virtual-forum（虚拟论坛）

🎭 虚拟论坛 Virtual Forum v5.0

"让思想碰撞，让智慧涌现。"

v5.0 架构

v5.0 使用外部CLI实现真正的多agent并行辩论：

• v5/debate_parallel.sh - Claude Code并行辩论脚本
• v5/game-theory/ - 博弈论分析模块（可独立使用）

不再维护：v3.x 和 v4.0 已废弃（代码已移除）

⚠️ 安全警告

v5.0 会读取本地Skill文件并发送到外部API。请注意：

1. Skill内容外传：脚本读取 SKILL.md 文件内容，通过 claude --print 发送到外部
2. 敏感信息：确保Skill文件中不包含密码、API密钥或其他私密信息
3. 路径配置：使用环境变量 SKILLS_DIR 和 OUTPUT_DIR 避免硬编码路径
4. 网络传输：所有Skill内容会通过HTTPS发送到Claude API

核心理念

虚拟论坛是一个多角色讨论框架，让蒸馏的人物Skill就特定话题展开有意义的对话。

不是简单的问答，而是结构化的思想交锋。

核心概念

两种讨论模式

可配置参数

轮次: 10 / 20 / 50 轮
主持人: 总主持 + 技术主持（可选）+ 魔鬼代言（可选）
参与者: 2-N 人
发言限时: 3分钟 / 5分钟 / 不限时
胜负判定: 点数制 / 投票制 / 让步制
输出格式: 对话流 / 报告流 / 决策流

执行流程

Phase 1: 配置讨论

收集用户配置：

主持人风格：

Phase 2: 初始化讨论

1. 加载参与者Skill

- 读取每个参与者的SKILL.md - 提取心智模型、表达DNA、核心观点

1. 生成开场白

- 主持人自我介绍 - 介绍话题和参与者 - 说明讨论规则

1. 分配角色（如有需要）

- 技术主持：追问技术细节 - 魔鬼代言：故意唱反调

Phase 3: 执行讨论

每轮结构：

┌─────────────────────────────────────────┐
│ 第N轮                                    │
├─────────────────────────────────────────┤
│ 1️⃣ 轮流陈述   每人阐述观点 (限时)        │
│ 2️⃣ 交叉提问   可以点名某人提问           │
│ 3️⃣ 回应追问   被点名者回应              │
│ 4️⃣ 自由交锋   随机或点名辩论            │
│ 5️⃣ 回合总结   主持人简要归纳             │
└─────────────────────────────────────────┘

不同模式的轮次差异：

Phase 4: 追踪论点

论点追踪表：

┌──────────┬─────────┬─────────┬─────────┬─────────┐
│ 参与者   │ 核心论点 │ 被追问  │ 有效反驳│ 得分    │
├──────────┼─────────┼─────────┼─────────┼─────────┤
│ 巴菲特   │ 3个     │ 2次     │ 1次     │ +5      │
│ 芒格     │ 4个     │ 3次     │ 2次     │ +8      │
└──────────┴─────────┴─────────┴─────────┴─────────┘

得分规则：

• 提出有效论点：+2分
• 成功反驳对方：+3分
• 被有效反驳：-1分
• 回避问题：-2分

Phase 5: 判定结果

Phase 6: 生成输出

对话流格式：

🎙️ 主持人：开场
💬 A：观点
💬 B：回应
⚔️ A vs B：交锋
📋 主持人：总结

报告流格式：

# 讨论报告

## 话题
...

## 参与者
...

## 核心论点
### A方
...
### B方
...

## 共识
...

## 分歧
...

## 结果
...

决策流格式：

# 决策建议

## 问题
...

## 方案A | 方案B | 方案C
...

## 投票结果
...

## 建议行动
1. ...
2. ...

使用示例

# 启动虚拟论坛
发起讨论：巴菲特 vs 芒格，当前市场该激进还是保守？

# 指定配置
虚拟论坛
模式：对抗性
轮次：20
参与者：巴菲特、芒格、马斯克
主持人：犀利主持人
输出：对话流

# 快速启动
让乔布斯和马斯克讨论：电动车行业未来

技术实现

核心模块

virtual-forum/
├── forum-engine.js       # 主讨论引擎
├── moderator.js          # 主持人逻辑
├── argument-tracker.js   # 论点追踪
├── verdict-calculator.js # 胜负判定
└── output-formatter.js   # 输出格式化

关键功能

1. Skill加载器：读取已蒸馏的Skill
2. 观点生成器：基于Skill的思维框架生成观点
3. 论点追踪器：记录每轮交锋
4. 判定引擎：计算最终结果
5. 格式化器：生成可读输出

与女娲的关系

女娲蒸馏人物，虚拟论坛让蒸馏的人物"活"起来。

• 女娲 → 造人：提取思维框架
• 虚拟论坛 → 用人：让框架互动

诚实边界

• 虚拟论坛的观点是基于Skill中记录的思维框架"模拟"生成
• 不是真正的人物在思考
• 结果应作为参考，不是真理
• 胜负判定是游戏化的，帮助结构化思考

v3.6 行为经济学增强版 (2026-04-12)

基于三本经典著作实现的行为经济学模块：

• 前景理论 (Kahneman & Tversky, 1979) - 风险决策分析
• 有限理性模型 (Simon & Jones, 1999) - 认知限制与决策
• 助推理论 (Thaler & Sunstein, 2008) - 选择架构设计

新增核心模块

const { BehavioralEconomicsSubagentArena } = require('./v3/behavioral-arena');

const arena = new BehavioralEconomicsSubagentArena();
await arena.initArenaWithBehavioralEconomics({
  topic: "气候变化政策",
  participants: [
    { name: "环保主义者", position: "激进减排" },
    { name: "经济学家", position: "成本效益平衡" }
  ],
  rounds: 5
});

v3.7 博弈论增强版 (2026-04-18)

实现真正的博弈论计算，不再是"博弈论主题装饰"。基于：

• Myerson (1991) - Nash均衡计算公式
• Fudenberg & Tirole (1991) - 博弈论经典教材
• Brown (1951) - Fictitious Play学习动态

核心新增模块

// 真正的博弈论框架
const { GameTheoryArena, GameStructure, BayesianBeliefSystem } = require('./v3/game-theory-v2');

const arena = new GameTheoryArena();
await arena.initArenaWithGameTheory({
  topic: "NVDA估值是否合理",
  participants: [
    { name: "巴菲特", skillName: "buffett" },
    { name: "木头姐", skillName: "cathie-wood" }
  ],
  discountFactors: { '巴菲特': 0.95, '木头姐': 0.85 },
  outsideOptions: { '巴菲特': 15, '木头姐': 5 }
});

// 计算Nash均衡
const eq = arena.calculateNashEquilibrium();
// 输出: { type: 'mixed', player1: {prob: 0.7}, player2: {prob: 0.6}, confidence: 0.9 }

// 获取博弈论报告
console.log(arena.getGameTheoryReport());

理论实现

1. 博弈结构 (GameStructure)

显式定义支付矩阵和策略空间：

• 策略空间: 每个参与者可选择"强硬"或"让步"
• 支付矩阵: 博弈收益的完整映射
• Nash均衡计算: 2x2博弈使用解析公式，更复杂博弈使用Fictitious Play近似

2. Nash均衡计算

2x2博弈解析解 (Myerson 1991):

p = (d - c) / (a + d - b - c)
其中:
a = A强硬B强硬的收益
b = A强硬B让步的收益
c = A让步B强硬的收益
d = A让步B让步的收益

N人博弈: 使用Fictitious Play迭代逼近均衡

3. 贝叶斯信念更新 (BayesianBeliefSystem)

真正的贝叶斯更新，非硬编码乘数：

P(H|E) = P(E|H) × P(H) / P(E)

// 例如：观察到攻击性行为 → 更新对手类型信念
posterior = bayesianUpdate('对手', 'aggressive')
// 返回: { prior, posterior, updateStrength }

博弈论功能

均衡分析

const eq = arena.calculateNashEquilibrium();
// { type: 'mixed', confidence: 0.95, equilibriumPayoff: 45.2 }

策略建议

// 基于均衡分析生成策略建议
const advice = arena.getStrategyAdvice('巴菲特');
// 返回: { shouldConcede: false, utility: 38.5, reason: '...' }

贝叶斯预测

const prediction = arena.beliefSystem.predict('木头姐');
// 返回: { type: 'growth', confidence: 0.78 }

对比: v3.5 vs v3.7

文件结构

v3/
├── behavioral/               # 行为经济学模块
├── behavioral-arena.js      # v3.6 行为经济学竞技场
├── game-theory-arena.js     # v3.5 博弈论竞技场（基础版）
└── game-theory-v2.js        # v3.7 博弈论竞技场（真正实现）🆕

使用建议：

• 简单辩论使用 SubagentArena (v3.4)
• 博弈论分析使用 GameTheoryArena (v3.7) ← 推荐
• 行为经济学 + 博弈论使用 BehavioralEconomicsSubagentArena (v3.6)

行为经济学功能

1. 前景理论引擎

• 价值函数: 收益凹函数(风险厌恶) vs 损失凸函数(风险寻求)
• 概率加权: 高估小概率，低估中高概率
• 四折模式: 解释彩票偏好、保险购买、确定性效应
• 框架效应: 增益框架 vs 损失框架的偏好逆转
• 损失厌恶: λ ≈ 2.25，损失影响是收益的2.25倍

2. 有限理性引擎

• 满意化决策: 寻找足够好的方案而非最优
• 可得性启发: 基于记忆可提取性判断概率
• 代表性启发: 基于相似性判断，忽视基础概率
• 锚定调整: 从初始值出发，调整不足
• 双系统理论: 系统1(快速直觉) vs 系统2(慢速理性)
• 注意力模型: 注意力作为稀缺资源的分配

3. 助推理论引擎

• 选择架构: 默认选项、排序效应、简化选择
• 社会规范: 利用从众心理和社会证明
• 框架设计: 增益/损失/社会框架的应用
• 反馈机制: 即时反馈、社会比较、游戏化
• 承诺机制: 软承诺到硬承诺的设计

辩论中的应用

偏差检测

const insights = arena.analyzeRoundBehavior(roundData);
// 检测：损失厌恶、确定性效应、可得性偏差、锚定效应等

策略建议

const advice = arena.generateBehavioralAdvice(agentName, {
  position: "支持",
  opponentPosition: "反对",
  topic: "议题",
  audienceProfile: { riskAverse: true }
});

综合报告

const report = arena.generateBehavioralReport();
// 包含：博弈论分析 + 行为经济学洞察 + 综合策略建议

v3.9 高级博弈论完整版 (2026-04-18)

v3.8基础上新增P1级别模块：

• Rubinstein议价博弈 - 轮流议价模型
• Shapley联盟博弈 - 联盟价值分配与核心稳定性

理论依据：

• Rubinstein (1982) - 轮流议价均衡
• Shapley (1953) - 联盟博弈核心论文

核心新增模块

const {
    SignalingGame,
    RepeatedGameEngine,
    InformationDesigner,
    BargainingGame,      // 🆕 议价博弈
    CoalitionGame,       // 🆕 联盟博弈
    AdvancedGameTheoryArena,
} = require('./v3/advanced-game-theory');

4. 议价博弈 (BargainingGame) [P1]

核心问题：蛋糕如何分配？谁先出价？耐心程度如何影响结果？

Rubinstein均衡公式：

p1_share = (1 - δ₂) / (1 - δ₁δ₂)  // P1先出价时
p2_share = δ₂(1 - δ₁) / (1 - δ₁δ₂)

功能：

示例：

const bargaining = new BargainingGame();
const eq = bargaining.calculateEquilibrium(0.9, 0.85, 'player1');
// P1先出价: P1=57.9%, P2=42.1%

const offer = bargaining.generateOffer('巴菲特', 0.9, 0.85, 100);
// 返回出价建议和策略分析

const eval = bargaining.evaluateOffer('马斯克', 0.35, 0.9, 0.85);
// 返回是否应该接受当前出价

5. 联盟博弈 (CoalitionGame) [P1]

核心问题：谁和谁结盟？收益如何公平分配？联盟是否会崩溃？

Shapley公式：

φ_i(v) = Σ_{S⊆N\{i}} [|S|!(n-|S|-1)!/n!] × [v(S∪{i}) - v(S)]

功能：

示例：

const coalition = new CoalitionGame();
coalition.init(['巴菲特', '马斯克', '木头姐'], (S) => {
    if (S.length === 0) return 0;
    if (S.length === 1) return 1;
    if (S.length === 2) return 3;
    return 5;  // 三人联盟最大价值
});

const shapley = coalition.calculateShapleyValues();
// { '巴菲特': 2.33, '马斯克': 2.33, '木头姐': 2.33 }

const stability = coalition.checkCoreStability(shapley.shapleyValues);
// { isStable: true, stabilityScore: 100 }

对比: v3.8 vs v3.9

文件结构

v3/
├── behavioral/               # 行为经济学模块
├── behavioral-arena.js      # v3.6
├── game-theory-arena.js     # v3.5
├── game-theory-v2.js        # v3.7
├── advanced-game-theory.js  # v3.9 ⭐ 完整版
└── game-theory-v2.js       # v3.7

使用建议：

• 简单辩论: SubagentArena (v3.4)
• 博弈论分析: GameTheoryArena (v3.7)
• 深度辩论（推荐）: AdvancedGameTheoryArena (v3.9)

理论来源

1. Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk. *Econometrica*, 47(2), 263-291.

1. Jones, B. D. (1999). Bounded Rationality. *Annual Review of Political Science*, 2, 297-321.

1. Thaler, R. H., & Sunstein, C. R. (2008). Nudge: Improving Decisions About Health, Wealth, and Happiness. Yale University Press.