

其中：

Reasoning = 得出什么结论？
Decision  = 选择做什么？
Action    = 实际执行什么？

1. Decision 定义

1.1 Decision 是什么

Decision 是 ICAI 根据当前目标、推理结论、候选方案、条件、风险、优先级以及历史经验，对多个可行选择进行评估并确定一个选择结果的过程。

基本模型：

Candidate
+
Condition
+
Risk
+
Priority
+
Conclusion
+
Experience
↓
Decision
↓
Choice

Decision 的核心不是产生新的信息，而是：

在当前条件下，从可行候选方案中确定下一步应该选择的方案。

1.2 Decision 的基本结构

可以定义：

Decision
{
    id
    goal
    context
    conclusion
    candidates
    conditions
    risks
    priorities
    choice
    result
    state
    created_at
    updated_at
}

例如：

Decision
{
    id: 1001,
    goal: "select_delivery_service",
    conclusion: "multiple_services_available",
    candidates: [
        "Service_A",
        "Service_B"
    ],
    choice: "Service_A",
    state: "CONFIRMED"
}

1.3 Decision 的核心问题

Reasoning 主要解决：

事实是什么？
条件是否成立？
规则产生什么结论？

Decision 进一步解决：

有哪些选择？
哪些选择可行？
哪个风险更低？
哪个优先级更高？
当前应该选择哪个？

因此：

Reasoning → Conclusion
Decision  → Choice

2. 推理与决策

Reasoning 和 Decision 是连续但不同的两个阶段。

2.1 Reasoning

Reasoning 根据已有认知资源形成结论：

Fact
+
Relation
+
Rule
+
Condition
↓
Reasoning
↓
Conclusion

例如：

Battery_A.level = 20

规则：

IF Battery.level < 30
THEN Battery.state = low

推理结果：

Conclusion:
Battery_A.state = low

2.2 Decision

Decision 获得这个结论以后，继续判断：

Battery_A.state = low

存在候选行为：

Candidate_A = charge
Candidate_B = continue
Candidate_C = shutdown

Decision 需要计算：

Condition
Risk
Priority

然后形成：

Choice = charge

2.3 三者关系

必须区分：

Conclusion ≠ Choice ≠ Action

完整关系：

Reasoning
    ↓
Conclusion
    ↓
Decision
    ↓
Choice
    ↓
Action

例如：

Conclusion:
Battery low

Choice:
Charge device

Action:
Execute charging operation

3. Candidate

3.1 Candidate 定义

Candidate 是 Decision 阶段可以被考虑的候选方案。

例如：

Candidate_A
Candidate_B
Candidate_C

候选方案可以是：

一个动作
一个对象
一个服务
一个路径
一个方法
一个处理方案
一个规则结果
一个下一步行为

3.2 Candidate 结构

可以定义：

Candidate
{
    id
    name
    type
    action
    condition
    risk
    priority
    score
    state
}

例如：

Candidate
{
    id: 101,
    name: "Charge",
    type: "action",
    action: "start_charge",
    risk: 0.10,
    priority: 80,
    state: "AVAILABLE"
}

3.3 Candidate 来源

Candidate 不一定由 Decision 自己产生。

它可以来自：

Rule
Experience
Memory
Current Context
Capability
Available Methods

例如：

Memory
   ↓
历史成功经验
   ↓
Candidate_A

Rule
   ↓
允许的行为
   ↓
Candidate_B

Capability
   ↓
当前可执行方法
   ↓
Candidate_C

3.4 Candidate 筛选

不是所有候选方案都可以进入最终选择。

基本流程：

All Candidates
      ↓
Condition Check
      ↓
Capability Check
      ↓
Risk Check
      ↓
Priority Evaluation
      ↓
Available Candidates

例如：

Candidate_A = available
Candidate_B = unavailable
Candidate_C = available

那么：

Candidate_B
→ REJECTED

剩余：

Candidate_A
Candidate_C

进入下一阶段。

4. Condition

Decision 中的 Condition 用于判断候选方案是否满足当前执行条件。

例如：

Candidate:
start_charge

要求：

IF charger.available = true

当前：

charger.available = true

则：

Condition = TRUE

Candidate 可以继续评估。

4.1 Decision Condition 与 Rule Condition

两者相关，但用途不同。

Rule Condition
    ↓
判断 Rule 是否成立

Decision Condition
    ↓
判断 Candidate 是否可选择

例如：

Rule:
IF battery.level < 30
THEN battery.state = low

这是 Rule Condition。

而：

Candidate:
charge

Condition:
charger.available = true

这是 Decision Condition。

4.2 Condition 状态

Decision Condition 同样可以具有：

TRUE
FALSE
UNKNOWN
CONFLICT

例如：

charger.available = UNKNOWN

则：

Candidate = UNKNOWN

系统不能把未知条件直接视为可以执行。

4.3 多条件

例如：

IF
    charger.available = true
AND
    device.state = active
AND
    battery.level < 30

只有：

TRUE
AND
TRUE
AND
TRUE

最终为：

TRUE

Candidate 才可以进入选择阶段。

5. Risk

5.1 Risk 定义

Risk 表示一个 Candidate 在当前条件下可能产生的不利结果或不确定性程度。

Decision 不应该只考虑：

“能不能做？”

还需要考虑：

“做了以后可能产生什么风险？”

5.2 Risk 结构

可以定义：

Risk
{
    candidate_id
    type
    level
    probability
    impact
    state
}

例如：

Risk
{
    candidate_id: 101,
    type: "device_damage",
    level: 0.20,
    probability: 0.10,
    impact: 0.80,
    state: "KNOWN"
}

5.3 Risk 与 Condition

Condition 判断：

是否满足条件？

Risk 判断：

即使满足条件，是否存在风险？

例如：

charger.available = true

所以：

Condition = TRUE

但是：

charger.temperature = 85

可能导致：

Risk = HIGH

因此：

Condition TRUE
≠
Candidate 一定应该被选择

5.4 Risk 计算

可以使用离散计算模型：

RiskScore = Probability × Impact

例如：

Probability = 0.2
Impact = 0.8

得到：

RiskScore = 0.2 × 0.8
          = 0.16

这里的数值只是 DecisionEngine 的计算参数，不涉及神经网络训练。

6. Priority

Candidate 之间可能存在优先级差异。

例如：

Candidate_A priority = 80
Candidate_B priority = 50
Candidate_C priority = 30

在其他条件相近的情况下：

Candidate_A
>
Candidate_B
>
Candidate_C

6.1 Priority 来源

Priority 可以来自：

Rule Priority
Task Priority
Goal Priority
Candidate Priority
User-defined Priority
Experience-based Priority

例如：

紧急任务 = 100
普通任务 = 50
低优先任务 = 20

6.2 Priority 不是最终选择

必须注意：

Priority ≠ Choice

例如：

Candidate_A priority = 100
Risk = HIGH

而：

Candidate_B priority = 80
Risk = LOW

不能简单地因为：

100 > 80

就直接选择 A。

Decision 必须综合：

Condition
Risk
Priority
Capability
Conclusion

7. Choice

7.1 Choice 定义

Choice 是 Decision 对 Candidate 进行综合评估后形成的最终选择。

基本流程：

Candidates
    ↓
Condition
    ↓
Risk
    ↓
Priority
    ↓
Evaluation
    ↓
Choice

例如：

Candidate_A
Candidate_B
Candidate_C

经过评估：

Candidate_A = 0.72
Candidate_B = 0.86
Candidate_C = 0.41

最终：

Choice = Candidate_B

7.2 Choice 的计算

可以定义一个离散评分模型：

ChoiceScore =
    ConditionScore × ConditionWeight
    +
    PriorityScore × PriorityWeight
    +
    SafetyScore × SafetyWeight
    +
    ExperienceScore × ExperienceWeight

其中风险可以转换为安全分数：

SafetyScore = 1 - RiskScore

例如：

ConditionScore = 1.00
PriorityScore  = 0.80
SafetyScore    = 0.90
ExperienceScore = 0.70

权重：

ConditionWeight  = 0.35
PriorityWeight   = 0.20
SafetyWeight     = 0.30
ExperienceWeight = 0.15

那么：

ChoiceScore
=
1.00 × 0.35
+
0.80 × 0.20
+
0.90 × 0.30
+
0.70 × 0.15

= 0.35
+ 0.16
+ 0.27
+ 0.105

= 0.885

得到：

CandidateScore = 0.885

这些权重属于 ICAI 的明确计算参数，可以人工设定，也可以根据经验进行离散调整；它们不是模型训练参数。

7.3 Choice 的状态

Choice 可以具有：

SELECTED
REJECTED
UNCERTAIN
CONFLICT
NO_CHOICE

例如：

所有 Candidate 都不满足条件

结果：

NO_CHOICE

而不是强行选择一个方案。

8. Decision Result

8.1 Decision Result 定义

Decision Result 是 Decision 完成之后产生的结构化结果。

例如：

DecisionResult
{
    decision_id
    goal
    candidates
    selected
    rejected
    reason
    risk
    score
    state
}

8.2 成功决策

例如：

Selected:
Candidate_A

结果：

DecisionResult
{
    selected: "Candidate_A",
    state: "CONFIRMED"
}

8.3 无法决策

如果：

Candidate_A = UNKNOWN
Candidate_B = UNKNOWN

那么：

DecisionResult
{
    selected: null,
    state: "NO_CHOICE"
}

ICAI 不应该为了“必须有答案”而随意选择。

8.4 决策冲突

例如：

Candidate_A
priority = 80
risk = 0.70

Candidate_B
priority = 80
risk = 0.70

如果二者其他条件完全相同：

Candidate_A
vs
Candidate_B

无法确定选择。

结果可以是：

DecisionResult
{
    selected: null,
    state: "CONFLICT"
}

然后交给更高层的 Decision 或其他认知机制继续处理。

9. Decision 生命周期

Decision 不是一次简单的计算，它具有生命周期。

9.1 创建

收到推理结论：

Conclusion
↓
Create Decision

例如：

Goal:
select next action

状态：

NEW

9.2 候选生成

NEW
 ↓
Candidate Generation
 ↓
CANDIDATES_READY

形成：

Candidate_A
Candidate_B
Candidate_C

9.3 条件检查

CANDIDATES_READY
 ↓
Condition Check
 ↓
EVALUATING

检查：

Condition
Capability
Environment
State

9.4 风险评估

EVALUATING
 ↓
Risk Evaluation

得到：

RiskScore

9.5 优先级计算

Risk Evaluation
 ↓
Priority Evaluation

确定 Candidate 的排序与选择条件。

9.6 选择

Evaluation
 ↓
Choice

可能得到：

SELECTED

也可能得到：

NO_CHOICE

或者：

CONFLICT

9.7 决策完成

如果成功：

SELECTED
 ↓
DECIDED

DecisionResult：

DecisionResult
{
    selected: Candidate_A,
    state: "CONFIRMED"
}

9.8 执行与反馈

Decision 完成后才进入 Action：

Decision
 ↓
Choice
 ↓
Action
 ↓
Result
 ↓
Feedback
 ↓
Experience
 ↓
Memory

这一步非常重要，因为 Decision 本身不等于 Action。

Decision 生命周期完整模型

NEW
 ↓
CANDIDATES_READY
 ↓
EVALUATING
 ↓
RISK_CHECK
 ↓
PRIORITY_CHECK
 ↓
SELECTING
 ↓
DECIDED
 ↓
ACTION
 ↓
FEEDBACK
 ↓
EXPERIENCE

异常情况：

EVALUATING
    ├──→ CONFLICT
    ├──→ NO_CHOICE
    └──→ UNKNOWN

Decision 核心模型

第50章可以把 Decision 抽象为：

Conclusion
     ↓
Decision Goal
     ↓
Candidate
     ↓
Condition
     ↓
Risk
     ↓
Priority
     ↓
Evaluation
     ↓
Choice
     ↓
Decision Result
     ↓
Action

核心计算关系：

Candidate
+
Condition
+
Risk
+
Priority
+
Experience
+
Goal
↓
Decision
↓
Choice

最终形成 ICAI 的完整认知运行链：

Information
 ↓
Perception
 ↓
Elements
 ↓
Objects
 ↓
Relations
 ↓
Understanding
 ↓
Memory
 ↓
Reasoning
 ↓
Conclusion
 ↓
Decision
 ↓
Choice
 ↓
Action
 ↓
Result
 ↓
Experience
 ↓
Learning
 ↓
Memory Update

本章核心定义

Decision 是 ICAI 在获得 Reasoning 的 Conclusion 后，根据当前目标，从多个 Candidate 中结合 Condition、Risk、Priority、Experience 等因素进行评估并形成 Choice 的决策机制。

因此：

Reasoning = 得出结论
Decision  = 选择方案
Action    = 执行选择
Experience = 记录结果
Learning  = 从结果中获得知识

这五个过程共同形成：

Conclusion
    ↓
Choice
    ↓
Action
    ↓
Experience
    ↓
Learning

也为下一阶段 DecisionEngine 的具体运行机制建立基础。

第50章 Decision

第十四篇 Decision 决策

第50章 Decision

1. Decision 定义

1.1 Decision 是什么

1.2 Decision 的基本结构

1.3 Decision 的核心问题

2. 推理与决策

2.1 Reasoning

2.2 Decision

2.3 三者关系

3. Candidate

3.1 Candidate 定义

3.2 Candidate 结构

3.3 Candidate 来源

3.4 Candidate 筛选

4. Condition

4.1 Decision Condition 与 Rule Condition

4.2 Condition 状态

4.3 多条件

5. Risk

5.1 Risk 定义

5.2 Risk 结构

5.3 Risk 与 Condition

5.4 Risk 计算

6. Priority

6.1 Priority 来源

6.2 Priority 不是最终选择

7. Choice

7.1 Choice 定义

7.2 Choice 的计算

7.3 Choice 的状态

8. Decision Result

8.1 Decision Result 定义

8.2 成功决策

8.3 无法决策

8.4 决策冲突

9. Decision 生命周期

9.1 创建

9.2 候选生成

9.3 条件检查

9.4 风险评估

9.5 优先级计算

9.6 选择

9.7 决策完成

9.8 执行与反馈

Decision 生命周期完整模型

Decision 核心模型

本章核心定义