当面对一个涉及多方利益的冲突场景时，普通的AI对话往往只会给出“加强沟通、寻求共赢”这类无关痛痒的建议。真正的博弈分析需要回答：每个参与方的底线是什么？谁会先让步？哪个联盟最脆弱？什么样的出价才能稳住关键合作方？这些问题的答案，依赖的是显式的推理结构，而非语言模型对常识的模糊复述。要让AI输出有决策价值的博弈分析，Prompt设计必须把博弈论的思维步骤拆解为可执行的推理链，同时用格式约束强制模型输出中间结果，而不是直接跳到最后结论。
从情景描述到结构化推理：博弈Prompt的第一性原理
博弈分析Prompt设计的核心难点在于：大语言模型本质上是一个模式补全器，它擅长识别文本中的常见叙事套路，却未必能主动调用博弈论的决策模型。如果只是把情景抛给模型问一句“你怎么看”，模型大概率会输出一个面面俱到却毫无操作性的总结。因此，Prompt的首要任务是把无结构的场景文本映射为博弈论的标准要素结构，即参与人、行动顺序、策略空间、信息集合、收益函数。
一个有效的做法是在Prompt中显式声明“分析框架”，让模型按照“参与人—策略—收益—均衡”的四步流程展开。这等同于给模型一张填表任务书，每一步输出都会成为下一步推理的约束条件。例如，在Prompt中写道：“请先列出所有直接和间接参与方，并为每个参与方编号，后续所有策略分析必须引用编号，禁止使用模糊称谓。” 这类指令能有效防止模型在分析过程中混淆主体，也能让输出结果更容易被审查和修正。
另一个关键点是要限制模型的抽象程度。常见的失败输出是模型说出“各方应寻求利益平衡点”这类既无法证伪也无法操作的建议。要避免这一点，Prompt必须要求模型给出具体的、可验证的行为描述，例如“参与方A在何种条件下会接受B的分成比例”而不是“双方要互利互惠”。这种从抽象表态到具体预测的转变，是衡量博弈Prompt是否合格的分界线。
# 博弈分析Prompt基础框架样例 base_prompt = """ 你是一名博弈分析咨询顾问。请对以下冲突情景进行多方博弈分析。 情景描述： 某城市正在规划一条新地铁线路，涉及三方利益： - 市政府希望控制财政支出 - 沿线居民要求减少噪音污染 - 开发商希望在地铁站周边获得商业用地 分析步骤： 第一步：列出所有直接参与方和间接参与方，用P1、P2、P3进行编号。 第二步：对每个参与方，提取其核心利益诉求，请按重要性从高到低排序。 第三步：只输出分析过程中的必要信息，不要输出任何建议性结论。 """
利益抽取与策略空间枚举：让AI画出一张完整的博弈棋盘
博弈分析如果只停留在“谁想要什么”，那充其量是利益清单而非博弈推演。Prompt必须推动模型进一步枚举每个参与方的策略空间，也就是每个参与方可以选择的行动集合。例如在商业谈判场景中，供应商的策略空间可能包括“接受压价延期交货”“拒绝降价”“提高付款条件”“寻找替代买家”四种选项。策略空间的完整性直接决定了后续均衡分析的质量，漏掉一个关键策略，整个收益矩阵都会失真。
为了让模型穷举策略空间，Prompt中应该加入“极端策略提示”技巧。所谓极端策略，就是要求模型考虑对抗性最强烈的行动选项，即使这些选项看起来不理性。例如“请额外列出两个看似激进但可能被采纳的策略，例如彻底终止合作、诉诸媒体舆论施压之类的行动”。谈判博弈中的威胁、承诺、欺骗，往往都隐藏在极端策略中，如果模型只输出温和选项，均衡分析将失去解释力。
同时还要要求模型区分“可观察策略”和“不可观察意图”。例如A方嘴上说要涨价，实际上可能在转移注意力；B方公开拒绝谈判，私下可能已经在物色中间人。Prompt可以让模型将策略分为“公开声明”和“实际行为”两列，这种分层输出能揭示言行不一致可能引发的策略互动，让分析结果更接近真实世界的博弈节奏。
strategy_prompt = """ 请基于上述情景，为每一个参与方枚举策略空间。 严格输出格式： P1（市政府）： - 常规策略：列出至少3个 - 对抗策略：列出至少1个，该策略可能损害短期关系但能争取长期利益 - 不可公开的策略：列出至少1个，该策略属于私下运作行为 P2（沿线居民）： - 常规策略：列出至少3个 - 对抗策略：列出至少1个 - 不可公开的策略：列出至少1个 P3（开发商）： - 常规策略：列出至少3个 - 对抗策略：列出至少1个 - 不可公开的策略：列出至少1个 请确保策略之间互斥并且覆盖所有可能的行动方向。 """
效用量化和收益矩阵构建：把模糊诉求变成可比较的数字
博弈论的收益函数不一定是真实货币数额，它可以是效用的相对排序。Prompt要引导模型用数值评分的方式替代文字描述，因为文字无法比较。例如“开发商对地铁站周边地块的意愿强度为9分，对绿色建筑标准的接受度为3分”，这种量化表达让后续的收益矩阵计算成为可能。不过要提醒模型，评分必须保证单调性，即数字越大代表偏好越强，禁止出现“意愿8分但排名靠后”这样的矛盾输出。
构建收益矩阵时，Prompt应该明确指定矩阵的维度。双人博弈是二维矩阵，三人及以上博弈则需要用条件收益表。对三个参与方的情景，更有效的方式是让模型输出“给定其他两方策略组合时，该方的最优收益”条件表。这比一次性生成一个多维矩阵更符合语言模型的输出能力，同时也能暴露策略之间的依赖关系。
为了避免模型随意编造数字，Prompt中必须加入“附注约束”指令，要求每个评分后面附带一句判断依据。例如“市政府：财政支出敏感度8分，依据是地铁总投资的公共预算占比超过40%”。这相当于强制模型从情景文本中提取证据，而不是从训练数据的统计规律中猜测数字。有了依据，分析者就能判断评分可信度，必要时还能修正Prompt并重新生成。
payoff_prompt = """ 请为以下策略组合构建收益评估表。 评估规则： 1. 收益分从-5到+5，正数代表净收益，负数代表净损失 2. 每个评分必须以“ | 依据”结尾，依据字数不超过30字 3. 如果两个策略组合的收益相同，取相同值并标注“并列” 4. 禁止为了制造冲突而虚报收益差异 输出格式要求： 策略组合： P1采用[策略名]，P2采用[策略名]，P3采用[策略名]。 P1收益：[数字] | 依据：[一句理由] P2收益：[数字] | 依据：[一句理由] P3收益：[数字] | 依据：[一句理由] 请对前三组最典型的策略组合进行这样的评估。 """
从纳什均衡到帕累托最优：让AI沿着博弈论的分析链推导结论
有了收益矩阵，下一步就是让模型寻找均衡点。但这里存在一个常见陷阱：直接问“什么是均衡”时，模型倾向于选择看起来公平的方案，而真正的纳什均衡往往并不公平。因此Prompt必须要求模型执行“最佳回应”检查，也就是逐一考察每个参与方在其它方策略不变的前提下是否有动机单方面偏离。只有当所有参与方都没有偏离动机时，才能判定为纳什均衡。
推理链引导是这段分析的关键手段。Prompt要强制模型按固定格式输出推导过程，例如“P1的当前收益为X，若P1改用策略Y，收益变为Z，因此P1有/无偏离动机”。用这种逐步计算的方式，模型出错的概率会大幅降低。如果跳过推理步骤直接给均衡，模型常常会把帕累托效率与纳什均衡混为一谈。两种概念必须区分清楚：均衡描述的是稳定性，帕累托最优描述的是效率。Prompt可以明确要求模型分别判定“稳定均衡”和“效率最优”，若两者不一致，则说明这是一个典型的囚徒困境类结构。
此外，还应该让模型输出每个均衡点对应的“敏感度分析”。商业谈判、政策制定等真实场景中，参数估计难免有误差，Prompt可要求模型回答：“当某个参与方的收益评分下降2分时，均衡是否会移动？” 这种反事实推演能大幅提升分析结果在真实决策中的可用性。
equilibrium_prompt = """ 请基于你刚才构建的收益矩阵进行均衡分析。 推理步骤： 第一步：检查P1，列出P1在P2、P3当前策略下的最佳回应是什么，用以下句式输出。 "P2当前策略[名称]，P3当前策略[名称]。P1若选[策略A]，收益为[数值]；选[策略B]，收益为[数值]。因此P1的最佳回应是[策略名称]。" 第二步：用同样的方式检查P2和P3。 第三步：如果三方的最佳回应组合恰好是当前策略组合，请输出这句话："该策略组合是一个纳什均衡。" 如果不满足条件，请指出哪个参与方有偏离动机，并继续检查下一组策略组合。 第四步：完成上述推导后，另起一段回答：这个均衡结果是否也是帕累托最优？如果不是，请说明哪些策略组合可以无损害地改善至少一方的收益。 """
动态博弈与反事实推演：Prompt设计中的“时间轴”与“威胁可信度”
多轮博弈和一次性博弈有本质区别。在持续合作的场景中，短期占优策略可能会损害长期收益。Agent要建立这种动态博弈的视角，Prompt就得把“时间轴”显式嵌入分析框架。方法之一是要求模型将博弈拆分为“第一阶段”“第二阶段”“第三阶段”，并规定后发行动者一定可以观察到先发者的行动。这类序贯博弈的推理复杂度远高于同时行动的静态博弈，因此步骤拆解不能省略。
一个有价值且容易操作的方法是把“承诺的可信度”和“威胁的威慑力”做成独立分析项。例如在劳资谈判中，工会威胁罢工，资方威胁搬迁工厂，Prompt应引导模型评估这些威胁的可置信度：发出威胁的一方如果真执行该策略，需要付出多大代价？代价越大，威胁的可信度越低。为了做到这一点，Prompt可以要求模型为每个威胁策略单独生成一个“自损评估”，并与预期收益进行比较，判断威胁究竟是虚张声势还是切实可行的筹码。
通过这种逐层的动态推演，AI输出就会从“各方应该协商解决”升级为“A方在第二阶段的让步幅度超过B方预期时，C方将退出联盟并转而支持A方的方案”，这样的结论才具备真正的策略参考价值。设计Prompt时别忘了给模型留出“阶段总结”的输出空间，否则多轮推理积累的信息会散落在各处，无法整理成决策者能直接阅读的分析报告。
dynamic_prompt = """ 请将上述博弈场景转换为三阶段动态博弈。 阶段划分： 第一阶段：P1做出初始出价或行动宣言 第二阶段：P2和P3根据P1的行动分别回应 第三阶段：P1根据P2、P3的回应调整最终策略 对每个阶段，请输出以下信息： - 行动方：[编号] - 可选行动列表：[至少列出2项] - 行动的可逆程度：高/中/低 - 该行动对后续阶段的影响：[一句话描述] 额外要求： 请专门分析第二阶段中出现的“威胁”和“承诺”。 先输出威胁承诺内容，再分析其可信度，判断标准为“执行该行动给对方造成的伤害与自身付出的代价之比”。 若自身的代价超过对方伤害，请标注不可信威胁。 最后输出一份250字以内的动态博弈总结，包含以下结构： 1. 最终可能达到的稳定结果 2. 如果第三阶段无法达成一致，最可能进入的冲突类型 3. 打破僵局的最关键变量 """
博弈推理Prompt的最终目标，是把语言模型从“观点生成器”改造成“策略计算器”。每一次迭代分析都应该输出中间推理痕迹，而不是只给结论；每一个收益数字都应该附上可追溯的依据，而不是凭空捏造；每一个均衡判断都要经过偏离动机检查，而不是依赖启发式直觉。掌握了这套Prompt设计方法之后，无论是分析商业谈判、项目干系人冲突，还是多智能体协同问题，AI都能给出结构严谨、逻辑自洽、可准备执行的博弈推演结果。