Decision Drift

Memory that knows when it may be wrong.

解决的问题

项目和科研中的决定最初可能合理，但支撑它们的前提会变化：团队变大、数据增长、价格下降、证据过期，或新论文改变了判断。

Decision Drift 把重要选择写成“决策契约”，并在新事件到来时回答：哪个前提需要复查？哪些证据已经过期？以前拒绝的方案是否值得重新比较？截至某个历史日期，当时到底知道什么？

核心能力

1. 前提失效检测：把可观测事实绑定到 warning 或 invalidate 规则。
2. 证据保鲜期：支持证据到期提醒，不把旧证据当成永久真理。
3. 反事实重启：当拒绝理由变化时，重新浮出被拒绝的备选方案。
4. 时间安全回放：只使用决定产生后、评审日期前的事件，排除未来信息泄漏。
5. 预测校准：比较预测区间与实际结果，但不对个人能力做总体评分。
6. 可解释输出：生成 Markdown 报告、JSON 审计轨迹和 Mermaid 决策图。

5 分钟试用

python scripts/decision_drift.py validate demo/decision-ledger.json demo/events.json
python scripts/decision_drift.py check demo/decision-ledger.json demo/events.json --output-dir demo/output
python scripts/decision_drift.py calibrate demo/decision-ledger.json --output-dir demo/output

合成 demo 会展示 SQLite 选型、小模型选型和科研指标取舍三种决策漂移场景。

输入与输出

输入可以是架构笔记、实验记录、产品决策或带日期的新观察。私有材料默认留在本地。输出包括决策契约与事件 JSON、带来源和日期的漂移报告、机器可读审计记录、Mermaid 决策图和预测—结果校准报告。

重要边界

• 缺失事实会标记为 UNOBSERVED，不会被当作“仍然成立”。
• 触发规则只表示“值得复查”，不证明原决定错误。
• REPLACED 决定不会自动恢复。
• 不自动改代码、不自动推翻决定、不自动联系第三方。
• 公开 demo 使用合成数据；上传真实材料前请先脱敏。

适合谁

适合软件工程师、研究人员、产品经理和需要维护长期项目上下文的人，尤其适用于架构选型、实验设计、研究方法、产品假设和复盘。

开源与技术

• Python 3.9+，标准库实现，无账号、API key 或网络依赖
• MIT License
• GitHub: https://github.com/dengjihui1/decision-drift

有问题或建议，可联系：[email protected]