Install any skill in seconds. Free to start, no credit card required.
Get Started Free →Habitual Domain (HD) theory by Taiwanese scholar P.L. Yu (游伯龍, 1977) — integrates four domains (potential/actual/reachable/activated), eight general hypotheses, seven-layer decision structure, and nine HD-expansion tools to analyze decision blind spots, break cognitive inertia, and support cross-domain integration. Use for diagnosing why alternatives are invisible, decision paralysis, breaking cognitive frames, or explaining perception gaps between people. Triggers: 『思維框架』『打破盲點』『創新思考』『決策盲區』『跨域整合
.claude/skills/asgard-ai-platform-grad-habitual-domain/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-01 | ✗→✓ | ▲ Improved | 37% | 0% |
| case-09 | ✗→✓ | ▲ Improved | 116% | 0% |
| case-10 | ✗→✓ | ▲ Improved | 245% | 0% |
| case-11 | ✗→✓ | ▲ Improved | 86% | 0% |
| case-12 | ✗→✓ | ▲ Improved | 86% | 0% |
Habitual Domain(HD) 是台灣管理學界罕見走上國際的原生理論。游伯龍教授(1940–,美國 Kansas 大學講座教授、陽交大終身講座教授)1977 年起在 Human Systems Management、Journal of Optimization Theory and Applications 等期刊系統化提出。
核心命題:一個人的想法、觀念、判斷隨時間會「穩定化」成一組領域,決定他能想到什麼、想不到什麼。好決策不在智商高,而在能否擴展這個領域。
為什麼 EMBA 要學這個
與相近 Asgard skill 的邊界
grad-cognitive-load — 工作記憶負荷,資訊處理極限soc-cognitive-bias — 行為經濟學式的偏誤清單(錨定、確認偏誤等)觸發條件
不適用
ops-org-behavior(本 repo)grad-sdt 或 ops-org-behaviorsoc-cognitive-biasmeta-structured-problemIRON LAW 1:HD 無好壞,只有是否擴展
習慣領域本身是中性的 — 它是經驗沉澱的必要產物。
問題不在「有沒有 HD」,而在「能否在必要時刻擴展」。
罵學員「思維僵化」是 HD 分析的反面教材。IRON LAW 2:實際領域 ≪ 潛在領域
人當下能用的想法(Actual Domain)
遠小於他一生累積的想法集合(Potential Domain)。
決策失誤最常發生在「該用但沒啟動」— 這是設計觸發機制的切入點。IRON LAW 3:擴展 HD 需要外部擾動
靠自己想「想遠一點」無效。
HD 擴展必須靠:
(a) 跨域輸入(投射、類比、變換角度)
(b) 結構化詢問(逼自己回答不熟的問題)
(c) 參數變動(想像關鍵條件改變)
凡是「反求諸己、深度思考」的建議,十有八九不會真的擴展 HD。| 可能想 | 但 Iron Law 仍適用,因為 | |---|---| | 「主角思維保守,結論就寫『思維僵化』」 | 罵僵化 = 反面教材;HD 本身中性,重點是「能否在此情境擴展」,而非貼標籤 | | 「主角已經想到 A、B、C 三方案,HD 夠寬」 | 必須區分 Activated / Reachable / Potential;看到 3 方案不代表他能及的其他方案已被喚起 | | 「結論建議『請主角反求諸己、深度思考』」 | 違反 IRON LAW 3;反求諸己無效,須引入外部擾動(投射、類比、參數變動) |
┌──────────────────────────────────────────────┐
│ Potential Domain(潛在領域) │
│ 一生累積的所有想法/觀念/知識的集合 │
│ ↓ 儲存但未被喚起 │
├──────────────────────────────────────────────┤
│ Actual Domain(實際領域) │
│ 實際運作、最常用的想法子集 │
│ ↓ 當下情境未啟動 │
├──────────────────────────────────────────────┤
│ Reachable Domain(可及領域) │
│ 從 Actual Domain 可推論/聯想到的想法 │
│ ↓ 需要刺激才能觸發 │
├──────────────────────────────────────────────┤
│ Activated Domain(可觸發/活化領域) │
│ 當下情境真正被喚起、正在運作的想法 │
└──────────────────────────────────────────────┘診斷觀點:個案主角決策時「看到 / 用到」的是 Activated Domain;分析失誤常要問——為何 Reachable 沒被觸發?為何 Potential 沒進入 Actual?
| # | 通性 | 白話 | |---|---|---| | 1 | 循環(Circuit) | 想法以神經迴路方式存在,重複使用會強化 | | 2 | 共通(Commonality) | 同一群體的 HD 交集形成共同語言 | | 3 | 注意分配(Attention Allocation) | 人腦在競爭注意的想法間動態分配 | | 4 | 迴避(Avoidance) | 情緒負擔大的想法被抑制 | | 5 | 暈輪(Halo Effect) | 強烈印象會污染周邊判斷 | | 6 | 類化(Generalization) | 經驗被推廣到新情境(有用也有險) | | 7 | 固化(Habit Formation) | 重複 → 穩定 → 僵化 | | 8 | 聯結(Association) | 想法之間以近似/對比/因果連結 |
使用時機:解釋「為什麼他會那樣反應」時,對應找出 1–3 條主導通性(不必每條都用)。
Layer 7:決策者自我狀態 ─── 人的狀態(情緒、壓力、信念)
Layer 6:資訊情境 ─── 擁有多少、品質如何、是否對稱
Layer 5:偏好結構 ─── 輕重取捨如何排序
Layer 4:結果評估 ─── 各方案的可能結果
Layer 3:準則/目標 ─── 評估用的指標
Layer 2:方案集合 ─── 目前考慮的選項
Layer 1:參數辨識 ─── 把問題定義清楚EMBA 應用:個案分析若只停在 Layer 1–3(題目、選項、指標)屬淺層;優秀分析會追到 Layer 6–7(資訊盲點、決策者狀態如何影響判斷)。
| 工具 | 操作問句 | EMBA 情境 | |---|---|---| | 投射(Projection) | 「如果我是客戶/對手/主管機關,我會怎麼看?」 | 併購談判、利害關係人分析 | | 詢問(Inquiry) | 「我漏問了什麼?」 | 盡職調查、個案訪談 | | 深究(Deep Thought) | 「這背後真正的因是什麼?」 | 根因分析、策略診斷 | | 變換角度(Alternating Views) | 「從另一個時間尺度/層級/產業看呢?」 | 跨產業借鏡、長期觀點 | | 參數變動(Parameter Change) | 「如果預算/時間/人力翻倍或砍半?」 | 情境規劃、壓力測試 | | 類比(Analogy) | 「這像什麼已知的情況?」 | 跨產業學習、模式辨識 | | 逆向(Reversal) | 「想辦法讓它失敗,會怎麼做?」 | 風險辨識、反向腦力激盪 | | 靜觀(Meditation) | 「先不急著下判斷,讓想法沉澱」 | 決策冷卻期、避免衝動 | | 注意力提升(Heightened Attention) | 「現在我刻意看哪些被忽略的訊號?」 | 弱訊號偵測、情境察覺 |
使用心法:一場決策會議至少用 3 種工具輪替,才足以擴展 HD;只用 1 種等於沒用。
> 根據個案性質跳過不適用步驟;以下為完整候選路徑,非必跑清單。
Step 1:畫四領域狀態圖
- 主角當下 Activated Domain 有哪些想法?(看案文)
- Reachable 但未啟動:他應該想得到但沒用的?
- Actual 但未進入 Activated:他平常會用但今天沒用的?
- Potential 但未進入 Actual:一般人有、他沒有的?
Step 2:辨識主導通性
- 哪條通性造成他的 Activated Domain 長這樣?
- 常見:固化(7)+ 迴避(4)+ 暈輪(5)組合
Step 3:套七層結構,定位卡點
- 問題出在 Layer 幾?
- 最常見:Layer 2(方案集合太窄)或 Layer 7(決策者自我狀態)
Step 4:選擇擴展工具
- 針對卡點,挑 2–3 種工具
- 設計「觸發機制」(流程、會議、提問範本)
Step 5:設檢核
- 介入後 Activated Domain 是否擴大?
- 如何量測:新方案數、跨部門意見採納率、決策修正次數markdown# 習慣領域分析:{個案/決策者/情境} ## 一、情境摘要 (3–5 條客觀陳述,避免價值判斷) ## 二、四領域狀態 - Activated Domain(當下在用):... - Reachable but not Activated(應想到未想到):... - Actual but not Activated(平常會用今天沒用):... - Potential but not Actual(潛在但從未進入使用):... ## 三、主導通性診斷 - 主導通性 1:{編號與名稱} - 證據:... - 影響:... - 主導通性 2:... - 主導通性 3(可選):... ## 四、七層決策卡點 - 卡在 Layer {X}:{描述} - 其他受影響層次:... ## 五、擴展介入設計 ### 選用工具 - 工具 A(例:投射)—— 具體操作:... - 工具 B(例:參數變動)—— 具體操作:... - 工具 C(例:逆向)—— 具體操作:... ### 觸發機制 (流程、會議設計、提問範本、外部引入) ## 六、檢核指標 - 新方案產生數 - 跨部門採納率 - 決策修正節點 ## 七、限制與風險 - 分析受限於案文資訊量 - HD 擴展需時間,短期不可期待躍遷 - 避免把 HD 分析當「算命」,需結合實證資料
情境:某傳產上市公司 CEO 面對二代接班爭議,堅持「長子接班」,多次婉拒董事會建議的外部專業 CEO。
四領域分析:
主導通性:固化(50 年創業史) + 迴避(不願面對自己當年反抗父親的類似處境) + 暈輪(「我兒子不會錯」)
七層卡點:Layer 2(方案集合只有「長子 vs. 次子」) + Layer 7(情感負擔主導判斷)
擴展介入:
正確之處:四領域都走過、通性與層次配合、介入含外部擾動。
references/eight-hypotheses.md)references/pl-yu-bio-theory.mdreferences/eight-hypotheses.mdreferences/seven-layers-decision.mdreferences/nycu-hd-course.mdgrad-cognitive-load(工作記憶)、soc-cognitive-bias(行為偏誤)、meta-structured-problem(結構化問題解決)、ops-org-behavior(本 repo,OB 工具箱)| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-01 | fail→pass | 43,862 | 45,629 | +4% | 1 | 1 | 0% | 6,261 | 8,565 | +37% | 0 | 0 | — |
case-02 | pass→pass | 38,825 | 33,013 | -15% | 1 | 1 | 0% | 5,900 | 8,748 | +48% | 0 | 0 | — |
case-03 | pass→pass | 38,063 | 34,998 | -8% | 1 | 1 | 0% | 5,849 | 8,787 | +50% | 0 | 0 | — |
case-04 | pass→pass | 24,300 | 27,782 | +14% | 1 | 1 | 0% | 3,402 | 7,735 | +127% | 0 | 0 | — |
case-05 | pass→fail | 24,098 | 25,765 | +7% | 1 | 1 | 0% | 3,764 | 7,518 | +100% | 0 | 0 | — |
case-06 | pass→pass | 25,600 | 27,261 | +6% | 1 | 1 | 0% | 3,501 | 7,368 | +110% | 0 | 0 | — |
case-07 | pass→pass | 16,825 | 27,587 | +64% | 1 | 1 | 0% | 2,485 | 6,207 | +150% | 0 | 0 | — |
case-08 | pass→pass | 23,861 | 22,527 | -6% | 1 | 1 | 0% | 3,372 | 7,154 | +112% | 0 | 0 | — |
case-09 | fail→pass | 21,072 | 15,637 | -26% | 1 | 1 | 0% | 2,908 | 6,273 | +116% | 0 | 0 | — |
case-10 | fail→pass | 10,562 | 9,587 | -9% | 1 | 1 | 0% | 1,488 | 5,140 | +245% | 0 | 0 | — |
case-11 | fail→pass | 15,736 | 8,324 | -47% | 1 | 1 | 0% | 2,604 | 4,849 | +86% | 0 | 0 | — |
case-12 | fail→pass | 17,381 | 11,943 | -31% | 1 | 1 | 0% | 2,927 | 5,430 | +86% | 0 | 0 | — |
case-13 | fail→pass | 19,906 | 10,346 | -48% | 1 | 1 | 0% | 3,198 | 5,097 | +59% | 0 | 0 | — |
case-14 | pass→pass | 18,490 | 18,019 | -3% | 1 | 1 | 0% | 2,934 | 6,150 | +110% | 0 | 0 | — |
case-15 | pass→pass | 14,948 | 12,326 | -18% | 1 | 1 | 0% | 2,299 | 5,389 | +134% | 0 | 0 | — |
case-16 | pass→pass | 17,102 | 17,265 | +1% | 1 | 1 | 0% | 2,624 | 6,263 | +139% | 0 | 0 | — |
case-17 | pass→pass | 31,864 | 27,557 | -14% | 1 | 1 | 0% | 4,927 | 7,834 | +59% | 0 | 0 | — |
case-18 | pass→pass | 12,158 | 13,458 | +11% | 1 | 1 | 0% | 1,744 | 5,291 | +203% | 0 | 0 | — |
case-19 | pass→pass | 19,825 | 14,262 | -28% | 1 | 1 | 0% | 2,847 | 5,779 | +103% | 0 | 0 | — |
case-20 | pass→pass | 21,772 | 26,436 | +21% | 1 | 1 | 0% | 3,329 | 7,610 | +129% | 0 | 0 | — |
case-21 | fail→pass | 16,058 | 12,335 | -23% | 1 | 1 | 0% | 2,060 | 5,251 | +155% | 0 | 0 | — |
case-22 | pass→pass | 19,217 | 20,945 | +9% | 1 | 1 | 0% | 2,641 | 6,442 | +144% | 0 | 0 | — |
case-23 | fail→pass | 20,095 | 14,102 | -30% | 1 | 1 | 0% | 2,916 | 5,650 | +94% | 0 | 0 | — |
case-24 | fail→pass | 14,295 | 6,985 | -51% | 1 | 1 | 0% | 2,130 | 4,821 | +126% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 24 cases were attempted. The headline lift of +33 percentage points is the difference between those two pass rates over the 24 comparable cases. 1 case got worse with the skill loaded, and it is included in that figure.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.