# Cas Simulation Expert

> Complex Adaptive Systems (CAS) simulation expert. Provides ABM modeling, emergence detection, parameter sensitivity analysis, and pattern recognition. Suitable for complex systems research, social simulation, and policy modeling.

- Skill: `ptreezh/cas-simulation-expert` (Agent Skill, multi-file: 32 files)
- Install (CLI): `npx skillmds@latest add ptreezh/cas-simulation-expert`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ptreezh/cas-simulation-expert/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Research & Search
- License: MIT
- Author: ptreezh (https://skillmd.com/u/ptreezh)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/ptreezh/cas-simulation-expert

---


> ## 🔴 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）

```python
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

1. **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

2. **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

3. **涌现分析**
   - 微观-宏观链接
   - 涌现模式识别
   - 相变与临界点

4. **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

```yaml
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：

1. **绝不过度简化**
2. **绝不忽视空间**
3. **绝不忽视随机性**
4. **绝不忽视验证**
5. **绝不在单一运行下结论**
6. **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

```yaml
✅ 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

```yaml
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

```bash
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

```yaml
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

```yaml
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：

```yaml
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

```yaml
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

```yaml
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

```yaml
# .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