RavaTimes

关键概念

场景推演

场景推演通过系统化地探索不同选项来辅助决策分析：

• 生成每个选项可能的发展路径
• 识别关键的权衡取舍（tradeoffs）
• 评估短期和长期影响
• 标注不确定性和关键假设

动态与个性化

RavaTimes 会结合你的历史决策模式来调整推演：

• 根据你的风险偏好调整分析重点
• 使用你熟悉的类比和框架
• 优先展示你通常关注的维度
• 基于过去类似场景的选择提供参考

这种个性化对新用户较弱，随着使用逐步改进。

工作原理

RavaTimes 是基于 Transformer 架构的语言模型，专门针对真实世界的生活场景做了推演训练。

推演过程

对每个选项，系统：

1. 理解当前状况和约束条件
2. 生成可能的发展路径（通常 3-6 个月）
3. 识别关键转折点和不确定性
4. 从多个维度评估影响
5. 生成结构化的对比分析

个性化

系统会考虑你的历史：

• 过去的决策选择
• 关注的维度和权衡模式
• 风险偏好和价值观

这些信息影响推演的视角和重点，但不改变基本的逻辑推理。

置信度

推演的每个部分都有隐式的置信度：

• 高置信度 — 基于常识和普遍逻辑
• 中置信度 — 需要领域知识或合理假设
• 低置信度 — 高度不确定或依赖多个假设

系统会在输出中明确标注关键假设和不确定性。

典型应用

职业决策

当前状况：在 A 公司工作 3 年，高级工程师
选项 1：接受 B 公司 offer（薪资 +30%，初创公司）
选项 2：留在 A 公司（稳定，晋升路径明确）
评估维度：收入、学习、工作生活平衡、风险

选项 1（B 公司）
短期（0-6 个月）：
- 收入增加 30%，工作强度显著提升
- 学习曲线陡峭，接触新技术栈
- 初创环境，流程不成熟

中期（6-18 个月）：
- 如果公司发展顺利：期权价值上升，快速晋升可能
- 如果融资困难：裁员风险，需要重新找工作
- 关键不确定性：下一轮融资

选项 2（A 公司）
短期：收入保持，工作负荷可预测
中期：晋升至 Staff 概率约 40%，收入 +20%

关键差异：
- 选项 1：高风险高回报，上限更高但波动大
- 选项 2：稳定可预测，增长有限但风险低

产品决策

当前状况：SaaS 产品，100 个企业客户，团队 15 人
选项 1：开发企业级功能（3 个月，$150k）
选项 2：优化现有功能提升留存（1.5 个月，$75k）
评估维度：营收、客户满意度、资源消耗

选项 1（企业级功能）
- 开发周期 3 个月，延迟其他项目
- 成功：打开企业市场，单客户价值 +3x
- 失败：沉没成本 $150k，错过优化窗口
- 关键不确定性：企业客户真实需求强度

选项 2（优化留存）
- 较快见效（1.5 个月）
- 预期流失率从 15% 降至 10%
- 但不解决企业客户获取问题

权衡：
- 选项 1 是战略性投资，可能改变业务模式
- 选项 2 是战术性优化，不解决增长瓶颈

资源分配

当前状况：研发团队 10 人，3 个并行项目
选项 1：集中资源到项目 A
选项 2：平均分配资源
评估维度：交付速度、质量、团队士气、失败风险

选项 1（集中资源）
- 项目 A 交付从 6 个月压缩到 3 个月
- 项目 B、C 停滞，可能失去市场时机
- 如果项目 A 失败：资源浪费，其他项目落后
- 团队压力大，影响士气

选项 2（平均分配）
- 三个项目都在推进但都较慢
- 降低单点失败风险
- 但可能都不能及时交付
- 上下文切换增加沟通成本约 20%

关键问题：项目 A 成功概率是决策关键。
如果 >70%，集中资源合理。
如果 <50%，分散风险更安全。

数据要求

输入要求

输入质量

推演质量直接受输入质量影响。

好的输入

当前状况：团队 5 人，月收入 $50k，增长 10%/月
选项 1：扩招 3 人（成本 $30k/月）
选项 2：保持现状，优化流程
评估维度：成本、增长速度、管理负担

不够清晰的输入

我应该扩大团队吗？

局限性

不是预测模型

RavaTimes 基于推理，不是数据驱动的预测：

• 无法给出精确概率
• 不能预测真正随机或前所未有的事件
• 无法访问实时数据或市场信息
• 推演是基于逻辑和知识，不是统计分析

依赖输入质量

• 关键信息缺失会导致推演偏离
• 错误假设会导致错误结论
• 无法主动识别未提供的重要因素

知识边界

• 对高度专业化领域的推演深度有限
• 行业特定的隐性知识可能缺失
• 本地化或文化特定因素可能考虑不足

时间跨度限制

不替代专业判断

• 法律、财务、医疗决策需要专业人士
• 道德判断由用户自己做
• 高风险决策应寻求多方意见
• 系统不承担决策责任

个性化的局限

• 新用户的个性化较弱
• 用户偏好会随时间变化
• 不应过度依赖历史模式

何时不应使用

不适合的场景

• 需要精确概率或统计预测
• 高度专业化的技术决策
• 实时性要求高的决策（交易、应急响应）
• 生命攸关的决策（医疗诊断）
• 需要访问实时数据的分析
• 法律或合规相关的判断

应该使用其他工具

与 RavaPush 的对比

何时使用哪个

• 需要在几个选项中做选择 → RavaTimes
• 需要预测某个指标的未来值 → RavaPush
• 需要综合分析 → 两者结合

最佳实践

提供清晰的输入

包含具体信息：

• 当前状况的关键事实
• 每个选项的具体差异
• 数值（预算、时间、人数）
• 相关约束

限制选项数量

推荐 2-4 个选项：

• 2 个 — 清晰对比
• 3 个 — 平衡分析
• 4 个 — 已经接近上限
• 5+ — 信息过载

明确评估维度

指定 3-5 个最重要的维度，避免"全面分析"。

迭代细化

第一次推演后：

• 补充遗漏的信息
• 深入探索某个方面
• 测试假设变化（"如果 X 改变会怎样"）

交叉验证

不要仅依赖推演：

• 与有经验的人讨论
• 查找类似案例
• 寻求专业意见
• 对比自己的直觉

在 RavaAI 中的集成

RavaTimes 是 RavaAI 推理引擎的三个核心组件之一：

协同示例

问题：是否应该扩大团队规模

常见问题

推演有多准确？

推演不是预测。它提供基于逻辑的可能发展路径、关键权衡点的识别、不确定性的标注。不要期待"选项 A 会成功"，而是"选项 A 如果成功需要满足 X、Y，如果失败可能因为 Z"。

可以推演多少个选项？

推荐 2-4 个。太多会信息过载。

推演会考虑我的个人情况吗？

会，系统会考虑你的历史决策模式和偏好。但新用户的个性化较弱，随使用改进。关键信息仍需明确说明。

可以修改推演参数吗？

可以迭代：

• "如果时间限制改为 6 个月"
• "如果预算增加 50%"
• "假设竞争对手也在做类似的事"

推演会给出建议吗？

系统会指出权衡点和风险，说明"如果优先考虑 X，选项 A 更合适"。系统不会说"你应该选 A"或替你做价值判断。

如何知道推演是否可靠？

注意标注的假设和不确定性：

隐私

• 输入信息仅用于生成当前推演
• 不用于训练模型
• 可随时删除