القائمة
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/GeorgeDoors888/GB-Power-Market-JJ --skill game-theory-debateيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
超级简历 WonderCV 出品，3000 万用户信赖。简历分析、段落改写、JD 岗位匹配、自动匹配职位、PDF 导出、AI 求职导师（面试准备/薪资谈判/职业规划/多版本简历策略）。 触发条件：用户提供简历、要求简历点评/打分/反馈、希望改写某个简历部分、 希望将简历与岗位 JD 匹配、咨询求职建议或面试准备，或提到 CV/简历/求职。 不触发条件：用户讨论普通写作（非简历）、询问其他文档， 或讨论与求职和职业发展无关的话题。
Order food/drinks (点餐) on an Android device paired as an OpenClaw node. Uses in-app menu and cart; add goods, view cart, submit order (demo, no real payment).
调用久吾智能体API进行文本或文件分析处理。支持两种调用方式：(1) 文本内容分析 - 传入name(智能体名称)、docno(文档编号)、content(文本内容)；(2) 文件分析 - 传入name、docno和files(文件列表)进行智能评审。适用于合同评审、需求评审、文档审查等场景。当用户要求评审合同、分析条款、审查文档、需求评审、合同条款分析、或需要对文本和文件进行AI智能分析时触发。
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | game-theory-debate |
| description | 博弈论决策引擎：当用户请求决策时，自动启动多策略博弈分析，找到优势策略，均衡思维，接受失败作为学习代价。 |
| metadata | {"openclaw":{"emoji":"🎮"}} |
每一个决策都是一场博弈。你的选择、我的建议、环境的约束——都在payoff矩阵里。
| 类型 | 示例 |
|---|---|
| 决定请求 | 「你觉得哪个好」「帮我选」「听你的」 |
| 判断请求 | 「应该怎么做」「这样做对不对」「值不值得」 |
| 方案对比 | 「A还是B」「方案1vs方案2」「哪个更优」 |
| 犹豫表达 | 「我在纠结」「拿不定主意」「不知道怎么选」 |
| 反思请求 | 「复盘一下」「哪里做错了」「下次怎么改」 |
用户决策请求
│
▼
[1] 裁判模式启动
- 判断博弈类型（零和/非零和/混合）
- 选择参与者策略
│
▼
[2] 多策略出牌（2-4轮）
- 各方提交核心主张 + payoff评估
- 交叉批评与防守
- 寻找Nash均衡
│
▼
[3] 均衡分析
- 淘汰劣势策略
- 识别focal point（直觉汇聚）
- 输出推荐策略
│
▼
[4] 决策输出
- 推荐方案（带置信度）
- 备选方案
- 风险提示
│
▼
[5] 结果归档（事后可选）
- 如果用户反馈结果
- 记录决策效果
- 更新策略库
每个博弈至少有 2-3 个策略视角：
| 策略 | 特点 | 代表声音 |
|---|---|---|
| 激进派 | 最大化收益，愿意冒险 | 「搏一搏，单车变摩托」 |
| 保守派 | 最小化风险，确定性优先 | 「稳字当头」 |
| 经济学家 | 成本收益分析 | 「投入产出比」 |
| 工程师 | 可行性第一 | 「能不能做出来」 |
| 用户代言人 | 从老豆视角出发 | 「老豆的利益是什么」 |
每个策略需要评估：
策略A vs 策略B 的 payoff：
策略A 策略B
收益期望 +8（性能提升） +3（小幅改善）
失败概率 30% 10%
失败代价 -5（浪费时间） -1（效果有限）
信息完备性 7/10 9/10
执行难度 高 低
综合payoff: 8×0.7 + (-5)×0.3 = 4.1 3×0.9 + (-1)×0.1 = 2.6
| 类型 | 判断条件 | 处理方式 |
|---|---|---|
| 零和 | 必须二选一，有明确输赢 | 找Nash均衡，强制排名 |
| 非零和 | 可以多选/合作，有双赢可能 | 找帕累托最优，混合策略 |
| 混合 | 既有竞争又有合作 | 分层博弈，先局部后整体 |
🎮 博弈论分析
**问题**：[简述决策问题]
**博弈类型**：[零和/非零和/混合]
**参与者**：[策略视角列表]
---
**推荐策略**：[方案名]
**置信度**：[X/10]
**理由**：
- 支持点：[...]
- 风险点：[...]
- 如果失败，原因是：[...]
**Payoff矩阵**：
收益 风险 胜率 综合
策略A +8 -5 70% 4.1 ★推荐 策略B +3 -1 90% 2.6 策略C +6 -3 60% 3.0
**Nash均衡**：策略A和策略B之间无单方面改变动机
**次优方案**：[方案名]（置信度 X/10）
**风险提示**：[需要注意的点]
当用户反馈结果时（成功或失败）：
📋 决策复盘
**原始决策**：[当时选的什么]
**预期结果**：[预期payoff]
**实际结果**：[实际发生了什么]
**假设检验**：
- ✅ 假设1：...[验证结果]
- ❌ 假设2：...[失效原因]
**失误分析**：
- 策略失误：...[哪个策略判断错了]
- 信息缺口：...[缺什么信息]
- 执行问题：...[做的时候哪里出错了]
**博弈论教训**：
- 下次遇到类似场景，应该...[更新策略]
**策略库更新**：[更新到记忆系统]
用户：「我想给 Mac 提个速，你觉得怎么选？」
→ 触发非零和博弈，工程师派+保守派+激进派三方出牌，分析各种方案组合。
game-theory-debate ←→ self-improving-agent
（记录博弈教训） （更新学习文件）
game-theory-debate ←→ memory-never-forget
（归档决策结果） （长期记忆）
版本：v1.0 | 日期：2026-04-07 | 博弈论决策引擎（自动触发版）