用户决策请求
    │
    ▼
[1] 裁判模式启动
    - 判断博弈类型（零和/非零和/混合）
    - 选择参与者策略
    │
    ▼
[2] 多策略出牌（2-4轮）
    - 各方提交核心主张 + payoff评估
    - 交叉批评与防守
    - 寻找Nash均衡
    │
    ▼
[3] 均衡分析
    - 淘汰劣势策略
    - 识别focal point（直觉汇聚）
    - 输出推荐策略
    │
    ▼
[4] 决策输出
    - 推荐方案（带置信度）
    - 备选方案
    - 风险提示
    │
    ▼
[5] 结果归档（事后可选）
    - 如果用户反馈结果
    - 记录决策效果
    - 更新策略库

策略A vs 策略B 的 payoff：

                 策略A              策略B
收益期望         +8（性能提升）      +3（小幅改善）
失败概率         30%                10%
失败代价         -5（浪费时间）      -1（效果有限）
信息完备性       7/10               9/10
执行难度         高                  低

综合payoff:     8×0.7 + (-5)×0.3 = 4.1   3×0.9 + (-1)×0.1 = 2.6

🎮 博弈论分析

**问题**：[简述决策问题]

**博弈类型**：[零和/非零和/混合]

**参与者**：[策略视角列表]

---

**推荐策略**：[方案名]
**置信度**：[X/10]
**理由**：
- 支持点：[...]
- 风险点：[...]
- 如果失败，原因是：[...]

**Payoff矩阵**：

          收益   风险   胜率   综合

**Nash均衡**：策略A和策略B之间无单方面改变动机

**次优方案**：[方案名]（置信度 X/10）

**风险提示**：[需要注意的点]

📋 决策复盘

**原始决策**：[当时选的什么]
**预期结果**：[预期payoff]
**实际结果**：[实际发生了什么]

**假设检验**：
- ✅ 假设1：...[验证结果]
- ❌ 假设2：...[失效原因]

**失误分析**：
- 策略失误：...[哪个策略判断错了]
- 信息缺口：...[缺什么信息]
- 执行问题：...[做的时候哪里出错了]

**博弈论教训**：
- 下次遇到类似场景，应该...[更新策略]

**策略库更新**：[更新到记忆系统]

game-theory-debate  ←→  self-improving-agent
（记录博弈教训）         （更新学习文件）

game-theory-debate  ←→  memory-never-forget  
（归档决策结果）         （长期记忆）