我是 Andy，前腾讯/百度 AI 产品专家 → 大模型独角兽 VP → 持续创业者。
过去 18 个月，我用 AI 做了 100+ 个重大决策：
- ✅ 是否 All-in AI Agent 生态？（结果：建立了中文 AI Skill 第一入口，116 stars）
- ✅ 63 个项目如何砍到 15 个？（优先级排序）
- ✅ CEOskill 如何定价？（$0 vs $99 vs $999）
这个工具是我提炼的决策方法论：不是让 AI 给建议，而是让 AI 拆 trade-off、查偏差、推演竞争。
📖 延伸阅读：为什么 CEOskill 只有 15 stars？（以及如何改变）
普通 AI 会说"建议你做市场调研"，CEO Skill 会说"这是 One-Way Door 决策，你有确认偏差，这里有 4 个选项的 trade-off，竞对可能这样反击，董事会里 2 票支持 1 票反对"。
如果你经常面对这些场景，它就是为你设计的：
| 场景 | 典型问题 |
|---|---|
| 🎯 战略决策 | 该不该进新市场？收购还是自建？业务止损还是继续投？ |
| 💰 资源分配 | 5 个项目只能做 2 个，先做哪个？预算投增长还是产品？ |
| 🔥 危机响应 | CTO 要去竞对，2 小时内先做什么？线上事故怎么处理？ |
| 🤝 利益相关者 | 董事会、投资人、管理层怎么对齐？组织调整怎么管政治？ |
| ⚔️ 竞争推演 | 如果我们降价/上新功能，竞对会怎么反应？ |
大部分"CEO 顾问型 AI"的通病：
用户："我们该不该进入日本市场？"
普通 AI：
"进入日本市场是一个重要的战略决策。您需要考虑市场规模、
竞争格局、本地化成本等因素。建议先做市场调研，评估风险，
制定详细计划。如果您需要，我可以帮您列出一些关键问题..."
❌ 会说漂亮话，但不落地
❌ 会列框架，但不会选框架
❌ 会给建议，但不展示 trade-off
❌ 不检查认知偏差（你是不是因为竞对进了所以想进？）
❌ 不预判竞争反应（本地玩家会怎么反击？）
❌ 不处理利益相关者（董事会、投资人、管理层谁支持谁反对？）
用户："我们该不该进入日本市场？"
CEO Skill：
【决策分类】Type 1 (One-Way Door) - 进入成本高，退出代价大
【偏差检查】
- 你是否因为竞对刚进入而产生 FOMO？
- 是否高估了"先发优势"？（日本市场更看重本地化深度）
- 是否低估了监管/文化壁垒？
【4 个选项 + Trade-off】
A. 全资子公司进入（投入 $5M，18 个月回本，风险：本地化失败）
B. 合资/收购本地玩家（投入 $8M，6 个月落地，风险：整合冲突）
C. 先做轻量试点（投入 $500K，验证 PMF，风险：错过窗口期）
D. 不进入（省 $5M+，专注现有市场，风险：竞对建立壁垒）
【竞争推演】
- 本地 Top 3 玩家会如何反应？（价格战/渠道封锁/监管游说）
- 你的竞对进入后 6 个月表现如何？（数据：用户增长 vs 烧钱速度）
【利益相关者】
- 董事会：2 人支持（看好国际化），1 人反对（担心分散资源）
- 投资人：关注 18 个月内 ARR 增长，不关注地域
- 管理层：销售 VP 支持，CFO 中立偏反对
【推荐】
Option C（试点）+ 6 个月决策点。
原因：日本市场 PMF 不确定性高，全押风险大。
Next Step：
1. 找 1-2 个本地 design partner（2 周）
2. 跑 MVP 验证付费意愿（3 个月）
3. 根据数据决定 A/B/D（第 6 个月）
✅ 结构化决策流程
✅ 至少 3 个可比选项 + do nothing
✅ 明确 trade-off
✅ 检查认知偏差
✅ 预判竞争与利益相关者反应
✅ 给 next steps + 决策点
| 能力 | 普通 AI | 商业顾问 Prompt | CEO Skill |
|---|---|---|---|
| 决策分类（one-way / two-way / crisis） | ❌ | ✅ 强制 | |
| 至少 3 个可比选项 + do nothing | ❌ | ✅ 强制 | |
| 明确 trade-off（不只给结论） | ❌ | ✅ | |
| 认知偏差检查（FOMO/沉没成本/锚定） | ❌ | ❌ | ✅ |
| 竞争响应预判（war gaming） | ❌ | ✅ | |
| 利益相关者映射（董事会/投资人/管理层） | ❌ | ✅ | |
| 贝叶斯决策分析（概率更新/敏感性分析） | ❌ | ❌ | ✅ |
| 数据分析辅助（Monte Carlo/ICE/NPV） | ❌ | ❌ | ✅ |
不是"给建议"，而是"拆决策"：
- 决策分类：One-Way Door / Two-Way Door / Crisis / Strategic Bet
- 框架选择：根据场景自动选择最佳框架（Decision Matrix / ICE / Porter's Five Forces / OODA Loop 等）
- 选项生成：强制至少 3 个可比选项 + do nothing
- Trade-off 分析：明确每个选项的代价、风险、资源需求
CEO 决策最大的敌人不是信息不足，而是认知偏差：
- 锚定效应：你是不是被竞对/投资人/顾问的数字锚定了？
- 沉没成本：你是不是因为"已经投了 $X"而不愿止损？
- 确认偏差：你是不是只找支持自己观点的数据？
- FOMO：你是不是因为"别人都在做"而跟风？
- 可得性偏差：你是不是因为最近一个案例而高估概率？
📖 参考：references/cognitive-debiasing.md
不只看自己，还要预判对手：
- 如果我们降价，竞对会跟进还是打差异化？
- 如果我们进入他们的市场，他们会反击还是防守？
- 如果我们收购这家公司，竞对会怎么反应？
高层决策不只是"对不对"，还要考虑"谁支持谁反对"：
- 董事会：谁是盟友？谁是反对者？谁是摇摆票？
- 投资人：他们关注什么指标？容忍度多高？
- 管理层：谁会因为这个决策受益/受损？
- 关键员工：谁可能因此离职？
📖 参考：references/stakeholder-playbook.md
在不确定性下系统化更新信念：
- 先验概率设定：基于行业基准/历史数据建立初始信念
- 证据质量分级：A/B/C/D/E 五级证据评估体系
- 似然比更新：根据新证据系统化调整概率
- 敏感性分析：测试假设变化对结论的影响
- 期望值决策：结合概率与收益做最优选择
适用场景：
- 产品成功率预测（市场进入/新功能上线）
- 投资决策（收购/融资/资源分配）
- 风险评估（技术可行性/竞争威胁）
- 持续更新信念（随新数据动态调整策略）
📖 参考：references/bayesian-decision-analysis.md | scripts/bayesian_calculator.py
不只是定性分析，还有定量支持：
- Monte Carlo 模拟：不确定性下的概率分布
- ICE 评分：Impact / Confidence / Ease 快速排优先级
- NPV / IRR：投资回报分析
- Expected Value：期望值计算
- Scenario Planning：最好/基准/最坏情况
📖 参考：scripts/analysis_tools.py
-
- 背景：2024年1月，手上有10+个SaaS项目，OpenClaw刚开源
- 决策：Barbell Strategy（90% AI Agent + 10% 保险）
- 结果：18个月后，awesome系列116 stars，建立了中文AI Skill生态位
- 完整展示：决策分类 → 偏差检查 → 选项对比 → 竞争推演 → 贝叶斯分析 → 复盘
-
- 问题：产品价值最高，但star最少
- 根因：目标用户不在GitHub + 缺少个人品牌 + 缺少社交证明
- 行动：内容营销 + 真实案例 + 商业化路径
- Meta案例：用CEOskill分析CEOskill本身
- 进入新市场？收购还是自建？业务止损还是继续投？
- 📄 示例：M&A 收购决策（待补充）
- 多个项目争资源，先做哪个？预算怎么分配？
- 📄 示例：5 个项目优先级排序（待补充）
- 核心高管离职、线上事故、PR 危机怎么处理？
- 📄 示例：CTO 离职危机（待补充）
- 董事会、投资人、管理层怎么对齐？组织调整怎么管？
- 📄 示例：待补充
- 如果我们做 X，竞对会怎么反应？
- 📄 示例：待补充
📂 更多示例：examples/
把它当成你的 CEO 幕僚：
"我们该不该进入日本市场？"
"5 个项目只能做 2 个，怎么排优先级？"
"CTO 要去竞对，我现在 2 小时内先做什么？"
"如果我们降价 20%，竞对会怎么反应？"
不是泛泛建议，而是：
- 决策分类 - 这是什么类型的决策？为什么重要？
- 偏差检查 - 你的思考有哪些盲点？
- 选项对比 - 至少 3 个选项 + do nothing，每个的 trade-off 是什么？
- 竞争/利益相关者分析 - 别人会怎么反应？
- 推荐 + Next Steps - 建议做什么？下一步是什么？
# OpenClaw
openclaw skill install https://github.com/AIPMAndy/ceo-skill
# Claude Code / Cursor
# 将 SKILL.md 添加到项目上下文📖 参考：RUNTIME.md
核心原则：
- 文本能力就能跑基本版
- 有 web search 会更强
- 有 Python / code execution 时，定量分析价值明显上升
CEO / 创始人 / 高管每天都在做高风险决策，但：
- 顾问太贵（$500-2000/小时）
- 内部团队有利益冲突
- 普通 AI 太泛泛
不是"感觉更好"，而是：
- 决策质量提升（有结构 vs 无结构）
- 时间节省（2 小时 → 30 分钟）
- 盲点减少（偏差检查 + 竞争推演）
- 一句话定位："让 AI 像顶级 CEO 幕僚一样拆解决策"
- 对比表格：CEO Skill vs 普通 AI 一目了然
- 真实案例：M&A / 危机 / 优先级排序
- 开源免费：MIT License，任何人可用
- 欢迎补充真实案例
- 欢迎贡献新的决策框架
- 欢迎适配更多 Agent Runtime
.
├── SKILL.md # 主 skill 定义（核心）
├── references/
│ ├── frameworks.md # 决策框架库
│ ├── bayesian-decision-analysis.md # 贝叶斯决策分析
│ ├── cognitive-debiasing.md # 认知偏差检查
│ ├── stakeholder-playbook.md # 利益相关者管理
│ └── war-gaming.md # 竞争推演
├── scripts/
│ ├── analysis_tools.py # 数据分析工具
│ └── bayesian_calculator.py # 贝叶斯计算器
├── examples/ # 真实案例
│ ├── mna-acquisition-decision.md
│ ├── cto-departure-crisis.md
│ └── prioritization-five-initiatives.md
└── evals/evals.json # 评测用例
- 主 skill 定义
- 决策框架参考库
- 认知偏差检查
- 利益相关者管理
- 竞争推演
- 数据分析工具
- 贝叶斯决策分析框架
- 增加 10+ 真实案例（M&A / 裁员 / 融资 / 组织重组）
- 增加 benchmark / eval 结果展示
- 增加视频演示
- 增加更多 Agent Runtime 适配
欢迎补充：
- 真实决策案例（匿名化）
- 新的决策框架
- 更强的 eval case
- 不同 Agent Runtime 的适配
📖 请先阅读：CONTRIBUTING.md
MIT License.
- 给仓库一个 ⭐ Star
- 提一个真实决策案例或 PR
- 分享给需要的人
让 AI 决策辅助从"个人项目"变成"可复用的决策工具"。
Made with 🧠 by Andy