基于 SOC 职业分类
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/GeorgeDoors888/GB-Power-Market-JJ --skill game-theory-debate命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
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。
| 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）