决策日志 / Decision Journal

用结构化记录对抗认知偏差，让时间做裁判。

A single-file decision journal that helps you fight cognitive biases through structured recording, historical mirroring, and calibration tracking. Zero backend, zero tracking, fully offline.

---

为什么需要这个工具？

"读史明智"说起来容易，做起来难——因为阅读只写入了语义记忆，没有写入躯体标记。你"知道"别人踩过的坑，但你的决策系统在关键时刻根本不会调用这条信息。

这个工具的设计目标不是"帮你记日记"，而是通过结构化的模板，强制你在决策时刻完成几个反直觉的认知动作：先想怎么死，再写预期；先看历史镜像，再确认立场；最后用时间来校准你的判断力。

核心流程

每条决策记录分三个阶段，对应三种颜色：

🟡 决策时刻（金色）

记录情境、选项、选择理由。在写下预期结果之前，先填写「致命盲区」——强制预尸检。然后记录确信度和情绪状态。

🟣 决策偏移（紫色）

一键复制日志 + Prompt，粘贴到 AI 对话获取历史镜像分析。看完后回来填写：你的立场是否改变（坚持/微调/推翻）？确信度和情绪发生了什么偏移？

🟢 回顾区（绿色）

数月后揭晓结果时填写。系统自动回显你当初的预期和致命盲区作为对照锚点。记录实际结果、预判准确度、结果归因（逻辑验证/执行变形/意外变量）。

功能特性

• 认知校准面板 — 积累数据后自动展示：确信度×准确度、情绪×准确度的可视化分析。标记为「意外变量」的记录自动从判断力校准中排除，避免因运气差导致过度保守。
• 过度自信预警 — 如果你在高确信状态下的翻车率超过 40%，系统会弹出红色警告。
• 到期提醒 — 未设定揭晓日期的记录 90 天后自动出现在首页提醒区；设定了日期的按日期提醒。
• 高确信翻车高亮 — 时间线上用红色边框标记高确信但结果偏离的记录（排除意外变量）。
• 批量分析导出 — 多选若干条记录，一键生成包含分析 Prompt 的 JSON，交给 AI 分析你的决策气质。
• 数据全本地 — localStorage 存储 + JSON 文件导入/导出备份。零服务器，零追踪。
• 单文件部署 — 一个 HTML 文件，浏览器打开即用。

快速开始

方式一：直接使用

1. 下载 decision-journal.html
2. 用浏览器（推荐 Chrome/Edge）打开
3. 开始记录

方式二：在 Claude Artifact 中使用

1. 将 decision-journal.jsx 的内容粘贴到 Claude 对话中作为 artifact
2. 数据将使用 window.storage 持久化存储，跨会话保留

数据与隐私

• 所有数据存储在浏览器本地 localStorage，键名：decision-journal-entries
• 没有任何网络请求、没有后端、没有分析追踪
• 定期使用「全量备份」按钮导出 JSON 文件到本地硬盘
• 导入支持增量去重合并，不会覆盖已有记录

批量分析

选择若干条记录导出的 JSON 包含一段预设 Prompt，引导 AI 分析：

• 校准能力 — 确信度与最终准确度的对应关系
• 镜像敏感度 — 两轮确信度和情绪的变化幅度，是否容易动摇
• 气质画像 — 过度自信型还是过度犹豫型，有没有特定的"危险组合"
• 具体建议 — 基于数据模式的个性化决策改进方向

设计哲学

这个工具基于几个决策科学的核心洞察：

1. 预尸检必须自己写 — 致命盲区不能外包给 AI。体感来自于咬牙想出答案的过程。AI 的角色是在你写完之后补充你的盲区。
2. 先想怎么死，再写预期 — 致命盲区放在预期结果之前，迫使你在乐观预测之前先经历一次心理上的"死亡体验"。
3. 区分判断力和运气 — 结果归因机制（逻辑验证/执行变形/意外变量）防止你因为纯运气的失败而校准出过度保守的决策风格。
4. 两轮确信度捕捉偏移 — 决策时刻的确信度和看完历史镜像后的确信度之差，是衡量你认知弹性的关键指标。

技术栈

• React 18（CDN）
• Babel standalone（浏览器端 JSX 编译）
• 零构建工具、零依赖安装
• 单文件，约 550 行

Contributing

欢迎提 Issue 和 PR。如果你有好的改进想法，尤其是：

• 新的校准维度或可视化方式
• 更好的 Prompt 模板
• 移动端适配优化
• i18n 多语言支持

License

MIT