dgr

核心用法

DGR（Decision-Grade Reasoning）是一套面向 LLM 输出的决策级推理治理协议，旨在生成符合审计标准的结构化决策工件。用户通过提供决策请求或问题上下文，选择三种运行模式之一（dgr_min 快速模式、dgr_full 标准模式、dgr_strict 严格模式），即可获得一份 schema 验证通过的 JSON 格式决策记录。该记录强制包含至少一项假设、一项风险、一份建议及一致性检查，可直接存储至工单系统、事故日志或审计追踪库中，实现决策过程的完整留痕。

显著优点

审计就绪的架构设计：输出格式严格遵循 JSON schema，确保机器可读与人工审查的双重兼容性，特别适合金融、医疗、法律等强合规场景。

风险显式化管理：强制要求显式声明假设（Assumptions）与风险（Risks），并提供风险等级评估，有效避免"隐性偏见"导致的决策盲区。

分级治理模式：三种预设模式（min/full/strict）分别对应不同风险等级的决策场景，从快速低风险决策到高不确定性保守分析，实现资源投入与风险控制的动态平衡。

可扩展的审查流程：通过 recommendation.review_required 字段自动触发人工审查标记，支持企业建立标准化的决策复核工作流。

潜在缺点与局限性

来源可信度限制：作为 T3 级社区来源（个人开发者维护），缺乏官方组织背书，企业用户需结合内部治理标准进行二次验证。

过程质量≠结果正确：Skill 明确声明不保证决策的正确性、最优性或真实性，仅提升决策过程的清晰度与可追溯性，存在"形式合规但实质错误"的潜在风险。

模式选择依赖经验：用户需自行判断使用何种模式（min/full/strict），错误选择可能导致过度分析（over-analysis）或审查不足。

JSON 技术门槛：输出为结构化 JSON 数据，非技术背景用户可能需要额外工具或培训才能有效解读与利用。

适合的目标群体

合规与审计团队：需要为 AI 辅助决策建立完整审计追踪的企业合规官、内部审计师。

项目管理与运营：处理高风险项目决策、事故响应（Incident Triage）、变更管理（Change Management）的项目经理与运维负责人。

研究与分析机构：需要结构化记录研究假设、方法局限性与推荐结论的科研团队、政策分析师。

AI 治理从业者：正在建立企业级 AI 使用规范、需要标准化 LLM 输出格式的 AI 伦理与治理委员会。

使用风险与注意事项

过度依赖风险：由于输出格式专业且结构完整，用户可能产生"机器验证通过即正确"的虚假安全感，忽视对实质内容的批判性思考。

假设验证责任：Skill 生成的假设列表仅为启发式引导，用户必须独立验证每项假设的真实性，否则可能导致级联错误。

模式匹配错误：在真正高风险的法律、医疗或金融场景中，若误用 dgr_min 模式，可能因分析深度不足而遗漏关键风险。

数据隐私边界：虽然 Skill 本身不上传数据，但用户输入的决策上下文可能包含敏感信息，需确保本地存储与传输符合 GDPR/等保等法规要求。

版本兼容性：当前版本 1.0.4 仍在快速迭代中，schema 字段可能在后续更新中调整，建议生产环境使用前锁定版本。