[PPT] DeepWrite AI决策模型——建立你自己的决策工具

访问DeepWrite

排版设置

在这里统一调整字体、字号、目录停靠位置和正文显示方式，不挤占右上角工具条。

字体

字号

目录层级

目录停靠位置

决定目录固定在左侧还是右侧，方便按手势习惯或演示场景调整。

正文显示方式

决定正文是否保留独立阅读卡片背景；关闭后正文会更贴近整页背景。

中文长文先试中文经典；英文长文先试 English Essay。目录默认显示到 H2，可按需要扩到 H4；目录位置和正文显示方式也可以在这里统一调整。

朗读菜单

直接在 HTML 页面内朗读，下载文件和独立分享页都可使用。这里只保留最少功能。

当前状态：未开始

语音

语速 0.82x

高亮级别

浏览器支持时会记住上次朗读位置。

全屏专注式阅读说明

这页优先保留鼠标与触摸操作，让阅读、选词、点击链接和查看目录互不打扰。

单击正文空白区：同时显示或隐藏主题区和目录。
开始滚动正文：自动进入专注态，减少阅读时的视觉干扰。
双击正文空白区：进入或退出全屏专注式阅读状态。
全屏专注时，按 Esc 或点击“退出全屏专注”：退出全屏。

DeepWrite AI 决策模型

副标题：通过对话，建立你自己的决策工具日期：2026年6月

{# 封面。"建立你自己的决策工具"——强调用户是创建者，不是被动使用者。 }

{@你有没有过这样的经历。

你要做一个重要决定——选哪个offer、买哪辆车、报考哪个学校。你打开AI聊天工具，描述情况，AI帮你分析。分析完了，你觉得挺有道理。但你也说不上来它为什么推荐这个而不是那个——评分过程藏在文字里。

更关键的是，下次你再做类似决策，又得从头说一遍。上次那个分析框架——你觉得它还挺好用的——没法复用。

今天我们要讲的，就是怎么让你自己建立一个决策模型。它是你自己的分析框架，你定义维度、你分配权重、你用它在不同的决策案例上得到可对比的结果。 }

AI可以帮你做决策，但有一件事它做不了

AI能帮你分析信息、比较选项、给出建议。

但它没办法知道——对你来说，薪资和成长空间哪个更重要？通勤和团队氛围你怎么取舍？

你的优先级，只有你知道。 而"优先级"，恰好是决策中最关键的东西。

大多数AI决策对话的做法是：你描述完情况，AI帮你综合判断。但"综合"的标准是什么？它是从你的描述里猜的。猜得对不对，你不知道。

{# 问题导入。从"AI不知道你的优先级"切入。}

{@AI做决策分析时，最不确定的东西就是你的价值观。

它可以说"方案A的薪资更高，方案B的成长空间更好"。但它不能说"对你来说，成长空间比薪资更重要"——因为这不是信息分析，这是价值判断。只有你能做。

所以，一个真正有用的决策工具，不应该替你判断——应该让你自己设定判断的标准。什么维度重要、权重多少、怎么打分。框架是你的，AI只是在框架里帮你执行分析。 }

DeepWrite决策模型：把"你怎么判断"变成一套可运行的系统

你不用学编程。你只需要跟AI说：我想做一个什么样的决策模型。

AI通过对话帮你梳理：应该看哪些维度、每个维度占多少权重、信息分几步收集、报告包含哪些内容。

聊完了，一个完整的决策模型就建好了。你可以马上用它来做决策——输入信息，看评分矩阵，拿结构化报告。

建模，就是一场AI对话。 用模，就是一场AI引导的决策流程。

{# 一句话定义。"建模是对话，用模是流程"——两个动作都是AI在驱动。}

{@DeepWrite的决策模型系统，跟传统的决策工具不一样。

传统决策工具，你要么用别人预设的模板——它的维度不一定是你关心的。你要么自己从头搭——门槛很高。

DeepWrite的做法是：你跟AI说你要做什么决策，AI通过几轮对话把你说清楚——你要比什么、怎么比、结果怎么看。聊完，一个完整的、可运行的决策模型就在系统里了。你自己检验过每一个维度、每一个权重，所以它是真正"你的"框架。

模型建好了之后，你随时可以用它。每次用同一套标准，结果可以对比。 }

一个模型是怎么建立起来的——以"工作选择"为例

你跟AI说："我想建一个帮人比较工作offer的决策模型。"

第一轮对话。 AI问你：这个模型的目标用户是谁？要比较哪些方面？你说：主要是职场人换工作的时候用。要比薪资福利、成长空间、工作内容的匹配度、团队氛围和公司稳定性。

第二轮。 AI问：这些维度的重要性怎么排序？如果让你把100分分给这几个维度，大概怎么分？你说：薪资30分，成长25分，工作内容20分，团队氛围15分，稳定性10分。因为换工作主要看钱和前途，其他的也重要但不是核心。

第三轮。 AI问：信息采集的流程怎么设计？先问什么后问什么？你说：先让用户输入基本信息——目标岗位、城市、薪资预期。再输入具体的候选选项。然后逐项对比。

第四轮。 AI生成了一份完整的模型定义，展示给你看。摘要、维度表、权重、步骤、报告格式。你检查一遍，确认。发布。

从零开始，四轮对话，一个可运行的决策模型就上线了。

{# 建模流程展示——四轮对话的叙事。}

{@我们走一个真实的建模过程。

你想建一个"工作选择"的决策模型。你不需要写任何代码，甚至不需要写提示词。你就像一个产品经理在跟开发人员开会——你说需求，AI帮你细化、结构化。

第一轮，AI要你明确范围和维度。你说五个维度，它确认了。第二轮，AI要你分配权重——这是最关键的一步，因为它决定了模型的核心判断逻辑。薪资占30%，成长25%，工作内容20%，氛围15%，稳定性10%——这是你的价值观，不是AI的。

第三轮，AI要你设计流程。你说先收集信息再对比。第四轮，AI把所有东西变成一个完整的模型配置。你检阅、发布。一个属于你自己的决策工具就做好了。 }

建好了，怎么用——以一次真实的决策为例

你打开了刚建好的"工作选择决策顾问"。

第一步：信息采集。 系统问你：目标岗位是什么？你回答"产品经理"。问你：目标城市？"上海"。问你：期望薪资？"25K以上"。问你：有哪些候选选项？"A公司——某大厂产品经理岗，B公司——某创业公司高级产品经理"。

这些信息不是逐条填表——你在对话中自然说出来，系统自动从你的语言中提取结构化信息。

第二步：对比分析。 系统进入分析模式。AI按照你设定的五个维度——薪资福利、成长发展、工作匹配、工作环境、稳定性风险——逐项分析两个选项。在薪资福利维度下：A公司基本薪资28K+股票，B公司22K+期权。在成长发展维度下：A公司体系成熟但晋升慢，B公司空间大但不确定。

每一项都有具体的分析，不是一个笼统的分数。

第三步：生成报告。 AI输出结构化报告：

综合判断：如果优先追求稳定和高薪，选A；如果优先追求成长和影响力，选B。
评分矩阵：一张表格，5个维度×2个选项，每个格子有分数和简评。
加权总分：A方案7.2分（满分为10），B方案6.8分。但注意——A在薪资和稳定上拉高了总分，B在成长和匹配上更高。
风险提示：A的晋升天花板明显，B的期权价值不确定。

你看得见全部分析过程。你最终选了B——不是因为AI说选B（它没这么说），而是你看了评分矩阵之后，确认"成长空间"对你的优先级确实比"稳定性"高。你做了自己的判断。

一份报告，包含完整评分矩阵、分析依据和风险评估。可以导出PDF，作为正式决策档案。

{# 使用流程展示——三步使用一个模型。}

{@模型建好了，我们实际用一次。

你打开"工作选择决策顾问"。系统按照你设计的三步流程引导你。第一步，你用自然语言回答问题——目标岗位产品经理、城市上海、薪资预期25K以上、两个候选——AI自动提取这些信息，结构化存储。

第二步，AI按照你定的五个维度和各自权重，逐项分析。注意它不是在写一篇作文——它在按维度打分。薪资维度A公司28K+股票得8分，B公司22K+期权得6分。成长维度反过来，B公司空间大得8分，A公司体系成熟但晋升慢得6分。每一个分数后面都有分析依据。

第三步，生成报告。报告里有一张评分矩阵——你能看到每个选项在每个维度上的分数、加权后的总分、以及为什么得出这个分数。报告不是AI的一句话结论，是你的判断框架下的结构化分析。

你可以导出PDF，存档。 }

模型建好了，可以一直用

你今天比的这两个offer，用"工作选择决策顾问"。下个月你又收到两个offer，还是用这个模型。

同一个模型，不同的输入，可对比的结果。

更重要的是——当你用了这个模型五六次之后，你会开始反思：我当初设的权重对不对？"工作内容匹配"是不是应该从20%提高到25%？"通勤时间"是不是也应该加进去？

你不需要重建——打开AI建模对话，说"帮我把工作内容匹配的权重调到25%，新增一个通勤便利的维度占5%，从其他维度各匀一点出来"。AI帮你更新模型，发布，新版替旧版。

模型是活的。你的判断力在成长，模型也跟着成长。

{# 模型的可复用和可迭代。}

{@好的决策模型不是一次性的。

你今天为"比两个offer"建的这个模型，下个月、下半年你都可以继续用。同样的维度、同样的权重、同样的报告格式。这意味着你可以把不同时间点的决策放在同一把尺子下比较——你会看到自己决策标准的变化，也会发现当初的维度设计是不是合理。

而且模型可以迭代。你用了五次之后，发现"工作内容匹配"这个维度的权重应该调到25%而不是20%。你跟AI说一声，模型更新，下一版发布。旧的历史案例报告还保留着，新案例用新模型。

你用得越久，模型越贴合你的真实判断逻辑。 }

不只是预置模型——你自己可以建任何模型

DeepWrite决策模型目前预置了两个：工作选择、研究生院校选择。

但真正的力量不在于这两个预置模型——在于你可以自己建。

想比较两个供应商？建一个"供应商评估模型"。
想评估团队的两个技术方案？建一个"技术选型评估模型"。
想帮学生比较留学的学校？建一个"留学选校评估模型"。
想评估自己的投资标的？建一个"投资评估模型"。

任何需要"多维度、有权重、可对比"的决策场景，都可以通过AI对话变成一个可运行的决策模型。

你的模型好不好，取决于你对这个领域的理解有多深。领域专家建的模型，维度更精准、权重更合理、评估要点更内行。这正是这个工具最有吸引力的地方——它不是让你依赖AI的判断力，是让你把自己的专业判断力做成一个工具。

{# 拓展性——不只是预置模型。}

{@目前系统预置了两个模型。但这不是重点。

重点是你可以自己建任何模型。供应商评估、技术选型、留学选校、投资评估——任何"多个选项需要按多维度比较"的场景，五分钟的AI对话就能变成一个可运行的决策模型。

而且模型好不好，完全看你对这个领域的理解。如果你是一个供应链专家，你建的"供应商评估模型"就会比通用模板精准得多——因为你设的维度是行业内真正重要的维度，你给的权重是实践出来的真实优先级。

AI决策模型做的事，不是让你依赖AI的判断力。是帮你的专业判断力，变成一套可以重复使用的系统。 }

决策模型 vs 普通AI决策对话——不是"更详细"，是"不同类"

维度	普通AI决策对话	DeepWrite决策模型
框架来源	AI临时构建	你定义，模型固化
评分	藏在文字里	评分矩阵，每个维度有分数和依据
权重	AI自己判断	你设定的真实优先级
复用	每次重新来	同一模型，不同案例，结果可对比
产出	一段文字建议	结构化报告 + 评分表 + PDF导出
档案价值	聊天记录	正式决策档案，可追溯、可复盘
可迭代性	无	通过AI对话修改模型

不是"更详细的分析"。 是从"AI帮你判断"变成了"你在自己的框架里，AI帮你执行"。

{# 价值收束——七维对比表。}

{@ 把两种决策方式放在一张表里对比。

你会发现，区别不在于"详细程度"。普通AI对话同样可以给出很详细的分析。区别在于三件事。

第一，谁在定义标准。普通对话是AI在定义"怎么判断"——它自己决定看什么维度、怎么综合。决策模型是你在定义——你设维度、你给权重、你定流程。

第二，评分可见不可见。普通对话的评分过程是隐式的。决策模型的评分过程是显式的——一张评分矩阵，每个格子有分数、有依据。

第三，能不能复用。普通对话每次是新的。决策模型可以一直用，同一套标准下的多次决策可以横向对比。 }

决策模型在回答一个什么问题

大多数AI决策工具在回答： "根据你给的信息，我建议你选什么。"

DeepWrite决策模型在回答： "根据你的判断标准，我们把每个选项都量了一遍—— 这是评分矩阵。你自己看。"

它不替你判断。它帮你看清自己该怎么判断。

{# 总结。核心区别一句话。}

{@最终，决策模型和其他AI决策工具的区别，可以归结为一句话。

大多数AI工具试图替你下判断："根据分析，我建议选B。" 决策模型做的事是："按照你自己定的标准，我已经帮你把所有选项在每个维度上都量了一遍。这是评分结果。现在你自己看。"

它不是减少你动脑。是把你动脑的过程变得更加可见、可追溯、可复用。

你建的模型，是你的判断力。AI的工作是帮你在你的模型里跑完分析。 }