游戏AI开发指南,涵盖FSM、行为树、寻路与决策系统的代码实现。Use when 需要代码生成、编程辅助、调试测试、开发部署时使用。不适用于无明确技术栈的模糊需求。适用于独立开发者、企业团队和自动化工作流场景。支持中文交互，无需复杂配置即开即用。输出结果可直接使用，减少二次加工成本。提供结构化输出和错误处理机制。
3 installs
Coding
博弈论分析免费版
Try it策略互动分析工具,支持纳什均衡、囚徒困境与决策树分析。Use when 需要数据分析、报表生成、统计洞察、数据可视化时使用。不适用于实时流数据处理。适用于独立开发者、企业团队和自动化工作流场景。支持中文交互，无需复杂配置即开即用。输出结果可直接使用，减少二次加工成本。提供结构化输出和错误处理机制。支持多场景应用和灵活配置。
What it does
策略互动分析工具,支持纳什均衡、囚徒困境与决策树分析。Use when 需要数据分析、报表生成、统计洞察、数据可视化时使用。不适用于实时流数据处理。适用于独立开发者、企业团队和自动化工作流场景。支持中文交互，无需复杂配置即开即用。输出结果可直接使用，减少二次加工成本。提供结构化输出和错误处理机制。支持多场景应用和灵活配置。
The skill document
博弈论分析 (免费版)
概述
本工具帮助学生、研究者与决策者分析策略互动情境,求解纳什均衡,理解囚徒困境、重复博弈、决策树等博弈论核心概念。通过收益矩阵分析、逻辑推导与可视化,把抽象的博弈论转化为可操作的分析工具. 免费版聚焦个人学习与基础分析,适合经济学学生、商业决策者、游戏设计师使用.
核心能力
| 能力模块 | 描述 | 免费版支持 |
|---|---|---|
| 收益矩阵分析 | 2x2 博弈分析 | 支持 |
| 纳什均衡求解 | 纯策略均衡 | 支持 |
| 囚徒困境 | 经典案例库 | 支持 |
| 优势策略 | 严格/弱优势分析 | 支持 |
| 决策树 | 序贯博弈分析 | 支持 |
| 重复博弈 | 有限/无限重复 | 基础 |
| 混合策略 | 概率化策略 | 基础 |
| 演化博弈 | 演化稳定策略 | 不支持 (升级 PRO) |
| 机制设计 | 反向博弈设计 | 不支持 (升级 PRO) |
| 多人博弈 | n 人博弈 | 不支持 (升级 PRO) |
| 实验数据 | 行为博弈实验 | 不支持 (升级 PRO) |
核心功能执行
用input_params参数进行配置.
处理: 解析核心功能执行的输入参数,完成核心逻辑,返回结构化响应. 输出: 返回核心功能执行的响应数据,包含状态码、结果和日志.
- 执行此能力时使用
input_params参数,支持创建/查询/导出操作
参数配置与调用
用config_options参数进行配置.
处理: 解析参数配置与调用的输入参数,完成核心逻辑,返回结构化响应. 输出: 返回参数配置与调用的响应数据,包含状态码、结果和日志.
- 执行此能力时使用
config_options参数,支持修改/重置/导入操作
结果处理与输出
用output_format参数进行配置.
处理: 解析结果处理与输出的输入参数,完成核心逻辑,返回结构化响应. 输出: 返回结果处理与输出的响应数据,包含状态码、结果和日志.
- 执行此能力时使用
output_format参数,支持导出/保存/转换操作 能力覆盖范围：本skill的核心能力覆盖以下场景关键词：策略互动分析工具、支持纳什均衡、囚徒困境与决策树、面向学生、研究者与决策者的、博弈论分析工具、核心能力、适用场景、经济学学习、商业决策分析、谈判策略、游戏设计、社会科学研究、差异化、免费版聚焦个人学、习与基础分析、提供清晰的逻辑推、导与可视化、适用关键词、博弈论、策略分析等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持.
使用场景
场景一: 经典囚徒困境
分析最经典的博弈论案例.
情境: 两名嫌疑人被分别审讯,各有"坦白"或"沉默"两个选择.
收益 (A, B 表示刑期年数,越少越好):
# ...
B 坦白 B 沉默
A 坦白 (5, 5) (0, 10)
A 沉默 (10, 0) (1, 1)
# ...
分析:
1. 优势策略分析:
- 对 A: 无论 B 选什么,坦白都比沉默好 (5 < 10, 0 < 1)
- 对 B: 无论 A 选什么,坦白都比沉默好
- 双方坦白是严格优势策略均衡
2. 纳什均衡: (坦白, 坦白) = (5, 5)
3. 帕累托最优: (沉默, 沉默) = (1, 1)
4. 困境: 个人理性导致集体非最优
# ...
洞察:
- 短期单次博弈中,合作难以达成
- 重复博弈中,"以牙还牙"策略可促进合作
- 现实应用: 价格战、军备竞赛、公地悲剧
场景二: 商业竞争分析
分析两家公司的定价策略博弈.
# 定价博弈分析
import numpy as np
# ...
class GameTheoryAnalyzer:
def __init__(self, payoff_matrix, row_player="A", col_player="B"):
self.payoff = np.array(payoff_matrix)
self.row_player = row_player
self.col_player = col_player
self.row_strategies = []
self.col_strategies = []
# ...
def find_dominant_strategies(self):
"""寻找优势策略"""
row_player_payoffs = self.payoff[:, :, 0] # 行玩家收益
col_player_payoffs = self.payoff[:, :, 1] # 列玩家收益
# ...
row_dominant = self._find_row_dominant(row_player_payoffs)
col_dominant = self._find_col_dominant(col_player_payoffs)
# ...
return row_dominant, col_dominant
# ...
def find_nash_equilibrium(self):
"""寻找纳什均衡 (纯策略)"""
equilibria = []
for i in range(self.payoff.shape[0]):
for j in range(self.payoff.shape[1]):
if self._is_nash(i, j):
equilibria.append((i, j, self.payoff[i, j]))
return equilibria
# ...
def _is_nash(self, i, j):
"""检查 (i,j) 是否纳什均衡"""
row_payoff = self.payoff[i, j, 0]
col_payoff = self.payoff[i, j, 1]
# ...
# 行玩家不能通过单方面改变策略获益
for k in range(self.payoff.shape[0]):
if self.payoff[k, j, 0] > row_payoff:
return False
# 列玩家不能通过单方面改变策略获益
if self.payoff[i, k, 1] > col_payoff:
return False
return True
# ...
# 示例
# 收益 (万元利润): [咖啡店A利润, 咖啡店B利润]
analyzer = GameTheoryAnalyzer([
[[10, 10], [15, 5]], # A 高价
[[5, 15], [8, 8]], # A 低价
], row_player="咖啡店A", col_player="咖啡店B")
# ...
analyzer.row_strategies = ["高价", "低价"]
analyzer.col_strategies = ["高价", "低价"]
# ...
print("优势策略:", analyzer.find_dominant_strategies())
print("纳什均衡:", analyzer.find_nash_equilibrium())
# ...
# 输出:
# 优势策略: (None, None) - 双方都无优势策略
# 纳什均衡: [(1, 1, [8, 8])] - 双方都低价
场景三: 决策树分析
分析序贯博弈 (一方先行动).
class DecisionTree:
def __init__(self):
self.nodes = {}
# ...
def add_node(self, node_id, player, actions=None, payoff=None):
self.nodes[node_id] = {
"player": player,
"actions": actions or {},
"payoff": payoff,
}
# ...
def add_edge(self, parent, action, child):
self.nodes[parent]["actions"][action] = child
# ...
def backward_induction(self, node_id):
"""逆向归纳求解子博弈完美均衡"""
node = self.nodes[node_id]
if node["payoff"]:
return node["payoff"], []
# ...
best_payoff = None
best_path = None
for action, child in node["actions"].items():
child_payoff, child_path = self.backward_induction(child)
player_idx = 0 if node["player"] == "A" else 1
if best_payoff is None or child_payoff[player_idx] > best_payoff[player_idx]:
best_payoff = child_payoff
best_path = [action] + child_path
# ...
return best_payoff, best_path
# ...
# 案例: 进入市场博弈
tree = DecisionTree()
tree.add_node("root", "A") # A 决定是否进入
tree.add_node("enter", "B") # B 决定是否反击
tree.add_node("exit", None, payoff=[0, 10]) # A 不进入
tree.add_node("fight", None, payoff=[-5, -5]) # B 反击
tree.add_node("accommodate", None, payoff=[5, 5]) # B 默认
tree.add_edge("root", "进入", "enter")
tree.add_edge("root", "退出", "exit")
tree.add_edge("enter", "反击", "fight")
tree.add_edge("enter", "默认", "accommodate")
# ...
payoff, path = tree.backward_induction("root")
print(f"子博弈完美均衡路径: {path}, 收益: {payoff}")
# 输出: 路径: ['进入', '默认'], 收益: [5, 5]
不适用场景
以下场景博弈论分析免费版不适合处理：
- 实时流数据处理
- 小规模数据手动分析
- 非结构化文本情感分析
触发条件
需要数据分析、报表生成、统计洞察、数据可视化时使用。不适用于非本工具能力范围的需求.
快速开始
Step 1: 定义博弈
# 用收益矩阵定义博弈
# 矩阵形状: (行策略数, 列策略数, 2)
# 第 3 维 [0] 是行玩家收益, [1] 是列玩家收益
# ...
cooperation_game = [
[[3, 3], [0, 5]], # 合作
[[5, 0], [1, 1]], # 背叛
]
Step 2: 分析均衡
analyzer = GameTheoryAnalyzer(cooperation_game)
find_nash_equilibrium())
find_dominant_strategies())
Step 3: 解读结果
解读要点:
1. 纳什均衡: 双方都不愿单方面改变的状态
2. 优势策略: 无论对手如何都最优的策略
3. 帕累托最优: 无法在不损害他人的前提下让某人更好的状态
4. 社会最优: 双方收益之和最大的状态
配置示例
经典博弈案例库
CLASSIC_GAMES = {
"prisoners_dilemma": {
"name": "囚徒困境",
"matrix": [[[-5, -5], [0, -10]], [[-10, 0], [-1, -1]]],
"strategies": ["坦白", "沉默"],
"nash": [(0, 0)],
"pareto_optimal": [(1, 1)],
"insight": "个人理性导致集体非最优",
},
"stag_hunt": {
"name": "猎鹿博弈",
"matrix": [[[5, 5], [0, 3]], [[3, 0], [3, 3]]],
"strategies": ["猎鹿", "猎兔"],
"nash": [(0, 0), (1, 1)],
"pareto_optimal": [(0, 0)],
"insight": "存在多个均衡,需协调",
},
"chicken_game": {
"name": "胆小鬼博弈",
"matrix": [[[0, 0], [3, -1]], [[-1, 3], [-3, -3]]],
"strategies": ["直行", "转向"],
"nash": [(0, 1), (1, 0)],
"pareto_optimal": [(0, 1), (1, 0)],
"insight": "谁先转向谁吃亏,但都不转向两败俱伤",
},
"battle_of_sexes": {
"name": "性别战",
"matrix": [[[3, 2], [0, 0]], [[0, 0], [2, 3]]],
"strategies": ["看球赛", "看电影"],
"nash": [(0, 0), (1, 1)],
"pareto_optimal": [(0, 0), (1, 1)],
"insight": "利益冲突下的协调问题",
},
}
分析模板
# 博弈分析报告
# ...
## 1. 情境描述
[参与方、可选策略、收益规则]
# ...
## 2. 收益矩阵
| | 玩家 B 策略 1 | 玩家 B 策略 2 |
|:-----|:-----|:-----|
| 玩家 A 策略 1 | (a11, b11) | (a12, b12) |
| 玩家 A 策略 2 | (a21, b21) | (a22, b22) |
# ...
## 3. 优势策略分析
- 玩家 A: [有/无] 优势策略
- 玩家 B: [有/无] 优势策略
# ...
## 4. 纳什均衡
- 均衡点: [...]
- 均衡收益: [...]
# ...
## 5. 帕累托最优
- 帕累托最优状态: [...]
# ...
## 6. 洞察与应用
[现实意义与建议]
最佳实践
1. 收益矩阵规范
# 收益矩阵规范:
# 1. 第一个数字总是行玩家 (玩家 A) 的收益
# 2. 第二个数字总是列玩家 (玩家 B) 的收益
# 3. 收益数值: 正数表示收益,负数表示损失
# 4. 数值大小表示偏好强度
# ...
# 示例: 标准囚徒困境 (刑期年数,负数表示损失)
# 收益: [-5, -5] 表示 A 被判 5 年,B 被判 5 年
2. 现实情境建模
建模步骤:
1. 识别参与方 (谁在做决策?)
2. 列出每个参与方的可选策略
3. 评估每个策略组合的收益 (主观效用)
4. 构建收益矩阵
5. 求解均衡并解读
# ...
注意事项:
- 收益不一定是金钱,可以是效用 (满足感、声誉等)
- 收益是相对的,只关心排序而非绝对值
- 模型是简化,现实决策还需考虑道德、长期影响
3. 重复博弈的洞察
def repeated_game_insight(game_type, repetitions):
"""重复博弈洞察"""
if game_type == "prisoners_dilemma":
if repetitions == "infinite":
return "无限重复可达成合作 (无名氏定理),以牙还牙策略有效"
else:
return f"有限重复 {repetitions} 次,合作难以维持 (逆向归纳导致背叛)"
return "需要具体分析"
常见问题
Q1: 纳什均衡一定存在吗?
有限博弈中至少存在一个纳什均衡 (可能混合策略)。纯策略均衡不一定存在.
Q2: 纳什均衡是最优解吗?
不一定。纳什均衡是"稳定"状态,不一定是帕累托最优 (如囚徒困境).
Q3: 免费版支持多人博弈吗?
免费版聚焦 2 人博弈。n 人博弈需要 PRO 版本.
Q4: 现实中如何应用博弈论?
博弈论提供分析框架,帮助识别策略互动、预测均衡、设计机制。但现实决策还需结合道德、长期影响等因素.
Q5: 如何处理不完全信息博弈?
免费版支持完全信息博弈。贝叶斯博弈 (不完全信息) 需要 PRO 版本.
依赖说明
运行环境
- Agent 平台: 支持 SKILL.md 规范的任意 AI Agent (Claude Code、Cursor、Codex、Gemini CLI 等)
- 操作系统: Windows / macOS / Linux
- Python: 3.8+ (用于数值计算)
依赖详情
| 依赖项 | 类型 | 是否必需 | 获取方式 |
|---|---|---|---|
| LLM API | 推理服务 | 必需 | 由 Agent 内置 LLM 提供 |
| Python 3.8+ | 运行时 | 可选 | python.org 下载 |
| NumPy | Python 库 | 可选 | pip install numpy (矩阵运算) |
API Key 配置
# 免费版无需外部 API Key
# 所有分析通过 Agent LLM 本地推理完成
# ...
# 可选: 默认分析偏好
export GAME_THEORY_LANGUAGE="zh"
export GAME_THEORY_VERBOSE="true"
可用性分类
- 分类: MD+EXEC (Markdown 指令 + 代码执行)
- 说明: 本 Skill 通过自然语言指令驱动 Agent 进行博弈论分析,提供逻辑推导与可视化
- 免费版限制: 2 人博弈、纯策略为主、无演化博弈、无机制设计、无实验数据
错误处理
| 错误场景 | 原因 | 处理方式 |
|---|---|---|
| 配置错误 | 参数缺失或格式错误 | 检查依赖说明中的配置要求 |
| 运行时错误 | 运行环境不满足 | 确认运行环境符合依赖说明 |
| 网络错误 | 连接超时或不可达 | 执行ping命令测试网络连通性,检查防火墙和代理设置连接后执行ping命令测试网络连通性,检查防火墙和代理设置连接后重新执行命令，参考国内替代方案 |
已知限制
- 需LLM支持,无LLM环境不可用
- 复杂业务场景建议结合人工经验判断
- 执行效率受模型能力与网络环境影响
示例
基本用法
输出：返回执行结果,包含操作状态和输出数据
用户: 执行核心功能
Skill: 正在执行核心功能...
Skill: 执行完成,结果如下: 操作成功
Related skills
面向决策的数据分析助手,提供统计严谨性、假设检验、A/B测试与陷阱识别的免费核心能力。Use when 需要数据分析、报表生成、统计洞察、数据可视化时使用。不适用于实时流数据处理。适用于独立开发者、企业团队和自动化工作流场景。支持中文交互，无需复杂配置即开即用。输出结果可直接使用，减少二次加工成本。 功能涵盖: toolkit。
4 installs
结构化分析任意输入,支持数据、代码、文本、决策的优先级排序与结论推导。Use when 需要数据分析、报表生成、统计洞察、数据可视化时使用。不适用于实时流数据处理。适用于独立开发者、企业团队和自动化工作流场景。支持中文交互，无需复杂配置即开即用。输出结果可直接使用，减少二次加工成本。提供结构化输出和错误处理机制。
1 installs
全流程游戏开发向导,涵盖设计、编码、测试、发布与运营基础。Use when 需要代码生成、编程辅助、调试测试、开发部署时使用。不适用于无明确技术栈的模糊需求。适用于独立开发者、企业团队和自动化工作流场景。支持中文交互，无需复杂配置即开即用。输出结果可直接使用，减少二次加工成本。提供结构化输出和错误处理机制。
3 installs
可计算博弈与协商引擎（model-agnostic）。针对多方谈判/分配场景，给出最优或纳什策略： Nash 议价、Rubinstein 轮流出价、Shapley 公平分配、零和 minimax 均衡。 实体化"前沿认知·博弈谈判"，让 agent 能求可计算的最优/纳什策略而非拍脑袋。
CSV数据分析免费版，提供快速统计与基础筛选，零外部依赖，适合轻量数据探索。Use when 需要数据分析、报表生成、统计洞察、数据可视化时使用。不适用于实时流数据处理。适用于独立开发者、企业团队和自动化工作流场景。支持中文交互，无需复杂配置即开即用。输出结果可直接使用，减少二次加工成本。提供结构化输出和错误处理机制。
1 installs