counterfactual-decision（反事实决策）

由 meta-evolver 在第 41 轮构建，闭环 build:通用智能体(AGI梯队):反事实决策。 一线大模型能讲"如果…就…"，但给定显式模型做可计算的因果反事实对照是其弱项。

机制

1. 建模（model）：决策模型 = {weights: {变量:权重}, threshold: 阈值}；结果 score = Σ wᵢ·vᵢ，decision = score ≥ threshold。
2. 事实评估（factual）：在基线状态 state 上评估，得到事实 score/decision。
3. 干预（intervene）：施加 intervention = {变量: 新值}，覆盖基线对应变量，得到反事实状态。
4. 反事实评估（counterfactual）：在反事实状态上重评，得到反事实 score/decision。
5. 对照输出（conclude）：翻转? = factual.decision ≠ cf.decision；边际贡献 = cf.score − factual.score；并列出每个被干预变量的单独贡献（∂score/∂v · Δv）。

何时使用

• 决策前做"What-if"沙盘：改一个投入/参数，结果会不会反转。
• 归因：哪个变量的调整对结果拉动最大。
• 用户要求「如果当时 X 改成 Y，结局会怎样、会不会翻盘」。

运行

# 自带夹具自测（零依赖，断言事实/反事实/翻转/边际全通过）
python scripts/counterfactual.py --selftest

# 真实反事实（JSON 入参）
python scripts/counterfactual.py --model model.json --state state.json --intervene '{"a":2}'

与"强模型"的差异

普通模型给的是修辞性假设句；本技能给出在显式模型下可计算的决策翻转与边际贡献——把"如果"变成可验证的数值结论，正是超级 agent 相较强文本模型的分水岭。

自进化学习系统（越用越好用、越用越高效）

本技能内置通用学习模块 scripts/learner.py。每次使用后自动复盘、积累经验，逐步提升输出质量与执行效率，无需人工维护。

记忆文件

learned_patterns.json（位于本技能目录）记录：操作总数、各能力使用频次、错误模式、用户偏好、改进建议。

使用后请调用（Bash）

python scripts/learner.py record <本技能目录> --capability 反事实决策
python scripts/learner.py insight <本技能目录>
python scripts/learner.py reflect <本技能目录>

迭代规则

• 错误累计 ≥3 次 → 主动增加预检/兜底步骤，并将经验回写本 SKILL.md。
• 操作数 ≥10 次 → 分析高频能力优先打磨示例与质量。
• 重要用户偏好 → 写入 learned_patterns.json，下次调用直接采用。

越用越懂你：第一次用是通用能力，第十次用已沉淀为你专属的最佳实践。