Loading...

🎭

基于情景的规划(SBP)

面向多种可能的未来和不确定条件进行准备的多情景规划

复杂度: high规划

In 30 seconds

What: 对多种可能的未来建模并赋予概率，然后制定在各种情景下都稳健的策略，而不是只为某一种情景做优化。
When to use: 在高度不确定的条件下做规划，结果取决于市场行情、竞争态势或监管变化等不可控因素。
Watch out: 情景概率本质上是猜测；为小概率情景做优化的计划既浪费资源，又忽略了对大概率情景的准备。

Loading technique guide…

Patterns

Loading...

Loading Agentic Design…

Agentic Design面向生产环境 AI 智能体的模式与工具

专家支持价格

设计模式与技术

Loading...

🎭

基于情景的规划(SBP)

面向多种可能的未来和不确定条件进行准备的多情景规划

复杂度: high规划

In 30 seconds

What: 对多种可能的未来建模并赋予概率，然后制定在各种情景下都稳健的策略，而不是只为某一种情景做优化。
When to use: 在高度不确定的条件下做规划，结果取决于市场行情、竞争态势或监管变化等不可控因素。
Watch out: 情景概率本质上是猜测；为小概率情景做优化的计划既浪费资源，又忽略了对大概率情景的准备。

核心机制

情景规划通过在不确定性下探索多种可能的未来，为智能体 AI 系统制定稳健策略。团队识别关键驱动因素与重大不确定性，构建少量对比鲜明但合理的情景，针对每个情景对计划进行压力测试，并定义早期预警指标和决策触发条件以便及时调整。

工作流 / 步骤

界定决策：明确范围、规划周期、利益相关方、约束条件和成功标准。
环境扫描：收集信号与趋势；识别关键驱动因素和重大不确定性。
情景构建：编制 3-4 个合理且内部一致的情景，覆盖不确定性空间。
影响分析：针对每个情景推导风险、机会和运营约束。
策略设计：确定适用于所有情景的核心策略，以及各情景专属的选项。
决策触发条件：定义先行指标、阈值以及情景切换时的应对手册。
试点与组合：分阶段投入，构建可选性，并开展受控实验。
监控与刷新：跟踪指标，按季度或半年复盘，并更新情景与策略。

最佳实践

限定 3-4 个对比鲜明且合理的情景；避免早期陷入概率之争；确保内部一致性。

纳入多元视角（产品、安全、法务、运维、财务、用户研究）以减少偏差。

让情景服务于决策：量化取值范围、显性化约束，并与具体行动挂钩。

制定稳健的核心策略并配套各选项的对冲手段；预先批准应对手册以便快速转向。

为早期预警指标埋点，并尽可能自动化数据接入（仪表盘、告警）。

通过桌面推演演练情景切换；维护持续更新的情景日志与复盘记录。

与 AI 风险框架（NIST AI RMF、ISO/IEC 23894）及法规追踪（如 EU AI Act）相结合。

何时不应使用

实时 SLO 严格的即时战术决策，前瞻性工作坊只会增加延迟。
不确定性低、动态稳定且被充分理解的领域，常规预测已足够。
组织缺乏据结果行动的意愿（对期权式投资组合毫无兴趣）的情况。

常见陷阱

过度押注“最可能”的情景，而在对冲手段和先行指标上投入不足。
只产出叙事性情景，缺少量化边界、触发条件或可执行的应对手册。
情景过多导致分析瘫痪，或各情景之间彼此并不真正独立。
未随环境和模型能力的变化刷新情景。

核心特性

合理且内部一致的未来图景（3-4 个）

显式的重大不确定性与关键驱动因素

核心策略 + 情景专属选项

先行指标与决策触发条件

用于快速切换的应对手册

投资组合与分阶段投入

KPI / 成功指标

决策就绪度：重大不确定性的覆盖率；应对手册完备性与转向所需时间。
适应速度：指标越过阈值后从检测到行动的时延。
结果韧性：跨情景的绩效方差（成本、安全、合规、质量）。
复盘节奏的执行率与情景刷新频率。

Token / 资源消耗

LLM 预算：3-4 个情景 ×（驱动因素 + 不确定性 + 叙事 + 影响 + 策略）的 token 量。
优先使用结构化提示词和表格；背景内容压缩摘要（10-20%），来源以链接或 id 引用。
自动化指标监控以减少人工分析；缓存标准情景模板。
估算每个复盘周期的成本；限制单次会话的探索深度，并批量生成长报告。

最佳应用场景

在监管与能力不确定性下的 AI 产品路线图（如 EU AI Act 时间表、模型能力进展）。
安全攸关部署的风险管理（医疗、金融、自动驾驶系统）。
宏观不确定性下的市场进入与定价；数据驻留与合规策略。
面向智能体平台的组织能力建设与投资组合规划。

参考资料与延伸阅读

学术论文

实现指南

工具与库

社区与讨论

Association of Professional Futurists (APF) 和OECD.AI
WEF C4IR 政策与前瞻资源
Hugging Face Forums （AI 治理与部署相关帖子）

Loading technique guide…

Patterns

设计模式与技术

Loading...

核心机制

工作流 / 步骤

界定决策：明确范围、规划周期、利益相关方、约束条件和成功标准。
环境扫描：收集信号与趋势；识别关键驱动因素和重大不确定性。
情景构建：编制 3-4 个合理且内部一致的情景，覆盖不确定性空间。
影响分析：针对每个情景推导风险、机会和运营约束。
策略设计：确定适用于所有情景的核心策略，以及各情景专属的选项。
决策触发条件：定义先行指标、阈值以及情景切换时的应对手册。
试点与组合：分阶段投入，构建可选性，并开展受控实验。
监控与刷新：跟踪指标，按季度或半年复盘，并更新情景与策略。

最佳实践

限定 3-4 个对比鲜明且合理的情景；避免早期陷入概率之争；确保内部一致性。

纳入多元视角（产品、安全、法务、运维、财务、用户研究）以减少偏差。

让情景服务于决策：量化取值范围、显性化约束，并与具体行动挂钩。

制定稳健的核心策略并配套各选项的对冲手段；预先批准应对手册以便快速转向。

为早期预警指标埋点，并尽可能自动化数据接入（仪表盘、告警）。

通过桌面推演演练情景切换；维护持续更新的情景日志与复盘记录。

与 AI 风险框架（NIST AI RMF、ISO/IEC 23894）及法规追踪（如 EU AI Act）相结合。

何时不应使用

实时 SLO 严格的即时战术决策，前瞻性工作坊只会增加延迟。
不确定性低、动态稳定且被充分理解的领域，常规预测已足够。
组织缺乏据结果行动的意愿（对期权式投资组合毫无兴趣）的情况。

常见陷阱

过度押注“最可能”的情景，而在对冲手段和先行指标上投入不足。
只产出叙事性情景，缺少量化边界、触发条件或可执行的应对手册。
情景过多导致分析瘫痪，或各情景之间彼此并不真正独立。
未随环境和模型能力的变化刷新情景。

核心特性

合理且内部一致的未来图景（3-4 个）

显式的重大不确定性与关键驱动因素

核心策略 + 情景专属选项

先行指标与决策触发条件

用于快速切换的应对手册

投资组合与分阶段投入

KPI / 成功指标

决策就绪度：重大不确定性的覆盖率；应对手册完备性与转向所需时间。
适应速度：指标越过阈值后从检测到行动的时延。
结果韧性：跨情景的绩效方差（成本、安全、合规、质量）。
复盘节奏的执行率与情景刷新频率。

Token / 资源消耗

LLM 预算：3-4 个情景 ×（驱动因素 + 不确定性 + 叙事 + 影响 + 策略）的 token 量。
优先使用结构化提示词和表格；背景内容压缩摘要（10-20%），来源以链接或 id 引用。
自动化指标监控以减少人工分析；缓存标准情景模板。
估算每个复盘周期的成本；限制单次会话的探索深度，并批量生成长报告。

最佳应用场景

在监管与能力不确定性下的 AI 产品路线图（如 EU AI Act 时间表、模型能力进展）。
安全攸关部署的风险管理（医疗、金融、自动驾驶系统）。
宏观不确定性下的市场进入与定价；数据驻留与合规策略。
面向智能体平台的组织能力建设与投资组合规划。