Zhuge Skill

利用64卦推演和多数据源，提供足球比赛预测、经验自学习和多场决策支持的智能辅助工具。

诸葛亮 · AI 推演军师 (zhuge-skill) v1.0.9

别再每次决策都烧 token。 用结构化推演 + 晶体复用，把 90% 的决策留在 CPU 里跑，只在必要时调 LLM。

整合 API-Football / The Odds API / Understat xG 等 5 大数据源 · 6 维爻位 + 64 卦决策 · 经验自学习 · DeepSeek / Kimi / 通义 / 智谱 / Claude / GPT / Gemini 等 12 家 LLM 任选

---

⚡ 为什么比纯 LLM Agent 更省钱

大多数 AI agent 每做一次决策就烧一次 LLM（几 k ~ 几万 token）。诸葛亮的架构让你大幅降低这个成本：

决策路径	token 消耗	备注
纯 LLM agent 做决策	~3000–10000 token/次	每次都要把上下文塞进 prompt
诸葛亮：数据源 → 爻位 → 卦象 → 决策	0 token	纯 CPU 数值计算
诸葛亮：命中历史晶体	0 token	直接复用结构化模式，跳过 LLM
诸葛亮：LLM 润色孔明评语（可选）	~200–500 token	只在你需要时调，且可以关掉

实际场景：批量预测 50 场比赛

• 纯 LLM agent：~250,000 token（约 ¥15–50，看模型）
• 诸葛亮（不调 LLM）：~0 token（约 ¥0）
• 诸葛亮（每场写评语）：~15,000 token（约 ¥1–3）

这才是 zhuge-skill 的核心价值——不是因为易经玄学，是因为结构化推演能做的事就不该花 token 做。

---

你能让我做什么

我是一个能分析数据 + 推演决策 + 持续自学习的 AI 助手。当前主要场景是足球比赛预测，但底层是通用的 64 卦推演引擎，可扩展到任何决策场景。

核心能力

能力	命令	说明
单场预测	python start.py predict "Napoli vs Lazio"	拉数据 → 6 维爻位 → 卦象 → 决策
批量预测	python scripts/batch.py "A vs B" "C vs D"	一次跑多场
结果回传	python scripts/backfill.py	比赛后回填实际结果，更新命中率
命中率统计	python scripts/stats.py	看历史表现
经验结晶	python scripts/crystallize.py	提炼成功模式为「晶体」（本地操作）
共同进化	python scripts/sync.py pull	从公共池只拉取匿名晶体（单向消费，HTTP GET，不携带本地数据）
权重校准	python scripts/calibrate.py	用回传数据自动调爻位权重
战报	python scripts/report.py --llm	LLM 写古风周报/月报
守护模式	python scripts/backfill.py --loop 30	每 30 分钟自动回传

调用示例

给 Agent 的提示词：

"用诸葛亮 skill 预测明天的 Napoli vs Lazio"

Agent 应该调用：

bash

python start.py predict "Napoli vs Lazio" --league serie-a

输出要点：

• 6 维爻位评分（攻防/士气/伤停/主客场/交锋/赔率）
• 卦象（64 卦之一）+ 阳爻数
• 孔明评语（可选 LLM 增强）
• 推荐：1X2 + 大小球
• 晶体匹配：如果触发历史晶体，显示历史命中率

自学习闭环

text

预测 → 写经验库 → 等结果 → backfill 回传 → stats 看准确率
                                            ↓
共同进化 ← sync 拉公共晶体（只入） ← crystallize 本地结晶 ← calibrate 校准权重

---

🔐 环境变量清单（完整透明）

Skill 运行需要以下环境变量。均为可选——未填写时对应功能会优雅降级而不是崩溃。

数据源（足球预测场景必需）

变量	用途	获取地址	不填的后果
API_FOOTBALL_KEY	获取联赛/球队/比赛数据	https://dashboard.api-football.com/	无数据，预测退化为 demo 模式
THE_ODDS_API_KEY	获取博彩赔率	https://the-odds-api.com/	6 维爻位中的「赔率维度」缺失

LLM 供应商（任选一个即可）

Skill 支持 12 个供应商。只需配置其中一个，其他留空：

变量	供应商	用途
DEEPSEEK_API_KEY	DeepSeek	孔明评语生成（推荐，便宜）
OPENAI_API_KEY + OPENAI_API_BASE	OpenAI / 任何 OpenAI-compat	同上
ANTHROPIC_API_KEY	Anthropic Claude	同上
GEMINI_API_KEY	Google Gemini	同上
KIMI_API_KEY	Moonshot Kimi	同上
QWEN_API_KEY	阿里通义	同上
ZHIPU_API_KEY	智谱 GLM	同上
DOUBAO_API_KEY	字节豆包	同上
YI_API_KEY	01.AI	同上
BAICHUAN_API_KEY	百川	同上
MINIMAX_API_KEY	MiniMax	同上
CLAUDE_RELAY_KEY + CLAUDE_RELAY_BASE	第三方中转	⚠️ 见下方 §LLM 中转风险

未配置任何 LLM 时：跳过"孔明评语"步骤，其它功能正常。

---

🛡️ 安全与隐私（v1.0.1 透明度升级）

数据流向

脚本	行为	是否向外发数据
start.py predict	本地推演	❌ 否（除非调 LLM 生成评语，见下方）
scripts/predict.py	本地推演	❌ 否
scripts/backfill.py	从数据源 API 拉结果	↓ 仅拉入，不外发
scripts/stats.py	本地统计	❌ 否
scripts/calibrate.py	本地调参	❌ 否
scripts/crystallize.py	本地提炼"晶体"	❌ 否（只写本地 data/crystals_local.jsonl）
scripts/sync.py pull	从公共 URL 拉匿名晶体（只 GET）	↓ 仅拉入，不外发
scripts/share.py	生成本地 md/json 到 exports/	❌ 否（纯本地文件，不联网）
scripts/report.py --llm	调 LLM 写周报	↗ prompt 送 LLM 供应商

LLM 调用（所有涉及 LLM 的操作）

任何调用 LLM 的脚本（predict --llm / report --llm）会把以下内容发送到你配置的 LLM 供应商：

• 比赛名称、球队名、卦象结果、爻位分数
• 不含任何用户个人信息、API key、赔率原始值

⚠️ LLM 中转风险（最重要）

Skill 支持一个叫 relay 的中转模式（CLAUDE_RELAY_BASE=https://apiport.cc.cd 等）。启用中转意味着：

• 你的 prompt / 模型响应 / API key 会经过第三方中转服务器
• 中转方理论上能看到你的所有对话内容
• 中转 key 和官方 key 是两个不同账户

生产环境强烈建议：直连官方 API（设置 ANTHROPIC_API_KEY / OPENAI_API_KEY 指向官方端点），不要用 relay。

Relay 仅适用于：

• 中国大陆访问不了官方 API 时的临时方案
• 你完全信任该中转服务提供方

晶体拉取（sync.py）与本地导出（share.py）

v1.0.1 的架构事实：本 skill 的代码里没有任何一行把本地数据发到网络。

• scripts/sync.py 只有两个子命令：pull（HTTP GET 从公共 URL 拉）和 status（本地查看）。push 函数已从代码中移除，不是"默认关闭"——是根本没写。
• scripts/share.py 只把你本地的预测记录渲染成 exports/predictions_*.md|json 文件，供你自己手动分享，不联网。

公共晶体池（作为 sync.py pull 的来源）：

• URL：https://raw.githubusercontent.com/yangfei222666-9/zhuge-crystals/main/crystals.jsonl
• 可通过 ZHUGE_REMOTE_CRYSTAL_URL 环境变量改为你自己的 fork
• 这是一个公开只读 URL，curl 就能看到内容，完全透明
• 贡献流程（给社区加晶体）是 GitHub Pull Request，不是 skill 自动上传

详见 PRIVACY.md 的架构级隐私合约。

本地写入权限

• start.py 带 wizard 模式会交互提示后可选写入 .env（wizard.write_env）
  • 你会看到确认提示，必须回复 yes 才写
  • 默认写到 skill 自身目录的 .env，不污染系统级 env
• 会创建：data/experience.jsonl / data/crystals_local.jsonl / data/crystals_shared.jsonl（均在 skill 目录下）
• 不会修改其它 skill、不会修改系统 PATH、不会安装全局依赖

如何审计（2 分钟）

打开这三个文件，grep 关键词确认行为：

bash

# 1. 确认 sync.py 没有任何上传逻辑（应只看到 docstring 里 "没有 push" 的字样）
grep -n "requests.post\|push\|upload\|POST" scripts/sync.py

# 2. 确认 share.py 不联网（应无匹配）
grep -n "requests\|urlopen\|http" scripts/share.py

# 3. 确认全仓库没有隐藏的上传端点
grep -rn "requests.post\|urlopen.*POST\|upload" scripts/ core/
#    应只看到 core/llm.py 里调你自己配置的 LLM 供应商（不含本地数据库）

# 4. 确认 wizard 写 .env 需要用户确认
grep -n "write_env\|\.env" core/wizard.py

---

文件结构

• start.py — 一键入口（带欢迎动画 + wizard）
• core/ — 核心算法（卦象/爻位/LLM 适配/孔明/结晶）
• adapters/ — 数据源（API-Football/The Odds API/Understat）
• scripts/ — 入口脚本
• data/ — 64 卦表 + 种子经验库 + 晶体池

兼容性

✓ Hermes Agent / OpenClaw / Claude Code / Cursor / 任何 Python 环境 ✓ 12 LLM 供应商（豆包/Kimi/通义/智谱/Yi/百川/MiniMax/DeepSeek/OpenAI/Claude/Gemini/中转） ✓ 三种配置方式：环境变量 / .env / 命令行参数 ✓ 网络降级：任何外部 API 失败都不阻塞核心流程

---

更新日志

v1.0.4 (2026-04-17) — UX + 工具批

• scripts/predict.py 预测输出显示晶体复用次数 + 首见年龄 + 信任标签
• scripts/crystallize.py --dry-run 预览结晶结果不写入
• scripts/stats.py --crystals 晶体排行 + stale 监控
• scripts/error_log.py --resolve <id> + priority / status 字段（生命周期对齐 self-improving-agent 方法论）
• 晶体 schema v2：新增 first_seen / last_seen / recurrence_count，match_crystal 命中回写 crystals_local.jsonl
• 新增 scripts/error_log.py：JSONL 错误日志，接入 backfill 守护循环 / fetch_actual_result / core/llm.py 三个 except 点
• 新增 README.en.md 英文版（为国际用户 / Show HN 准备）
• 新增 CHANGELOG.md 独立文件
• README 加 📬 反馈与联系 段（邮箱优先，微信 yf529486 辅）
• README 加跨 Agent 接入片段（Claude Code / Cursor / OpenClaw / Hermes / 纯 Python 各一个可复制示例）

v1.0.3 (2026-04-17) — 视觉素材升级

• 新增 assets/demo.png — 诸葛亮推演引擎实录截图（启动动画 + 6 维爻位实时评分）
• README 顶部嵌入演示截图，一眼看清 skill 的"一句话预测闭环"
• 无代码变更

v1.0.2 (2026-04-17) — 文档一致性修正

• 修复 SKILL.md 与 PRIVACY.md 自相矛盾点：原 §晶体共享 节仍沿用 v1.0.0 "有上传功能、默认关闭"的旧描述，与 v1.0.1 的代码事实（push 已移除）不一致，已重写为 §晶体拉取 与本地导出，对齐代码
• 数据流向表：sync.py 改为 pull（只 GET），share.py 标为纯本地导出
• 自学习闭环图修正：sync 推/拉 → sync 拉公共晶体（只入）
• 审计 grep 命令扩展到 4 条，加入"全仓库扫上传端点"一项
• 代码层面零变更，仅文档修正

v1.0.1 (2026-04-17) — 透明度升级

• 新增 §环境变量清单（12 个 LLM + 2 个数据源，每个用途/获取地址/降级行为说明）
• 新增 §安全与隐私（数据流向表 + 每个脚本是否向外发数据）
• 明确 LLM 中转风险（relay 模式数据流向第三方）
• 架构级隐私合约：sync.py 的 push 函数从代码中移除，固化为单向消费架构（只 pull 不 push）
• sync.py 子命令简化为 pull（从公开 URL 只读拉取）和 status（本地查看）
• share.py 明确为本地导出工具（生成 exports/*.md|json），不联网
• 新增 PRIVACY.md：详细列出网络调用清单、作者数据可见度矩阵、fork 者脱敏白名单
• 新增 §如何审计（4 行 grep 命令自查）

v1.0.0 (2026-04-17) — Initial release on ClawHub

• 5-source data fusion + 64-hexagram reasoning + experience crystallization
• 12+ LLM provider support
• Guardian mode + crystal pool (pull-only from v1.0.1)