game-negotiation

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。

game-negotiation（博弈谈判）

北极星能力域「前沿认知(下一梯队)·博弈谈判」实体化。一线大模型对博弈/协商 常给泛泛建议；本技能给出可计算、可验证的均衡解。

何时使用

• 多方资源/收益分配需要"公平且有理有据"的方案。
• 谈判中需知道"最优出价份额"或"对方最优反应"。
• 合作博弈要按贡献公平分润（Shapley）。
• 零和/对抗场景求 minimax 均衡值与混合策略。

工作流

1. 识别博弈型：合作分配→Nash/Shapley；序贯谈判→Rubinstein；对抗→minimax。
2. Nash 议价：威胁点(disagree) + 可分配剩余(surplus) + 议价力权重(weights) → 闭式分配。
3. Rubinstein：双方贴现因子(p,r) → 子博弈完美均衡份额。
4. Shapley：特征函数(char_func) → 每玩家平均边际贡献。
5. minimax：收益矩阵 → 离散网格近似最大最小均衡值。
6. 可靠自验证：--selftest 断言全部符合闭式/理论值，reliability<0.8 即回退。

运行

bash

python scripts/negotiator.py --selftest
# Nash 等权分 100：--mode nash --json '{"disagree":[0,0],"surplus":100,"weights":[1,1]}'
# Rubinstein δ=0.9：--mode rubinstein --json '{"p":0.9,"r":0.9}'

增强点（融入元进化闭环）

• 自验证：selftest 含 Nash/Rubinstein/Shapley/minimax 理论基准。
• 自进化：已注入 learner，纳入 meta-evolver 的 sense/plan/record 闭环。

已知限制

• minimax 为离散网格近似，矩阵>2 维退化为等权（仅 2xN 精确）。
• Shapley 复杂度 2^n，玩家>~12 需采样近似。
• 假设理性/共同知识，非理性对手需加行为博弈层。