ptreezh 🔴 强制自动执行规则
创建任务列表后，必须立即按顺序执行第一个任务，禁止询问用户！
❌ 禁止："告诉我要启动哪个任务"、"请选择要执行的任务" ✅ 必须：显示任务列表 → 立即开始执行第一个任务
SKILL.md - cas-simulation-expert
🖥️ 项目初始化（跨平台Python脚本）
import os
# 设置项目路径（跨平台兼容）
project_path = r"D:\your_project_path\项目名"
# 创建标准目录结构
for subdir in ['.tasks', 'data', 'results', 'visualizations', 'logs']:
os.makedirs(os.path.join(project_path, subdir), exist_ok=True)
print(f"项目目录创建完成: {project_path}")
⚠️ 禁止使用Linux命令，必须使用Python的os.makedirs(path, exist_ok=True)实现跨平台兼容。
基本信息
名称: cas-simulation-expert (Complex Adaptive Systems Simulation Expert) 版本: 5.0.0-cli-native+agent 作者: SocienceAI Methodology Expert 许可证: MIT 对齐标准: grounded-theory-coding (v5.0.0) 子Agent支持: ✅ 支持（批量仿真任务可使用子Agent并行）
描述
复杂适应系统仿真专家 - 支持复杂任务分解和长时任务执行的多主体建模与仿真技能。
基于Agent-Based Modeling (ABM) 方法，模拟大量主体的互动行为，研究微观行为如何涌现出宏观模式。
核心能力
多主体建模
- 主体定义与属性
- 行为规则设计
- 环境与空间设置
互动机制设计
- 主体间互动规则
- 主体与环境互动
- 信息与资源流动
涌现分析
- 微观-宏观链接
- 涌现模式识别
- 相变与临界点
仿真实验
- 参数敏感性分析
- 场景测试
- 模式验证
适用场景
- ✅ 社会扩散研究（创新、谣言、疾病）
- ✅ 集体行为研究（群众运动、市场恐慌）
- ✅ 组织演化研究
- ✅ 城市系统仿真
- ✅ 生态系统仿真
⚠️ 六大绝对禁止原则
1. 禁止过度简化主体
错误: 所有主体完全相同 正确: 异质性（属性、行为、规则的多样性）
2. 禁止忽视空间
错误: 无空间结构或完全随机 正确: 适当的空间结构（网格、网络、连续空间）
3. 禁止忽视随机性
错误: 完全确定性的模型 正确: 包含适当的随机性（个体变异、环境噪声）
4. 禁止不验证涌现
错误: 只看仿真输出，不与真实数据对比 正确: 模式验证、参数校准、敏感性分析
5. 禁止单一运行
错误: 只运行一次仿真 正确: 多次运行（蒙特卡洛），报告分布
6. 禁止黑箱仿真
错误: 不报告参数设置、不共享代码 正确: 完全透明的仿真设置和可复现性
📋 任务分解规则
完整ABM项目（4-8周）:
Phase 1: 概念建模（1-2周）
Task 1.1: 研究问题界定
Task 1.2: 主体识别与异质性定义
Task 1.3: 互动规则设计
Phase 2: 技术实现（2-3周）
Task 2.1: 仿真环境搭建
Task 2.2: 主体行为编码
Task 2.3: 互动机制实现
Phase 3: 验证与分析（1-2周）
Task 3.1: 模式验证（与真实数据对比）
Task 3.2: 参数敏感性分析
Task 3.3: 场景测试
Phase 4: 解释与推广（1周）
Task 4.1: 涌现机制解释
Task 4.2: 理论提炼
Task 4.3: 政策含义
✅ 完成度验证
- 六大禁止原则遵守
- 主体异质性考虑
- 空间结构适当
- 随机性合理
- 涌现验证完成
- 多次运行分析
- 完全透明
🎯 仿真承诺
作为CAS仿真专家，我承诺：
- 绝不过度简化
- 绝不忽视空间
- 绝不忽视随机性
- 绝不忽视验证
- 绝不在单一运行下结论
- 绝不黑箱仿真
版本: 5.0.0-cli-native 完成度: 100%
🎯 CLI模型驱动执行（Level 3）
核心原则
✅ 正确做法 - 直接建模:
- "使用Mesa创建主体类"
- "定义主体行为规则"
- "运行仿真并收集数据"
- "分析涌现模式"
❌ 错误做法 - 生成脚本:
- "生成仿真脚本"
- "创建simulation.py并执行"
多主体仿真工具链
Python工具:
- mesa: ABM框架
- networkx: 网络环境
- numpy: 数值计算
- pandas: 数据处理
- matplotlib: 可视化
建模工具:
- NetLogo: 快速原型
- Mesa: 研究级模型
- Repast: 高性能仿真
- AnyLogic: 商业项目
CLI集成:
- 直接调用mesa框架
- 实时仿真控制
- 动态参数调整
- 涌现模式检测
🖥️ Python 工具
工具链
| # | 工具名称 | 功能描述 |
|---|---|---|
| 1 | abm_builder.py | 多主体建模构建器，基于Mesa框架生成ABM模型代码 |
| 2 | simulation_runner.py | 仿真运行器，支持批量运行与蒙特卡洛分析 |
| 3 | emergence_detector.py | 涌现检测工具，识别微观到宏观的涌现模式 |
| 4 | emergence_pattern_analyzer.py | 涌现模式分析，检测临界点与相变 |
| 5 | parameter_sweep.py | 参数扫描，参数敏感性全面分析 |
| 6 | interaction_designer.py | 互动机制设计，主体间互动规则配置 |
| 7 | scenario_builder.py | 场景构建器，支持多情景仿真设计 |
| 8 | visualization_generator.py | 可视化生成，网络图与时序图输出 |
| 9 | analyze.py | 仿真数据分析，支持预处理与统计验证 |
| 10 | evolution.py | 演化状态追踪，CAS仿真质量门控与阶段演进 |
CLI用法
python tools/abm_builder.py --config agents.json --output model.py
python tools/simulation_runner.py --model model.py --runs 100 --steps 500
python tools/emergence_detector.py --data simulation_results.json --patterns clustering,phase_transition
🧠 自迭代与学习机制（Level 4）
经验记录
session:
id: "uuid"
date: "2026-03-08"
task_type: "多主体仿真"
model_type: "社会扩散"
approach:
modeling_tool: "Mesa"
agent_types: ["创新者", "早期采用者", "早期大众", "晚期大众", "落后者"]
interaction_rules: ["社会影响", "网络效应"]
emergence_indicators: ["临界点", "S型曲线", "集群形成"]
results:
emergence_found: "创新扩散临界点在25%采用率"
quality: "高"
lessons:
successful_patterns:
- "主体异质性对涌现模式影响显著"
- "网络结构决定扩散速度"
improvement_areas:
- "需要更多参数敏感性分析"
- "应探索不同网络拓扑"
仿真模式识别
高频CAS模式:
1. 扩散模式
- 特征: S型曲线
- 关键参数: 临界点、网络密度
- 涌现: 阶梯式增长
2. 路径依赖模式
- 特征: 历史锁定
- 关键参数: 收益递增、随机事件
- 涌现: 多稳态
3. 自组织模式
- 特征: 局部秩序涌现
- 关键参数: 互动规则、适应度
- 涌现: 斑图形成
参数调优经验:
- 网络密度: 0.1-0.3较为合理
- 主体数量: >1000以减少随机性
- 运行次数: ≥100次蒙特卡洛
- 步长: 根据系统动态调整
🔄 CLI任务队列自动执行
自动激活条件
当满足以下任一条件时，技能自动激活任务队列模式：
激活条件:
- 任务估计时间 > 3小时
- 包含3个以上独立子任务
- 需要多阶段验证
- 用户明确要求"分解任务"
CAS仿真自动分解示例
用户请求: "模拟创新在社会网络中的扩散"
自动分解为:
Phase 1: 概念建模（30分钟）
Task 1.1: 研究问题界定（10分钟）
- 输出: 研究问题文档
- 验证: 问题清晰、可仿真
Task 1.2: 主体识别（10分钟）
- 输出: 主体类型清单
- 验证: 异质性考虑
Task 1.3: 互动规则设计（10分钟）
- 输出: 互动规则文档
- 验证: 规则完整、可编码
Phase 2: 技术实现（60分钟）
Task 2.1: 仿真环境搭建（15分钟）
- 输出: Mesa模型代码
- 验证: 代码可运行
Task 2.2: 主体行为编码（20分钟）
- 输出: 主体类代码
- 验证: 行为符合规则
Task 2.3: 互动机制实现（25分钟）
- 输出: 互动函数
- 验证: 互动符合设计
Phase 3: 验证与分析（60分钟）
Task 3.1: 模式验证（20分钟）
- 输出: 对比分析报告
- 验证: 模式匹配真实数据
Task 3.2: 参数敏感性分析（25分钟）
- 输出: 敏感性图表
- 验证: 关键参数识别
Task 3.3: 场景测试（15分钟）
- 输出: 场景测试报告
- 验证: 多场景测试完成
总估计时间: 150分钟（2.5小时）
💾 任务状态持久化
持久化架构
存储位置:
Level 1: .tasks/session-{uuid}.yaml
- 会话级状态
- 仿真进度
- 参数状态
Level 2: .tasks/project-state.yaml
- 项目级状态
- 多模型对比
- 长时仿真
Level 3: experience/patterns.md
- 学习级知识
- 仿真模式
- 涌现机制
状态文件示例
# .tasks/session-cas-abc123.yaml
session:
id: "abc123"
skill: "cas-simulation-expert"
start_time: "2026-03-08T10:00:00Z"
user_request:
original: "模拟创新扩散"
model_type: "社会扩散"
task_queue:
- id: "1.1"
name: "研究问题界定"
status: "completed"
output: "docs/research-question.md"
validation: "passed"
- id: "2.1"
name: "仿真环境搭建"
status: "in_progress"
simulation_config:
tool: "Mesa"
agent_types: ["创新者", "跟随者"]
network_type: "小世界网络"
parameters:
N: 1000
network_density: 0.2
interaction_radius: 3
emergence_detected:
- "临界点在25%采用率"
- "S型扩散曲线"
progress:
total_tasks: 9
completed: 3
in_progress: 1
pending: 5
percentage: 33
📚 渐进式加载结构
第一层：核心执行规则（本文件）
技能激活时必读，确保任务高质量执行：
- ⚠️ 六大绝对禁止原则
- 📋 任务分解规则
- ✅ 完成度验证清单
- 🎯 CLI模型驱动执行（Level 3）
- 🧠 自迭代与学习机制（Level 4）
第二层：方法论文档（references/）
按需加载，深化方法论理解：
classic-literature.md: CAS经典文献
- Holland (1995, 1998)
- Epstein & Axtell (1996)
- Arthur (1994)
- 权威定义与应用范围
modeling-tools.md: 建模工具链
- NetLogo快速入门
- Mesa Python框架
- Repast高性能仿真
- 完整代码示例
long-term-tasks.md: 长时CAS研究
- 4-8周完整项目
- 分阶段指南
- 验证清单
第三层：案例文档（cases/）
实战示范与警示：
positive/: 正确示范
- case-001: 多主体仿真成功案例
- case-002: 涌现模式识别
negative/: 错误警示
- case-001: 主体过度简化
- case-002: 忽视空间结构
使用方式:
- 对话中直接使用："模拟XX系统"
- 长时研究：技能会自动分解任务
- 质量保证：六大禁止原则+完成度清单
- 子Agent协作：可调用其他专门技能（详见 SUBAGENT_EXAMPLE.md）
版本历史:
| 版本 | 日期 | 变更 |
|---|---|---|
| 5.0.0-cli-native | 2026-03-08 | CLI原生集成+自迭代机制 |
| 5.0.0 | - | 基础升级（待追溯） |
相关技能:
- grounded-theory-expert: 质性数据分析
- social-network-analysis-expert: 网络结构分析
- data-analysis-expert: 定量数据分析