用 AI 做「决策树」—— 复杂问题拆解的万能模板

什么时候该用

当你面对一个多分支、多条件的决策场景时，决策树是最直观的工具。比如：

• 选哪个云服务供应商？（预算、地区、技术栈、合规要求）
• 客户投诉怎么处理？（严重程度、客户等级、问题类型）
• 要不要接这个外包项目？（利润率、交付周期、团队负荷、风险）

核心判断标准：如果这个问题能用"是/否"或"选项A/B/C"逐层拆解，决策树就适用。

什么时候不该用

• 纯直觉型决策：比如"这个设计好不好看"，没有可量化的判断维度
• 单因素决策：如果只看一个指标就能决定，画决策树是过度工程
• 高度动态环境：市场瞬息万变，决策树刚画完就过时了

实操步骤

第一步：列出所有判断维度

不要一上来就画树。先用 AI 帮你穷举维度：

提示词模板：「我要决定 [X]，请列出所有需要考虑的判断维度，每个维度给出 2-4 个可能的选项」

第二步：确定优先级顺序

不是所有维度都同等重要。让 AI 帮你排序：

「在上述维度中，哪些应该优先判断？请按"先排除、后细化"的逻辑排序」

第三步：生成决策树

「根据以上维度和排序，生成一个决策树，用文本层级格式输出，每个节点标注判断条件和分支结果」

第四步：人工校验

AI 生成的决策树必须人工过一遍，重点检查：

• [ ] 是否有遗漏的关键分支？
• [ ] 某些分支是否永远到不了（逻辑矛盾）？
• [ ] 最终结论是否可执行（不是模糊的"视情况而定"）？
• [ ] 是否有冗余判断（两个节点判断同一件事）？

常见坑

1. 树太深：超过 5 层的决策树，使用者会放弃。如果维度太多，考虑先做"预筛选"，把明显不合格的选项直接排除。

2. 分支不互斥：同一个输入可能同时满足两个分支条件。每个判断节点的条件必须互斥且穷尽。

3. 忽略"不确定"分支：现实中很多信息是不完整的。好的决策树应该有"信息不足 → 补充调研"的分支，而不是强行给出结论。

4. AI 幻觉维度：AI 可能编造不存在的判断标准。每个维度都要问自己：「这个条件我能拿到数据吗？」

一个真实案例

某电商团队用决策树处理退货申请：

• 第一层：商品是否已拆封？→ 是/否
• 第二层（已拆封）：是否有质量问题？→ 是/否
• 第三层（有质量问题）：是否在 7 天内？→ 是/否
• 最终结论：全额退款 / 部分退款 / 仅换货 / 拒绝

结果：客服处理退货的平均时间从 8 分钟降到 2 分钟，客户满意度提升了 15%。

一句话总结

决策树不是用来替代思考的，是用来让思考过程可复用、可传承的。AI 帮你画，你负责校验和迭代。