math-skill 2.0.1 → 3.0.0

package/skills/discrete-combinatorial/original-texts.md

@@ -1,185 +0,0 @@
-# 离散与组合思想 — 原始文献与历史语境 / Discrete & Combinatorial Thinking — Original Texts & Historical Context
-
----
-
-## 1. Pigeonhole Principle — Dirichlet (1834) / 鸽巢原理 — Dirichlet (1834)
-
-Peter Gustav Lejeune Dirichlet 在 1834 年以"Schubfachprinzip"（抽屉原理）阐述鸽巢原理，用于数论存在性证明。
-
-> "Wenn man n + 1 Objecte in n Facher distribuiert, so ist mindestens ein Fach mit zwei Objecten besetzt."
-> — Dirichlet, 1834
-
-**核心陈述 / Core statement:**
-- 基本形式：若 n 物品放入 m 个盒子且 n > m，则某盒子含至少 ⌈n/m⌉ 个物品
-- 推广形式：kn+1 物品入 n 盒子 → 某盒至少含 k+1 个物品
-- 数论应用：对任意实数 α 和整数 N，存在 q ≤ N 使得 |qα − p| < 1/(N+1)（即 qα 逼近整数）
-
-**Diophantine 逼近 / Diophantine approximation:** 将 [0,1) 分为 N+1 个等长区间（"盒子"），考虑 N+2 个数 {0, {α}, {2α}, ..., {(N+1)α}}（"物品"），鸽巢保证必有两个落入同一区间，得 |(q₁−q₂)α − ⌊(q₁−q₂)α⌋| < 1/(N+1)。这是 Dirichlet 逼近定理的标准鸽巢证明。
-
----
-
-## 2. Euler's Generating Functions (1748) / Euler 的生成函数 (1748)
-
-Leonhard Euler 在 **Introductio in analysin infinitorum** (1748) 中开创生成函数方法——序列变换为幂级数，计数变换为代数运算。
-
-> "If we ask how many ways a given number can be partitioned, we are led to a study of the generating function." — Euler, 1748
-
-**分拆函数生成函数 / Partition GF:**
-$$P(x) = \sum_{n=0}^{\infty} p(n) x^n = \prod_{k=1}^{\infty} \frac{1}{1-x^k}$$
-- p(n) = 将 n 分为正整数之和的分拆数。p(5) = 7：{5, 4+1, 3+2, 3+1+1, 2+2+1, 2+1+1+1, 1+1+1+1+1}
-- 乘积形式：1/(1−x^k) = 1+x^k+x^{2k}+... 表示"取 k 的 0,1,2,... 次"，各 k 独立故乘积编码组合
-
-**五角数定理 / Pentagonal number theorem (Euler 1750):**
-$$\prod_{k=1}^{\infty}(1-x^k) = \sum_{m=-\infty}^{\infty} (-1)^m x^{m(3m-1)/2}$$
-- 广义五角数 e_m = m(3m−1)/2：0, 1, 2, 5, 7, 12, 15, 22, ...
-- 由 P(x)·∏(1−x^k) = Σ(−1)^m x^{e_m}，得递推 p(n) = p(n−1)+p(n−2)−p(n−5)−p(n−7)+...
-- 这是有限递推控制无限序列的经典实例——组合思想的精髓
-
-**Hardy-Ramanujan 渐近公式 (1918):**
-$$p(n) \sim \frac{1}{4n\sqrt{3}} \exp\left(\pi\sqrt{\frac{2n}{3}}\right)$$
-
----
-
-## 3. Catalan Numbers / Catalan 数
-
-**历史 / History:** Eugène Catalan (1838) 研究括号嵌套的计数问题，Catalan 数由此得名。但 Euler 早在 1751 年就研究过类似问题（多边形三角剖分）。
-
-**定义与公式 / Definition and formula:**
-$$C_n = \frac{1}{n+1}\binom{2n}{n} = \frac{(2n)!}{n!(n+1)!}$$
-- 递推：C₀ = 1, C_n = ΣC_i·C_{n−1−i}
-- 生成函数：C(x) = ΣC_n x^n = (1−√(1−4x))/(2x)，由 C(x) = 1 + x·C(x)² 解得
-
-**组合解释（60+种） / Combinatorial interpretations (60+):**
-- **二叉树**：n 个节点的有序二叉树数 = C_n
-- **Dyck 路径**：从 (0,0) 到 (2n,0) 的格点路径，每步 (+1,+1) 或 (+1,−1)，不越 y=0
-- **括号序列**：n 对括号的合法嵌套方式数 = C_n
-- **投票问题 (Ballot problem)**：A 得 n+1 票、B 得 n 票，A 全程领先 B 的序列数 = C_n（Bertrand 1887）
-- **多边形三角剖分**：n+2 边形的不同三角剖分数 = C_n
-
-前几项：C₀=1, C₁=1, C₂=2, C₃=5, C₄=14, C₅=42, C₆=132
-
----
-
-## 4. Ramsey Theory — Ramsey (1930) / Ramsey 理论 — Ramsey (1930)
-
-Frank P. Ramsey 在 **"On a Problem of Formal Logic"** (1930) 中证明：足够大的系统必存在某种结构——鸽巢原理的深刻推广。
-
-> "In any sufficiently large system, complete disorder is impossible." — Cohen
-
-**Ramsey 数 / Ramsey numbers:**
-$$R(s,t) = \min\{n : \text{任意 } n \text{ 阶 2-色完全图中必有红 } K_s \text{ 或蓝 } K_t\}$$
-
-**已知值:** R(3,3)=6（6人聚会必有3人互识或互不识；证明：固定一人，5人中至少3人同色关系（鸽巢），此3人中若2人同色则3人组，否则此3人构成另一色3人组）, R(4,4)=18, R(3,4)=9, R(3,5)=14.
-
-**一般界:** Erdős 1947 概率方法: R(k,k) > 2^{k/2}; 上界 R(k,k) ≤ 4^k. R(5,5)未知(43≤R(5,5)≤48). Erdős："外星人要R(5,5)就动员所有计算机；要R(6,6)就准备战斗。"
-
----
-
-## 5. Graph Theory — Euler (1736) / 图论 — Euler (1736)
-
-**Königsberg 七桥问题 / Seven Bridges of Königsberg (1736):**
-
-Leonhard Euler 在 **"Solutio problematis ad geometriam situs pertinentis"** (1736) 解决柯尼斯堡七桥问题，开创图论。
-
-> "The problem... is to find whether one can cross each of the seven bridges exactly once and return to the starting point." — Euler, 1736
-
-**Euler 环定理 / Euler circuit theorem:**
-- 连通图存在 Euler 环（经过每边恰好一次的闭路径）iff 所有顶点度数为偶数
-- 柯尼斯堡图：4 个顶点度数为 3, 3, 3, 5（均为奇数），故 Euler 环不存在——问题无解
-
-**Euler 平面图公式 / Euler's planar formula (1750):**
-$$V - E + F = 2$$
-- 对任意连通平面图：顶点数 V、边数 E、面数 F 满足此公式
-- 推论：简单连通平面图 E ≤ 3V − 6；不含 K₃ 的平面图 E ≤ 2V − 4
-
-**匹配理论 / Matching theory:**
-- König (1931)：二分图中最大匹配数 = 最小顶点覆盖数（König 定理）
-- Hall 婚姻定理 (1935)：二分图 G(X,Y) 有 X 到 Y 的完美匹配 iff 对任意 S ⊆ X，|N(S)| ≥ |S|
-
----
-
-## 6. Pólya Enumeration Theorem (1937) / Pólya 计数定理 (1937)
-
-George Pólya 在 1937 年的论文中给出对称性下的计数方法——轨道计数定理，组合计数与群论的交汇点。
-
-> "The number of distinct colorings is obtained by averaging over the group action." — Pólya, 1937
-
-**定理陈述 / Theorem statement:**
-设群 G 作用于集合 X，k-着色等价类数（轨道数）:
-$$N = \frac{1}{|G|} \sum_{g \in G} k^{c(g)}$$
-c(g) = 置换 g 的循环数。应用: 化学异构体、珠串图案。Burnside 引理 (1897): N = (1/|G|)Σ|Fix(g)|，是 Pólya 特例。Pólya 推广为带权版本: GF × 循环指数 = 对称计数。
-
----
-
-## 7. Inclusion-Exclusion Principle / 容斥原理
-
-**历史:** da Vinci 用容斥思想计算面积；Sylvester (1882) 形式化。容斥处理交集重叠——直接相加重计交集，需逐层修正。
-
-基本形式: |A₁∪...∪A_n| = Σ|A_i| − Σ|A_i∩A_j| + ... ± |A₁∩...∩A_n|. 补集计数: "不具有P" = 全部 − "具有P".
-
-**错排数:** D(n) = n! − C(n,1)(n−1)! + C(n,2)(n−2)! − ... = n!Σ(−1)^k/k! ≈ n!/e (n→∞). 概率形式: P(A₁∪...∪A_n) = ΣP(A_i) − ΣP(A_i∩A_j) + ...
-
----
-
-## 8. Recurrence Relations / 递推关系
-
-**Fibonacci 数列 / Fibonacci sequence:**
-$$F_0 = 0, F_1 = 1, F_n = F_{n-1} + F_{n-2}$$
-- 生成函数：F(x) = ΣF_n x^n = x/(1−x−x²)
-- Binet 公式：F_n = (φ^n − ψ^n)/√5，φ = (1+√5)/2 ≈ 1.618（黄金比）
-
-**汉诺塔 / Tower of Hanoi:**
-$$T_1 = 1, T_n = 2T_{n-1} + 1$$
-- 解：T_n = 2^n − 1。64 层需 2^{64} − 1 ≈ 1.8×10^{19} 步
-
-**GF 求解递推 / Solving recurrences via GF:**
-1. 递推乘以 x^n，对 n 求和 → A(x) 的方程
-2. 利用初始条件，解出 A(x)（代数/微分方程）
-3. 提取 a_n：部分分式、Taylor 展开、幂级数对照
-
-**Catalan GF 推导:** C(x) = 1 + x·C(x)² → 解 x·C² − C + 1 = 0 → C(x) = (1−√(1−4x))/(2x) → C_n = (1/(n+1))C(2n,n)
-
----
-
-## 9. Combinatorial Optimization / 组合优化
-
-**最小生成树 / Minimum spanning tree:**
-- Kruskal (1956)：按边权升序贪心选取不成环的边，O(E log E)
-- Prim (1957)：从单点扩展，每次选最小权连接边，O(E log V)（优先队列）
-
-**最大流最小割 / Max-flow min-cut:**
-- Ford-Fulkerson (1956)：增广路径法，流量逐步增加直至无增广路径
-- 最大流最小割定理：最大流值 = 最小割容量（LP 对偶性的组合表现）
-- Edmonds-Karp (1972)：BFS 选最短增广路径，保证 O(VE²)
-
-**匹配理论 / Matching theory:**
-- Hungarian 算法 (Kuhn 1955)：O(V³) 最大加权二分匹配
-- Edmonds 带花树算法 (1965)：一般图最大匹配，O(V³)
-
----
-
-## 10. The Twelvefold Way / 十二重道
-
-Richard P. Stanley 在 **Enumerative Combinatorics Vol. 1** 中统一分类 n球入k盒的12种基本计数(2×2×3: 球有标号/无标号 × 盒有标号/无标号 × 任意/至多1/至少1):
-
-| 球 / Balls | 盒子 / Boxes | 条件 / Condition | 公式 / Formula |
-|---|---|---|---|
-| 有标号 distinct | 有标号 distinct | 任意 any | k^n |
-| 无标号 identical | 有标号 distinct | 任意 any | C(n+k−1, k−1) |
-| 有标号 distinct | 无标号 identical | 任意 any | Σ S₂(n,i), i=1..k |
-| 无标号 identical | 无标号 identical | 任意 any | p_k(n)（受限分拆） |
-| 有标号 distinct | 有标号 distinct | 至多一个 ≤1 | P(k,n) = k!/(k−n)! |
-| 无标号 identical | 有标号 distinct | 至多一个 ≤1 | C(k,n) |
-| 有标号 distinct | 无标号 identical | 至多一个 ≤1 | 1 if n≤k, 0 else |
-| 无标号 identical | 无标号 identical | 至多一个 ≤1 | 1 if n≤k, 0 else |
-| 有标号 distinct | 有标号 distinct | 至少一个 ≥1 | k!·S₂(n,k) |
-| 无标号 identical | 有标号 distinct | 至至少一个 ≥1 | C(n−1, k−1) |
-| 有标号 distinct | 无标号 identical | 至少一个 ≥1 | S₂(n,k) − S₂(n,k−1) |
-| 无标号 identical | 无标号 identical | 至少一个 ≥1 | p_k(n) − p_{k−1}(n) |
-
-**关键洞察:** 2×2×3=12种基本计数覆盖组合数学核心场景。有标号用EGF，无标号用OGF。**Stirling数:** S₁(n,k)=n元素k循环排列数; S₂(n,k)=n元素k非空子集数。
-
----
-
-*本文件为离散与组合思想技能的数学参考与历史语境，涵盖从 Euler 到现代组合数学的核心成果。*
-*This file provides mathematical references and historical context for the discrete-combinatorial skill, covering core results from Euler to modern combinatorics.*

package/skills/game-theory/SKILL.md

@@ -1,121 +0,0 @@
----
-name: game-theory
-description: |
-  触发：当策略取决于他人选择、需计算纳什均衡、分析零和/非零和博弈、做机制设计；或为多智能体系统、对抗训练、路由博弈设计策略时调用。
-  English: Trigger when optimal strategy depends on others' choices, needing Nash equilibrium computation, zero-sum/non-zero-sum analysis, mechanism design; or designing strategies for multi-agent systems, adversarial training, routing games.
----
-
-# 🎯 博弈论思想 / Game Theory
-
-> "你的最优选择取决于他人的选择——思考不仅要深入，还要互动。"
-> "Your optimal choice depends on others' choices — thinking must be interactive, not just deep."
->
-> —— 博弈论、决策论、机制设计 / Game Theory, Decision Theory, Mechanism Design
-
-## 核心原则 / Core Principle
-
-**战略互动——你的最优行动取决于他人做什么，而他人的最优行动取决于你做什么。纳什均衡：无人能从单方面偏离中获益的策略组合。**
-
-**Strategic interaction — your best action depends on what others do, and theirs depend on what you do. Nash equilibrium: strategy profile where no player benefits from unilateral deviation.**
-
-关键概念：**支付矩阵（Payoff Matrix）**、**占优策略（Dominant Strategy）**、**混合策略（Mixed Strategy）**、**帕累托最优性（Pareto Optimality）**。分类维度：合作 vs 非合作、零和 vs 一般和、同时 vs 序列。
-
-> **数学形式化 / Mathematical Formalization**
->
-> 形式化定义：n 个参与者，每人有策略集 $S_i$ 和支付函数 $u_i: S_1 \times \cdots \times S_n \to \mathbb{R}$。
->
-> 纳什均衡：策略组合 $s^* = (s_1^*, \ldots, s_n^*)$ 满足 $u_i(s^*) \geq u_i(s_i, s^*_{-i})$ 对所有 $s_i \in S_i$、所有 $i$ 成立，其中 $s^*_{-i}$ 为除 $i$ 外所有人的策略。混合策略纳什均衡：概率分布 $\sigma^*$ 使 $u_i(\sigma^*) \geq u_i(s_i, \sigma^*_{-i})$。
->
-> 占优策略：严格 $u_i(s_i^*, s_{-i}) > u_i(s_i, s_{-i})$；弱占优 $\geq$ 且至少一处严格。
->
-> 零和 minimax：$\max_x \min_y f(x,y) = \min_y \max_x f(x,y)$。
-
-## GPU 友好性 / GPU-Friendliness（横切检查）
-
-博弈求解映射 GPU 的能力差异极大，过 `../../references/gpu-friendly-math.md` 八维门：
-
-- **矩阵博弈 / 双人零和（minimax）**：等价于线性规划（LP），支付矩阵运算可 GEMM 化、可批量并行——**友好**。
-- **混合策略均衡求解**：支撑集上的线性方程组/无差异方程，小规模可批量解；规模大时注意稀疏性与条件数。
-- **大规模多智能体均衡精确求解**：n 人纳什均衡 PPAD-complete，一般情形**不可算**→ **反模式**，改用近似/学习方法（fictitious play、虚拟自博、多智能体 RL、NFSP）。
-- **演化/重复博弈模拟**：群体与策略批量更新可并行；注意 agent 间通信与同步开销。
-
-八维最低判定（正式术语）：**张量化**看玩家/策略/回合是否能批量展开；**GEMM 可映射**看支付矩阵、minimax、LP/线性方程是否落矩阵运算；**复杂度**标注 Nash/机制求解的 PPAD/组合爆炸风险；**显存与 KV-Cache**看策略-状态笛卡尔积是否可压缩；**低精度稳定**看均衡求解、LP、soft best-response 是否条件数可控；**并行与通信**看多智能体 rollout 的同步成本；**稀疏结构**看交互图是否结构化；**算子融合**看收益、mask、best-response 更新能否融合。
-
-> 配合 `../../references/books/optimization-ml.md`（对偶/minimax、博弈学习算法）与 `../../references/books/matrix-analysis.md`（矩阵博弈、线性方程组）。
-
-## 不适用场景 / When NOT to Use
-
-- **单人决策问题，与他人无互动**——优化思想更适用，无需考虑他人策略响应。
-- **纯合作问题，无利益冲突**——参与者目标完全一致，无需战略分析。
-- **确定性问题，无战略不确定性**——结果由自身行动唯一决定，不涉及他人反应。
-- **纯粹运气决定的结果，各方无策略选择**——无策略集可分析，博弈论不适用。
-
-## 何时使用 / When to Use
-
-- 多个决策者相互影响，各自策略影响他人收益；最佳策略取决于他人响应，需预判他人行动。
-- 需设计激励机制，使自利行为导向社会最优结果；预测给定规则下的均衡稳定状态。
-- 分析竞争市场中的定价、进入、退出；谈判/讨价还价中的利益分配与威胁点。
-- **为多智能体系统、对抗训练（GAN/鲁棒学习）、路由博弈设计策略与均衡目标**。
-
-## 方法流程 / Method
-
-### 第一步：识别参与者与策略
-定义博弈基本要素：参与者 $N=\{1,\ldots,n\}$；策略集 $S_i$；支付函数 $u_i: S_1\times\cdots\times S_n\to\mathbb{R}$；信息结构（是否对称？是否不完全信息？行动是否序列？能否通信？）。核心是识别"互动结构"——谁的选择影响谁的结果，遗漏关键参与者是最常见错误。
-
-### 第二步：分析博弈类型
-先判定零和/一般和、同时/序列、合作/非合作、完全信息/不完全信息。类型决定方法：零和用 minimax/LP；序列博弈用逆向归纳与子博弈完美均衡；合作博弈用 Shapley 值按边际贡献分配：
-$$\phi_i(v)=\sum_{S\subseteq N\setminus\{i\}}\frac{|S|!(n-|S|-1)!}{n!}[v(S\cup\{i\})-v(S)]$$
-误判类型会直接导致均衡概念和求解方法错用。
-
-### 第三步：构建支付矩阵/函数
-2 人博弈用支付矩阵，单元格 $(u_1,u_2)$；n 人博弈用 $u_i(s_1,\ldots,s_n)$。验证完备性：是否遗漏参与者或策略？支付是否准确反映偏好？是否存在外部性？支付是分析根基，评估不准则后续全偏。
-
-### 第四步：寻找占优策略
-严格占优 $u_i(s_i^*,s_{-i}) > u_i(s_i,s_{-i})$ 对所有 $s_i\neq s_i^*$、所有 $s_{-i}$；弱占优 $\geq$ 且至少一处严格；**迭代消去劣策略**依次删去劣策略缩小空间。存在占优策略均衡是最强结论——无人有任何偏离动机；否则进入均衡分析。
-
-### 第五步：计算均衡
-按第二步的博弈类型选方法。纯策略纳什：对每个 $s_{-i}$ 找最优响应 $BR_i(s_{-i})$，交叉点即均衡。混合策略：求使他人无差异的概率分布 $u_j(s_j,\sigma^*_{-j})=u_j(s_j',\sigma^*_{-j})$ 对所有 $s_j,s_j'\in S_j$。零和矩阵博弈可走 minimax $\max_x\min_y f=\min_y\max_x f$；序列博弈用逆向归纳；合作博弈输出分配方案而非普通纳什。多重均衡做帕累托排序，标注最优与劣均衡。
-
-### 第六步：检查均衡稳定性
-颤抖手完美（微小失误下仍稳定，排除依赖"对手绝不犯错"的均衡）；演化稳定策略 ESS（重复互动中抵御入侵）；偏离均衡路径激励（序列博弈中是否有动机遵守承诺）。追问：均衡唯一还是多重？对微小扰动是否鲁棒？稳定均衡才是可信预测。
-
-### 第七步：设计机制与改进
-若不存在好的均衡，重新设计博弈：改变支付结构（奖惩）、增加可执行规则、引入通信与声誉、Vickrey 拍卖（报真实估值为占优策略）。机制设计形式化：
-$$\max\ \text{social welfare}\quad\text{s.t.}\quad\text{incentive compatibility + individual rationality}$$
-显示原理：任何贝叶斯博弈均衡都可由直接机制实现——如实报告类型即均衡。机制设计是最实用分支——与其抱怨人不合作，不如改变规则让合作成为自利选择。
-
-## 常见错误 / Common Errors
-
-| 错误 / Error | 批评 / Critique | 正确做法 / Correct Approach |
-|---|---|---|
-| 假设他人像自己一样思考 | 他人支付函数/理性水平不同，$u_i\neq u_j$ | 明确各参与者支付函数与信念 |
-| 忽略混合策略 | 纯策略均衡可能不存在，混合均衡总存在（Nash, 1950） | 检查是否需混合策略分析 |
-| 混淆纳什均衡与帕累托最优 | 纳什均衡可帕累托劣（囚徒困境），两者独立 | 分别标注均衡性与效率性 |
-| 忽略信息不对称 | 不完全信息均衡与完全信息截然不同 | 区分贝叶斯博弈与完全信息博弈 |
-| 过度简化支付结构 | 遗漏关键支付维度使均衡失真 | 系统检查所有参与者完整支付 |
-| 忽略重复互动动态 | 单次均衡在重复博弈中可能改变（folk theorem） | 分析子博弈完美均衡 |
-| 大规模均衡精确求解不可算 | n 人纳什均衡 PPAD-complete，精确解不可行 | 过 GPU 八维门，改用近似/学习（虚拟自博、MARL） |
-
-## 操作规程 / Operating Procedure
-
-当本 skill 被触发时，输出必须包含：
-
-1. **[参与者]**：所有决策者及其类型（理性/有限理性/未知）。
-2. **[策略集]**：每个参与者的可选策略，标注有限/无限。
-3. **[支付矩阵]**：核心策略组合的支付值 $(u_1,u_2,\ldots)$ 或支付函数形式。
-4. **[博弈类型]**：零和/非零和/序列/合作，对应分析方法。
-5. **[均衡]**：所有适用均衡（纯策略、混合策略、子博弈完美、合作分配等），标注多重均衡。
-6. **[稳定性]**：颤抖手完美性、演化稳定性、偏离均衡路径激励。
-7. **[机制建议]**：若均衡不理想，提出机制设计建议（改变支付、增加规则、引入声誉等）。
-8. **[GPU 可行性]**：矩阵博弈/minimax→LP 可 GEMM；大规模多智能体均衡是否不可算→近似/学习方法，过八维门。
-
-**输出不得只给分析而无结论。**
-
-## 与其他 skill 的关系 / Relations to Other Skills
-
-- **优化思想**：纳什均衡是互相优化——每人在他人策略约束下优化自己支付，均衡是所有优化问题的共同解。
-- **概率与统计**：混合策略以概率分布选行动，贝叶斯博弈用概率处理类型不确定性，均衡依赖期望支付。
-- **信息论思想**：信息不对称与信号传递——Spence 信号博弈中信息结构直接影响均衡存在与性质。
-- **因果推断思想**：策略选择因果影响他人收益，战略互动中的因果链是双向的。
-- **算法思想**：纳什均衡计算复杂度（PPAD-complete）、Lemke-Howson 算法、演化博弈模拟。
-- **现代数学激活**：`../../references/books/optimization-ml.md`（对偶/minimax、博弈学习算法）、`../../references/books/matrix-analysis.md`（矩阵博弈、支付矩阵的线性代数结构）。

package/skills/game-theory/original-texts.md

@@ -1,131 +0,0 @@
-# 数学出处与经典文献 / Mathematical Sources and Classic Texts
-
-## Zermelo 定理 / Zermelo's Theorem (1913)
-
-> Zermelo（1913）证明：在有限完美信息二人博弈中（如国际象棋），先手或后手必有一方有必胜策略或双方有必和策略。即博弈是"确定的"（determined）。
-
-**核心论点**：对任何有限完美信息博弈，$\exists$ 先手必胜策略 $\lor$ $\exists$ 后手必胜策略 $\lor$ $\exists$ 双方必和策略。证明了此类博弈不存在真正的"不确定性"——不确定性的来源是计算复杂度而非逻辑结构。
-
-**思想**：完美信息博弈的结局在逻辑上是预定的——不确定性来自计算能力的限制而非博弈本身。Zermelo 的证明使用逆向归纳法（backward induction），这在后来成为子博弈完美均衡的核心工具。数学背景：Zermelo 同年也在集合论中提出选择公理（AC），博弈论与集合论共享"有限选择必可穷尽"的逻辑。
-
-## von Neumann Minimax 定理 / von Neumann's Minimax Theorem (1928)
-
-> von Neumann（1928）证明：在二人零和博弈中，$\max_{x \in \Delta} \min_{y \in \Delta} \sum_{ij} a_{ij} x_i y_j = \min_{y \in \Delta} \max_{x \in \Delta} \sum_{ij} a_{ij} x_i y_j$。即保守策略的最优结果等于对手保守策略下的最优结果——max-min = min-max。
-
-**核心定理**：对任何二人零和矩阵博弈 $A$，存在混合策略 $x^*$ 和 $y^*$ 使得
-
-$$v^* = \max_x \min_y x^\top A y = \min_y \max_x x^\top A y$$
-
-$v^*$ 称为博弈的值（value of the game）。证明利用了凸集分离定理（后与 Brouwer 不动点定理有深层联系）。
-
-**思想**：minimax 定理揭示了零和博弈的结构对称性——"我尽可能赢"等价于"对手尽可能防"。最优混合策略使对手对所有纯策略无差异。此定理是线性规划对偶性的先声：Dantzig（1947）发现 LP 对偶与 minimax 等价，von Neumann 独立发现了同样联系。
-
-## Nash 均衡的存在性 / Existence of Nash Equilibrium (1950)
-
-> Nash（1950）证明：每个有限博弈（任意人数、非零和）至少存在一个混合策略纳什均衡。证明使用 Brouwer 不动点定理——构造最优响应映射 $BR: \Delta \to \Delta$，其不动点即为纳什均衡。
-
-**核心定理**：对任何有限博弈 $(N, \{S_i\}, \{u_i\})$，$\exists \sigma^* \in \Delta_1 \times \cdots \times \Delta_n$ 使得对所有 $i$ 和 $s_i \in S_i$，
-
-$$u_i(\sigma^*) \geq u_i(s_i, \sigma^*_{-i})$$
-
-Nash 的证明将 Brouwer 不动点定理应用于最优响应映射：$F(\sigma) = (BR_1(\sigma_{-1}), \ldots, BR_n(\sigma_{-n}))$，$F$ 的不动点即均衡。后续证明也用 Kakutani 不动点定理（对应集值映射）。
-
-**思想**：纳什均衡的存在性不依赖参与者的"善意"或"合作意愿"——它是自私行为在战略互动中的逻辑必然。Nash 均衡推广了 minimax 定理到非零和博弈，从二人对抗到多人互动。数学背景：Brouwer 不动点定理（1911）是拓扑学核心定理——连续映射必有不动点，博弈论与拓扑学在此交汇。
-
-## 囚徒困境 / Prisoner's Dilemma
-
-> 囚徒困境是博弈论最经典的范例：两个参与者各自有"合作"和"背叛"策略。背叛是占优策略，但（背叛, 背叛）是帕累托劣于（合作, 合作）——个体理性导致集体非理性。
-
-**支付矩阵**：
-
-| | 合作 (C) | 背叛 (D) |
-|---|---|---|
-| 合作 (C) | (3, 3) | (0, 5) |
-| 背叛 (D) | (5, 0) | (1, 1) |
-
-严格占优策略分析：对每个参与者，背叛严格优于合作（$5 > 3$ 且 $1 > 0$）。唯一纳什均衡 (D, D) 支付 (1, 1)，帕累托劣于 (C, C) 支付 (3, 3)。
-
-**思想**：囚徒困境揭示了个体理性与集体理性的根本张力——纳什均衡不保证帕累托最优。此困境在现实中无处不在：军备竞赛、公地悲剧、价格战、碳排放。Axelrod（1984）的计算机竞赛表明：在重复囚徒困境中，"一报还一报"（Tit-for-Tat）策略可维持合作——重复互动改变均衡结构。
-
-## 逆向归纳法与子博弈完美 / Backward Induction & Subgame Perfection
-
-> 逆向归纳法（backward induction）是序列博弈的核心分析工具：从终端节点向前回溯，每步选择最优行动。Selten（1965）定义子博弈完美均衡（subgame perfect equilibrium, SPE）：在每个子博弈上都构成纳什均衡的策略组合——排除基于不可信威胁的均衡。
-
-**核心概念**：纳什均衡允许"不可信威胁"——参与者声称将采取某行动，但到达该节点时偏离更有利。SPE 要求均衡在每个子博弈上都成立，因此排除了不可信威胁。逆向归纳法是求解 SPE 的标准方法。
-
-**思想**：序列博弈中，时间结构引入了承诺与可信性问题——"威胁"必须是理性的才有效。逆向归纳法将多阶段决策分解为单阶段子问题，与 Bellman 最优性原理一脉相承。数学背景：Zermelo（1913）的定理使用逆向归纳法，Selten（1965）将其系统化为 SPE 概念。Selten 与 Nash、Harsanyi 共获 1994 年诺贝尔经济学奖。
-
-## Shapley 值与合作博弈 / Shapley Value & Cooperative Game Theory (1953)
-
-> Shapley（1953）提出合作博弈中唯一满足效率、对称性、哑元性和可加性的分配规则——Shapley 值 $\phi_i(v)$。它按边际贡献的平均值分配联盟收益。
-
-$$\phi_i(v) = \sum_{S \subseteq N \setminus \{i\}} \frac{|S|!(n - |S| - 1)!}{n!} [v(S \cup \{i\}) - v(S)]$$
-
-Shapley 值是唯一满足以下四条公理的分配：
-1. **效率性**：$\sum_i \phi_i(v) = v(N)$
-2. **对称性**：若 $i$ 和 $j$ 在所有联盟中贡献相同，则 $\phi_i = \phi_j$
-3. **哑元性**：若 $i$ 对所有联盟无边际贡献，则 $\phi_i = 0$
-4. **可加性**：$\phi_i(v + w) = \phi_i(v) + \phi_i(w)$
-
-**思想**：Shapley 值将"公平"转化为数学公理——公平不是主观判断，而是逻辑必然。合作博弈的核心问题：联盟产生的总收益如何分配？Shapley 值给出唯一满足公理的答案。核心（core）是另一种解概念——任何联盟的分配不低于其自身价值，但核心可能为空集。
-
-## Nash 讨价还价解 / Nash Bargaining Solution (1950)
-
-> Nash（1950）提出满足帕累托最优性、对称性、尺度无关性和独立性缩减的唯二讨价还价解。设威胁点 $d = (d_1, d_2)$，可行集 $S \subseteq \mathbb{R}^2$，Nash 解最大化 $(u_1 - d_1)(u_2 - d_2)$。
-
-$$\max_{(u_1, u_2) \in S, u_i \geq d_i} (u_1 - d_1)(u_2 - d_2)$$
-
-Nash 证明此解是满足四条公理的唯一分配。威胁点 $d$ 是谈判失败时各方的收益——威胁点越有利，谈判结果越有利。
-
-**思想**：讨价还价问题将"谈判"转化为数学优化——在可行集和威胁点约束下最大化联合收益。Nash 解的对称性与帕累托最优性使其成为公平谈判的自然基准。数学背景：此模型将合作博弈与非合作博弈联系起来——Nash 程序（Nash program）主张所有合作博弈解都应通过非合作博弈模型推导。
-
-## 演化博弈论 / Evolutionary Game Theory (Maynard Smith, 1973)
-
-> Maynard Smith（1973）提出演化稳定策略（Evolutionarily Stable Strategy, ESS）：策略 $\sigma^*$ 是 ESS，若对任何入侵策略 $\sigma \neq \sigma^*$，要么 $u(\sigma^*, \sigma^*) > u(\sigma, \sigma^*)$，要么 $u(\sigma^*, \sigma^*) = u(\sigma, \sigma^*)$ 且 $u(\sigma^*, \sigma) > u(\sigma, \sigma)$。
-
-**核心定义**：ESS 是比纳什均衡更强的稳定性概念——不仅要"不被偏离"，还要"不被入侵"。纳什均衡是 ESS 的必要条件，但 ESS 附加了稳定性要求。
-
-**思想**：演化博弈论将博弈论从"理性选择"推广到"适应性动态"——参与者不必理性，只需在重复互动中调整策略。生物学应用：性别比例博弈、鹰鸽博弈（Hawk-Dove）、资源竞争。经济学应用：市场惯例的形成、技术标准的扩散。数学背景：ESS 与复制者动态（replicator dynamics）联系——ESS 是复制者动态的局部稳定点。
-
-## Vickrey 拍卖与拍卖理论 / Vickrey Auction & Auction Theory (1961)
-
-> Vickrey（1961）提出第二价格拍卖（second-price sealed-bid auction）：出价最高者获胜，但支付第二高出价。报真实估值是占优策略——机制设计的奠基之作。
-
-**核心定理**：在 Vickrey 拍卖中，报真实估值 $b_i = v_i$ 是每个投标者的弱占优策略。证明：设真实估值 $v_i$，第二高出价 $p$。若 $v_i > p$，报 $b_i = v_i$ 获胜支付 $p$，收益 $v_i - p > 0$；若 $b_i > v_i > p$ 同样获胜但收益不变；若 $b_i < v_i$ 可能失去正收益。因此如实报告最优。
-
-Vickrey 证明了对称风险中性投标者，四种标准拍卖（英式、荷式、第一价格密封、第二价格密封）的期望收入相等——**收入等价定理（Revenue Equivalence Theorem）**。Milgrom & Weber（1982）推广到关联估值（affiliated values），发现英式拍卖收入最高。
-
-**思想**：Vickrey 拍卖是激励相容（incentive-compatible）机制的典范——通过巧妙设计支付规则，使自利行为自动导向效率最优。拍卖理论将博弈论应用于市场设计：如何通过规则引导理性参与者产生最优结果？数学背景：Vickrey 共获 1996 年诺贝尔经济学奖。
-
-## 机制设计 / Mechanism Design (Hurwicz, Myerson, Maskin — Nobel 2007)
-
-> 机制设计是博弈论的"逆向工程"——给定目标结果，设计博弈规则使理性参与者的自利行为自动实现该目标。Hurwicz、Myerson、Maskin 因此获 2007 年诺贝尔经济学奖。
-
-**核心概念**：
-- **激励相容性（Incentive Compatibility）**：如实报告类型是均衡策略——参与者没有动机谎报
-- **显示原理（Revelation Principle）**：任何贝叶斯博弈的均衡都可由直接机制实现——参与者如实报告类型即达均衡，无需复杂策略
-- **Myerson 最优拍卖**：在独立私人估值模型下，最大化卖家期望收入的最优机制——虚拟估值 $v_i - (1 - F_i(v_i))/f_i(v_i)$ 最高者获胜
-
-$$\text{Virtual valuation: } \varphi_i(v_i) = v_i - \frac{1 - F_i(v_i)}{f_i(v_i)}$$
-
-- **Maskin 可实施性（Maskin Monotonicity）**：社会选择函数可被纳什实施的必要条件——偏好单调性
-
-**思想**：机制设计回答"如何设计规则"而非"给定规则下如何行动"——从博弈的结果反推博弈的结构。显示原理简化了机制设计：只需考虑直接机制。激励相容性保证了规则与动机的一致——制度设计不是空想，而是可被数学验证的工程。数学背景：Hurwicz（1960s）引入激励相容性概念；Myerson（1981）发展最优拍卖理论；Maskin（1977/1999）发展纳什可实施性理论。
-
-## 信号博弈 / Signaling Games (Spence, 1973)
-
-> Spence（1973）提出信号传递模型：在信息不对称下，拥有私人信息的发送者通过可观察的行动（信号）向接收者传递信息。经典应用：教育作为能力信号——高能力者获得教育的成本更低，因此教育投资传递了能力信息。
-
-**核心模型**：发送者有类型 $t \in \{H, L\}$（高/低能力），选择信号 $s \in \{e, 0\}$（受教育/不受教育），接收者观测 $s$ 后选择响应 $a$。分离均衡：$H$ 选 $e$，$L$ 选 $0$——信号完美传递类型。混同均衡：两者都选相同信号——信号无信息量。
-
-**思想**：信号博弈揭示了信息传递的经济学——信号必须有成本差异才能传递信息（否则人人都会模仿）。Spence 模型中，教育的社会价值可能完全是信号价值而非生产力提升——这引发了关于教育本质的深刻讨论。Spence 共获 2001 年诺贝尔经济学奖。数学背景：信号博弈是贝叶斯博弈的子类——类型是私人信息，策略是类型依赖的。
-
-## 重复博弈与 Folk 定理 / Repeated Games & Folk Theorem
-
-> Folk 定理（民间定理，1970s 非正式流传，Aumann 1981 系统化）：在无限重复博弈中，任何个体理性支付 $v_i \geq \min_{s_{-i}} \max_{s_i} u_i(s_i, s_{-i})$（minimax 支付）都可以作为子博弈完美均衡的平均支付被实现。
-
-**核心定理**：设 $v = (v_1, \ldots, v_n)$ 为可行且个体理性的支付向量（$v_i \geq \underline{v}_i$，$\underline{v}_i$ 为 $i$ 的 minimax 值），则在贴现因子 $\delta$ 足够接近 1 时，$v$ 可作为无限重复博弈的子博弈完美均衡的平均支付被实现。
-
-实现机制：惩罚策略（punishment strategy）——偏离者将被"惩罚"回 minimax 支付水平，偏离的短期收益被长期惩罚抵消。
-
-**思想**：Folk 定理是重复博弈的核心结果——它解释了为什么合作在长期互动中可能维持：偏离的短期收益小于长期惩罚的损失。此定理也解释了为什么重复博弈有无数个均衡——几乎任何可行支付都可被实现。Aumann（2005 年诺贝尔奖）系统化了此理论。数学背景：贴现因子 $\delta$ 趋近 1 使得未来惩罚足够重——$\delta \geq \frac{g}{g + l}$，$g$ 为偏离收益，$l$ 为惩罚损失。

package/skills/induction-analogy/SKILL.md

@@ -1,150 +0,0 @@
----
-name: induction-analogy
-description: |
-  触发：从数据/经验找规律、特殊→一般、已知→未知、数学归纳证明（弱/强/结构/超限）、跨域类比迁移结构、为算法/算子设计借鉴其他领域结构等科研语境时调用。
-  English: Trigger when finding patterns from data/experience, specific→general, known→unknown, mathematical induction proofs (weak/strong/structural/transfinite), cross-domain analogical transfer of structures, or borrowing structures from other fields for algorithm/operator design.
----
-
-# 📈 归纳与类比 / Induction & Analogy
-
-> "从特殊到一般，从已知到未知——归纳发现规律，类比迁移经验，两者都不等于证明"
-> "From the specific to the general, from the known to the unknown—induction discovers patterns, analogy transfers experience, but neither equals proof"
->
-> —— Pólya《数学与猜想》、Lakatos《证明与反驳》
-> —— Pólya "Mathematics and Plausible Reasoning", Lakatos "Proofs and Refutations"
-
-## 核心原则 / Core Principle
-
-**归纳是从有限实例中发现一般规律的过程，是创造新知识的引擎；类比是将一个领域的理解迁移到另一个领域的桥梁。两者都不是严格证明，但都是发现定理、提出假说、产生创新的根本方法。严格性是验证的工具，而非发现的工具——Pólya。**
-
-**Induction discovers general patterns from limited instances—the engine of new knowledge; analogy transfers understanding across domains. Neither is rigorous proof, but both are fundamental to discovering theorems, proposing hypotheses, and generating innovation. Rigor is a tool of verification, not of discovery—Pólya.**
-
-归纳与类比的区别：**归纳**从 N 个具体案例 → 一般规律（纵向深入）；**类比**从领域 A 的结构 → 领域 B 的结构（横向迁移）；两者都产生假设而非定理，需后续验证。
-
-> **数学形式化 / Mathematical Formalization**
->
-> 归纳推理与归纳证明的严格区分：
-> - 归纳推理（inductive reasoning）：经验性的，从观察中提出假说
-> - 归纳证明（inductive proof）：逻辑性的，数学归纳法是严格的演绎证明格式
-> - 关键：归纳推理产生猜想，归纳证明验证猜想——两者不可混淆
->
-> 归纳证明的变体及其适用场景：
-> - **弱归纳法（Weak Induction）**：证明 P(1) 成立 + 证明 ∀k(P(k)→P(k+1)) → 得出 ∀n P(n)；适用：P(k+1) 仅依赖 P(k)
-> - **强归纳法（Strong / Complete Induction）**：假设 P(1), P(2), …, P(k) 全部成立，证明 P(k+1) 成立；适用：P(k+1) 依赖多个前驱
-> - **结构归纳法（Structural Induction）**：证明 P(base) 成立 + P(composite) 由 P(components) 推出；适用：递归定义的结构（树、列表、表达式）
-> - **超限归纳法（Transfinite Induction）**：对良序集 (W, <)，证明 ∀α∈W(∀β<α P(β) → P(α)) → ∀α∈W P(α)；适用：索引超越自然数的良序集
->
-> Lakatos 方法论的形式化描述：
-> - **怪物排除（monster-barring）**：将反例归为不属于假说本意范围的对象，在假说中显式排除——最简单的修正，但需警惕过度排除导致假说空洞化
-> - **引理吸收（lemma-incorporation）**：将反例暴露的隐藏条件纳入假说作为新引理——使假说更精确
-> - **证明策略修订（proof-strategy revision）**：反例揭示原证明思路有根本缺陷，需换一种证明框架——最深刻的修正
->
-> 类比的结构性相似度度量：
-> - 结构相似度 = (成功映射的关系数 + 成功映射的组件数) / (源关系总数 + 源组件总数)
-> - 高有效性（同态映射 homomorphism）：大部分结构有对应，关键关系保持
-> - 中有效性（部分同态 partial homomorphism）：部分结构和关系保持，部分失真
-> - 低有效性（表面相似 surface similarity）：仅外观或术语相似，深层结构不同
-
-## GPU 友好性 / GPU-Friendliness（横切检查）
-
-归纳与类比本身偏**元启发式**——它们产生猜想、迁移结构，但不直接规定计算。真正要过 GPU 八维门的是它们的**产物**：被迁移到算法/算子设计中的那个结构。类比迁移来的结构若不可算则需改造。
-
-- **友好**：迁移来的结构能写成稠密 GEMM 链或低秩线性映射——如结构归纳思路落到递归算子的可融合实现、代数同态类比成低秩 GEMM（维度 1/2/4）。
-- **可改造**：迁移来的全局/串行结构（朴素上同调计算、非结构化图遍历、朴素 RNN 式递推）→ 用块稀疏化、低秩投影、热带半环松弛改造（见 `../../references/gpu-friendly-math.md` 改造手法）。
-- **反模式**：仅因结构同构/同态优美就采用，却忽略 O(n²) 显存、fp64 依赖或长串行递推——"数学美 ≠ 可算"，类比结论即便数学正确也未必硬件可行。
-
-八维最低判定（正式术语）：**张量化**检查迁移结构的可批量表达；**GEMM 可映射**检查类比后的核心算子是否落矩阵乘；**复杂度**检查从源领域带来的全局构造是否爆炸；**显存与 KV-Cache**检查是否引入大表或长缓存；**低精度稳定**检查类比结构是否依赖精确符号/高精度；**并行与通信**检查递推或交互能否分块；**稀疏结构**检查稀疏是否规则；**算子融合**检查迁移结构是否可实现为少量 fused ops。
-
-> 配合 `../../references/gpu-friendly-math.md`（八维门）、`../../references/books/abstract-algebra.md`（同态/同构结构）、`../../references/books/algebraic-geometry-rising-sea.md`（跨域结构迁移与压缩）。
-
-## 不适用场景 / When NOT to Use
-
-- **需要严格证明**——归纳推理和类比只能产生假设，不是证明；但数学归纳法本身是证明方法。
-- **样本只有一个或极少**——归纳推理需要足够的实例支撑。
-- **两个领域差异太大**——类比需要结构相似性，而非表面相似。
-- **结论必须零误差**——归纳推理有不确定性，类比有失真风险。
-- **问题可用演绎直接解决**——不必绕道归纳。
-
-## 何时使用 / When to Use
-
-- 观察到多个案例有共同模式，想要提出一般性假说。
-- 在科研中尝试发现新定理或新规律。
-- 需要对递归定义的结构（树、列表、表达式）进行性质证明——使用结构归纳法。
-- 需要证明涉及分解的命题（如整数的素因子分解）——使用强归纳法。
-- 需要对超越自然数的良序集进行论证——使用超限归纳法。
-- 跨学科借鉴——其他领域的方法能否用到我的问题？
-- **为算法/算子设计借鉴其他领域的结构**——跨域类比迁移结构（如代数同态→低秩映射、层扩散→块摘要），迁移后过 GPU 八维门再采用。
-
-## 方法流程 / Method
-
-### 第一步：收集具体案例 / Collect Concrete Cases
-系统收集与观察具体实例：阅读文献提取关键案例、收集实验数据中的模式、整理已知定理；确保案例覆盖边界值、典型值与极端值。案例的多样性与覆盖度决定归纳质量——太少或太单一会误导。
-
-### 第二步：识别模式 / Identify Patterns
-比较案例的共同点与差异：什么特征在所有（或大多数）案例中出现？什么只出现在部分？差异是否有规律？注意模式可能在若干案例后突然破坏（如 Borwein 积分现象）——只看共同点会忽视反例。
-
-### 第三步：提出假说 / Formulate a Hypothesis
-基于观察到的模式提出一般性假说：**强假说** ∀n P(n)（所有情况成立）；**弱假说** P(n) 对足够大的 n 成立（存在例外）；**条件假说** ∀n∈S P(n)（特定子集）。选择原则：优先尝试强假说，再用反例逐级弱化。假说必须足够明确以至于可被推翻。
-
-### 第四步：搜索反例 / Search for Counterexamples
-主动寻找推翻假说的反例——区分科学与伪科学的关键。找到反例则修改（弱化或加条件）；找不到则假说暂时成立。特别关注边界条件、极端值、参数变化时模式是否突然失效。
-
-### 第五步：尝试证明 / Attempt a Proof
-对数学假说尝试严格证明，选择正确的归纳变体是关键：
-
-- **弱归纳法（Weak Induction）**：证明 P(1) + ∀k(P(k)→P(k+1)) → ∀n P(n)；适用 P(k+1) 仅依赖 P(k)（求和公式、简单递推）；示例 1+2+…+n = n(n+1)/2。
-- **强归纳法（Strong Induction）**：假设 P(1)..P(k) 全部成立证 P(k+1)；适用 P(k+1) 依赖多个前驱（分解、拆分命题）；示例：每个大于 1 的整数都是素数乘积、斐波那契性质。关键：P(k+1) 需引用 P(j)(j<k) 时必须用强归纳。
-- **结构归纳法（Structural Induction）**：证 P(base) + P(composite) 由 P(components) 推出；适用递归定义结构（树、列表、表达式、公式、程序语义）；示例：二叉树叶节点数 = 内部节点数 + 1。它是数学归纳法在递归结构上的自然推广。
-- **超限归纳法（Transfinite Induction）**：对良序集 (W,<) 证 ∀α∈W(∀β<α P(β)→P(α)) → ∀α∈W P(α)；适用索引超越自然数的良序集（序数、偏序集、拓扑传递闭包）；示例：Zorn 引理应用、集合论递归构造。
-- **良序原理等价性**：每个非空子集有最小元 ↔ 自然数归纳法 ↔ 强归纳法 ↔ 良序集上的超限归纳。实践意义：选最自然的形式。
-
-### 第六步：类比迁移 / Analogical Transfer
-使用类比必须定量评估而非仅凭直觉：
-
-- **结构性相似度度量**：结构相似度 = (成功映射的关系数 + 成功映射的组件数) / (源关系总数 + 源组件总数)。
-- **类比有效性分级**：**高有效性（同态映射 homomorphism）**——大部分结构有对应、关键关系保持，结论可信度高；**中有效性（部分同态）**——部分保持部分失真，结论需修正后使用；**低有效性（表面相似）**——仅外观/术语相似，深层结构不同，结论基本不可信。
-- **系统性检验清单**：① 源领域每个组件，目标领域是否有对应？② 每个关系在目标领域是否成立？③ 每个操作在目标领域是否有定义？④ 映射一致性：若 a↦a', b↦b'，则 R(a,b) 是否蕴含 R'(a',b')？
-
-### 第七步：假说修正 / Hypothesis Revision
-据反例与证明尝试结果修正假说，遵循 Lakatos 方法论：**怪物排除（monster-barring）**——将反例归为不属于假说本意范围并显式排除（最简单，警惕过度排除致空洞化）；**引理吸收（lemma-incorporation）**——将反例暴露的隐藏条件纳入为新引理（使假说更精确）；**证明策略修订（proof-strategy revision）**——反例揭示原证明思路根本缺陷，换证明框架（最深刻）。修正后回到第四步，迭代直至假说稳定。
-
-## 常见错误 / Common Errors
-
-| 错误 / Error | 批评 / Critique | 正确做法 / Correct Approach |
-|---|---|---|
-| 样本不足就归纳 | 从 2-3 个案例归纳的"规律"极不可靠 | 样本量要足够大，且覆盖各种情况 |
-| 把归纳推理当证明 | 归纳推理只产生假设，不是证明；数学归纳法才是证明 | 区分归纳推理与归纳证明，前者产猜想后者验证 |
-| 确认偏差 | 只看到支持假说的案例，忽视反例 | 主动寻找反例——最关键的一步 |
-| 表面类比 | 基于表面相似而非结构相似的类比 | 类比的依据是结构同构/同态，不是表面相似 |
-| 类比过度 | 两个领域不完全同构，类比结论不完全成立 | 用结构性相似度量化评估类比强度 |
-| 归纳后不验证 | 提出假说后不去检验 | 假说必须经过反例检验和/或证明 |
-| 需强归纳却用弱归纳 | P(k+1) 依赖多个前驱时，弱归纳无法完成归纳步骤 | 识别依赖结构：若 P(k+1) 需引用 P(j)(j<k)，用强归纳 |
-| 仅凭表面特征评估类比 | 表面特征相似不意味着结构相似，结论可能完全错误 | 用系统映射逐一比较组件、关系、操作 |
-| 混淆归纳推理与归纳证明 | 归纳推理是经验性的，归纳证明是演绎性的——性质完全不同 | 明确区分：推理→假说，证明→定理 |
-| 忽略模式破坏（Borwein积分） | 模式在前若干案例中成立后可能突然失效，归纳推理有盲区 | 检查足够多案例，关注边界与参数变化时的模式突变 |
-| 类比迁移来不可算的结构 | 仅因结构同构优美就采用，忽略 O(n²) 显存或 fp64 依赖——"数学美 ≠ 可算" | 迁移来的结构先过 GPU 八维门，不可算则改造（低秩/块稀疏/松弛）后再采用 |
-
-## 操作规程 / Operating Procedure
-
-当本 skill 被触发时，输出必须包含：
-
-1. **案例清单**：`[案例N]: [描述] [关键特征]`，确保覆盖边界值与极端值。
-2. **模式识别**：`[共同模式]: [描述] [出现频率: N/M] [差异模式]: [描述]`，注意是否有 Borwein 型突然破坏。
-3. **假说表述**：`[假说]: [内容] [类型: 强/弱/条件]`，优先尝试强假说。
-4. **反例搜索**：`[反例]: [找到/未找到]。如找到: [描述]，假说修正: [新表述]`。
-5. **证明方向**：`[归纳类型: 弱/强/结构/超限]` 并给出证明思路；说明为何选择该变体。
-6. **类比映射**：`[源领域A] → [目标领域B]: [对应关系] [结构相似度: X/Y] [有效性: 高/中/低]`，逐项检验组件、关系、操作。
-7. **假说修正**：`[修正方式: 怪物排除/引理吸收/策略修订] [修正后假说]`。
-8. **[GPU 可行性]**（若迁移结构用于算法/算子设计）— 迁移来的结构过 `../../references/gpu-friendly-math.md` 八维门，标注友好/可改造/不友好 + 改造建议。
-
-**输出不得只给分析而无结论；需要继续执行时，在结尾用一句话说明接下来将做什么。**
-
-## 与其他 skill 的关系 / Relations to Other Skills
-
-- **逻辑演绎**：归纳产生假说，演绎证明假说——发现与验证的双翼。
-- **抽象化思想**：类比本质上是识别两个领域的共同抽象结构。
-- **概率与统计**：归纳推理的概率版本就是统计推断。
-- **建模思想**：从数据中发现规律的归纳过程也是建模的一部分。
-- **算法思想**：归纳作为正确性证明范式——循环不变量即归纳假设，递归程序正确性依赖结构归纳。
-- **离散/组合思想**：组合归纳——对组合对象的归纳论证，如图论归纳、生成函数方法中的归纳递推。
-- **现代数学激活**：`../../references/books/abstract-algebra.md`（结构类比：同态/同构作为类比的形式化）、`../../references/books/algebraic-geometry-rising-sea.md`（跨域结构迁移：层/限制映射/Plücker 压缩）。