kylecui/petfish.ai/option-comparison-matrix

作用/Purpose

将候选方案比较过程从主观讨论转为证据化矩阵评估，沉淀可复审依据。该skill必须覆盖： 1) 方案-标准逐项评分； 2) 评分证据挂接与缺口标注； 3) 综合排名与敏感性观察。

输出应支持推荐决策与审计复盘，而不是口头结论。

触发场景/Trigger Scenarios

• 已有criteria.md，需要对多个选项进行统一比较
• 需要把“主观看法”转换成“证据+分数”
• 需要识别方案短板与补救空间
• 需要形成可共享的决策对比底稿
• 需要为decision-recommendation提供输入

输入/Input

• criteria.md
• option set（候选方案列表与基本信息）
• evidence inputs（测试结果、文档、案例、成本数据）
• 可选：权重敏感性假设、场景化约束

输出/Output

• comparison-matrix.md

工作流/Workflow

1. 读取criteria.md，锁定评分规则、权重与淘汰条件。
2. 整理候选方案信息，统一口径并补齐基础数据字段。
3. 对每个方案逐条标准评分，并绑定证据来源链接。
4. 检查deal-breaker触发情况，标注淘汰或条件通过状态。
5. 计算加权结果并输出排名，同时记录未覆盖证据缺口。
6. 进行简要敏感性检查，观察关键权重变化下排名稳定性。
7. 输出comparison-matrix.md并交接到decision-recommendation。

质量门禁/Quality Gates

• 每个评分项必须附证据或明确“证据缺失”标记。
• 评分计算过程必须可复算，不得出现黑箱步骤。
• deal-breaker判定必须先于总分排名执行。
• 至少识别1项关键数据缺口及其影响范围。
• 比较结果必须区分“事实评分”与“主观判断”。
• 输出必须能直接被推荐报告引用。

Gotchas/注意事项

• 不要把估计值当成已验证事实，必须标注置信度。
• 不要在不同方案间使用不一致数据口径。
• 不要忽略证据缺失对排名可信度的影响。
• 不要把加权总分当成唯一结论，需保留条件说明。
• 不要跳过淘汰规则，防止不合格方案进入推荐。

关联资源

• decision-criteria-builder
• decision-recommendation
• research-evidence-ledger
• research-citation-auditor