decision-workbench
decision-workbench は、決断の前に意思決定者の認知を広げるための tool です。意思決定力は「選ぶ能力」ではなく 選択肢空間の広さ だという前提に立ち、選択肢を発散させ、盲点を可視化し、判断材料を構造化したうえで、決定を人間に返します。winner は選びません。
“AI shouldn’t make important decisions for you. It should make the decision space harder for you to misunderstand.”
「私は Java Spring しか知りません」——open-source の CRM base、SaaS、no-code builder を見たことがない engineer が必ず言う言葉です。
Links
- Repository:
sscodeai/decision-workbench - Runtime: Python (FastAPI) + React
- License: MIT
6 段階パイプライン
すでに知っていることを含めて、これから下す決定を入力すると、次の pipeline が走ります。
| Stage | 内容 |
|---|---|
| 1. Bias flag | 「私は Java Spring しか知りません」→ anchored_stack として検出 |
| 2. Divergence | 5 つの stance が独立並列に議論: architect · cost · security · product · red team |
| 3. Cross-exam | 3 つの probing question で空間を強制的に開く — 「なぜ X を検討しなかったのか」「非主流の選択肢を 1 つ理由付きで」「本命の弱点は」 |
| 4. Option map | consensus / true divergence / false divergence に分類し、各項目を「おそらく知らなかった」/「すでに知っていた」で tag 付け |
| 5. Constraints | budget / team / deadline / compliance を選択すると weighted re-score（それでも winner は出さない） |
| 6. Human decision | 決定はあなたのもの。system は最後まで選ばない |
llm-council との違い
| llm-council (Karpathy) | decision-workbench | |
|---|---|---|
| 目的 | 複数 model を より良い単一回答 へ収束させる | 人間が決める前に option space を広げる |
| 終状態 | 1 つの synthesized answer | 地図 + trade-off + 人間の決定 |
| 発散 | 手段（より良い consensus のため） | 成果物そのもの |
| 決める人 | chairman model | 人間（常に明示的） |
| 失敗 mode | 人工的な consensus（全 model が収束） | anchoring bias（意思決定者が固定される） |
学術的背景として、multi-agent の LLM committee は同一 model を共有すると representational collapse（arXiv 2604.03809）を、同一 architecture を共有すると artificial consensus（arXiv 2604.26561）を起こすことが知られています。本 tool はその逆 —— heterogeneous な stance + 人間による hard gate を中心に設計された diverger であり、converger ではありません。
はじめ方（mock mode — API key 不要）
# Backend (port 8002)
uv sync
uv run python -m backend.main
# Frontend (port 5173, /api → 8002 に proxy)
cd frontend
npm install
npm run devhttp://localhost:5173 を開き、決定事項を入力して “Expand my option space” を押します。mock provider には 3 つの demo scenario（tech stack / business / hiring）の回答が pre-baked されており、live API に依存せず demo できます。
実 model を使う（OpenRouter）
export OPENROUTER_API_KEY=sk-or-v1-...
export PROVIDER=openrouter
uv run python -m backend.mainDemo scenarios
| Scenario | 入力 | 明らかになる盲点 |
|---|---|---|
| A. Tech stack | 「CRM を作りたい。Java Spring しか知らない」 | open-source CRM base、buy-vs-build、no-code、spreadsheet + automation |
| B. Business | 「レポート購読を販売したい。Stripe しか考えていない」 | merchant-of-record（Lemon Squeezy / Paddle）、membership platform、crypto |
| C. Hiring | 「full-stack engineer を 1 名採用したい」 | remote-first、AI を前提にした少人数 team、agency への outsourcing |
API
| Endpoint | 役割 |
|---|---|
POST /api/decide |
pipeline 全体を実行 → bias flag、stance divergence、probing、option-space map |
POST /api/decide/constraints |
選択した constraint で weighted re-score（winner は出さない） |
POST /api/decide/human-decision |
人間の最終決定を記録 |
Eval
README は「decision-workbench は、単一 model や naive な multi-agent chat より、意思決定に関係する選択肢（特に baseline が見落とす選択肢）を多く surface する」という反証可能な主張をしています。手作業で作成し、テスト対象には一切開示しない hidden gold option set に対する結果は次のとおりです。
| Method | Gold hit (12 問中) | Avg coverage |
|---|---|---|
| Single model direct answer | 3/12 | 26% |
| Naive multi-agent (stances only) | 9/12 | 78% |
| Decision Workbench | 12/12 | 100% |
harness は uv run python -m backend.eval_harness で実行できます。
テスト
uv run pytest
# 25 tests: bias detection, stance prompts, probing, zone classification,
# novelty tagging, constraint weighting, mock provider, engine golden pathNext
- 方法論だけを skill として使いたい場合は decision-space-expansion を参照
- Repository で README と eval を読む
- Projects で SSCodeAI の他の project を見る