七個維度，一個評分：自動化決策不再靠直覺

每周，總有人跑來問同一個問題：“這個工作流能自動化嗎？”每次我們都沒法秒回。它不是一個是或否的切換，它底下趴著數據質量、流程穩定性、合規曝光面、異常發生頻率、系統集成就緒度、決策復雜度、投資回報潛力——七個互相咬合的維度，任何一條沒摸清，答案就站不住腳。大部分自動化決策靠的是直覺，團隊吭哧吭哧干了大半年，才發現流程變得太快、數據太臟、合規團隊直接亮紅牌。我們想要一個可以系統化、數據驅動、隨手就能在瀏覽器里打開，花幾十秒描述流程就能給出站得住結論的工具。于是 ShouldWeAutomate 就這么立了項。

我們最先定下的是一條極簡的前端原則：零構建步驟，不用 webpack、不碰 React、不裝 npm，純 HTML、CSS、JavaScript。任何人哪怕只是對貢獻代碼有一點點好奇，都不需要先跟工具鏈打架。為了把七個維度下的 35 道單選題從枯燥的面孔里解救出來，我們設計了游戲化滑塊。界面只亮出七個聚合滑塊，每個映射到一個維度，滑塊拖到的位置直接給出評級徽章：危急、青銅、白銀、黃金、神話。要是想精細調整，點一下「微調」就能展開底下五道子題。同時，一個微型的儀表和推薦徽章在你移動滑塊的時候就實時刷新，得分在「分析」按下之前已經在變。

渲染卡的函數 createDimSection 接收維度鍵、維度對象和一組前綴，它先把維度下所有問題的默認值求個平均，算出聚合滑塊的起始位置，然后比照 presets 生成對應的層級標簽，構建出帶聚合滑塊和可折疊子滑塊的 HTML 塊。儀表本身的走勢由 updateLivePreview 管控：函數內聲明一個權重數組 [0.20, 0.20, 0.15, 0.15, 0.10, 0.10, 0.10]，對每個維度取值，乘上對應權重累加總分，再去更新 SVG 儀表的 dashoffset 偏移量、層級徽章、以及底下的推薦文案。這是一種把復雜多維打分壓縮成一個視覺量表的交互設計——你每動一步，系統就立刻告訴你，總分是從哪來的，現在跑到了什么區間。

后端我們仍然揀選 Flask，既是網頁服務器也是決策引擎。引擎的目錄設計是模塊化的：scorer.py 框定每個維度的評分邏輯、默認閾值以及推薦生成；analyzer.py 做總調度，把評分、解釋、假設模擬、投資回報計算、修復建議、合規映射、相似度搜索、子流程拆解全部串聯成一條決策流水線；explainer.py 專注分數拆解，告訴你哪個維度在拉高總分、哪個在往下拽；what_if.py 負責假設推演和敏感度分析，讓用戶拖動單個參數就能看到結論的搖擺幅度；roi_calculator.py 用凈現值、回本周期和全職人力工時影響三個指標把自動化價值拍成可比較的數字；remediation.py 針對每個維度低分區域輸出可操作的修復手冊；regulations.py 內建 HIPAA、GDPR、SOX 等監管框架的合規映射規則；similarity.py 在基準庫中做相似度搜索，幫你找到歷史上評定接近的案例；sub_process.py 處理多流程的拆解和重新聚合；llm.py 是一個與 OpenAI 接口兼容的大模型網關，只在用戶明確要求時啟用推理——那些依賴語言理解的描述性任務，才把它請出來。

評分引擎是整個平臺的命門。我們在 scorer.py 里給每個維度設計了五道配套的子問題，每道子問題的計分方式、歸一化方向都不盡相同。比如數據質量維度，會問數據的空值率、重復率、刷新延遲；流程穩定性維度，會關心過去三個月的變更頻率、是否走過標準化審批；異常發生頻率，會抓住是否有手工補償流程、異常記錄是否被可追溯地登記。最后每個子題的答案經過預設的評分函數轉化為 0-100 的標準化分值，再由維度的權重系數聚合成維度分，七個維度分的加權求和就是最終的自動化就緒指數——一個落在 0-100 上的連續讀數，同時對應一個層級和一組推薦動作。

把直覺替換成可復查的打分只是第一步，真正讓決策變得能討論的是解釋器。explainer.py 會在你按下分析鍵的同時，跑一次 pull-up/pull-down 分析：它依次把每個維度的分值調高