zopaf

Zopaf 谈判引擎 -- MCP 服务

通过 MCP 工具提供的谈判数学引擎，任何 AI Agent 都可以调用。Zopaf 通过纯 MILP 优化计算帕累托前沿、生成等效用反报价，并根据对方的反应推断其优先事项。不会消耗任何 LLM 令牌。对话由调用它的 Agent 负责，数学计算由 Zopaf 负责。

快速开始

Claude Desktop

将以下内容添加到 Claude Desktop 配置文件（claude_desktop_config.json）：

{
  "mcpServers": {
    "zopaf": {
      "type": "streamable-http",
      "url": "https://zopaf-mcp-production.up.railway.app/mcp"
    }
  }
}

Claude Code

claude mcp add zopaf --transport streamable-http https://zopaf-mcp-production.up.railway.app/mcp

通用 MCP 客户端

连接到 Streamable HTTP 端点：

URL: https://zopaf-mcp-production.up.railway.app/mcp
Transport: Streamable HTTP

工具参考

工具	描述
create_session	创建新的谈判会话。返回供所有其他工具使用的 session_id。
add_issue	添加可协商的议题／条款，并按对用户从最差到最好的顺序排列选项。
set_issue_range	设置数值议题的可接受范围，从而启用 0-100 评分。
record_preference	记录用户对某些议题的重视程度高于其他议题。更新权重模型。
set_batna	记录交易未能达成时用户的其他选择。用于确定谈判筹码。
generate_counteroffers	生成 3 个等效用反报价，供同时提出。
process_counterpart_response	处理对方的反应，以推断其优先事项并生成第 2 轮报价。
analyze_deal	根据帕累托前沿评估具体交易。显示获取的价值和建议的交换方案。
get_negotiation_state	获取当前模型状态：议题、权重、BATNA、前沿大小以及建议的下一步操作。

工作原理

1. 创建会话 -- 使用 create_session 初始化新的谈判模型。

2. 添加议题 -- 使用 add_issue 定义谈判条款。每个议题都包含按对用户从最差到最好的顺序排列的选项（例如，薪资：['$150K', '$160K', '$170K', '$180K']）。

3. 设置范围 -- 对于数值议题，调用 set_issue_range，将数值映射到 0-100 评分尺度。

4. 记录偏好 -- 随着逐步了解用户关心的事项，调用 record_preference。每次调用都会更新内部权重模型。

5. 设置 BATNA -- 使用 set_batna 记录其他选择。数量和质量决定谈判筹码的强弱以及锚定策略。

6. 生成 3 个反报价 -- 调用 generate_counteroffers，生成对用户而言同样有利但结构各异的三个方案。请同时提出全部三个方案。切勿先提出一个方案，再退而求其次地提出另一个。

7. 处理对方的反应 -- 调用 process_counterpart_response，说明对方更喜欢哪个方案以及对哪些内容提出异议。引擎会推断对方隐藏的优先事项。

8. 获取第 2 轮报价 -- 返回有效率前沿上的优化报价，并根据谈判筹码加权分配价值。

示例：工作邀约谈判

create_session
-> {"session_id": "a1b2c3d4"}

add_issue(session_id="a1b2c3d4", issue_name="Salary", options=["$150K", "$160K", "$170K", "$180K"])
add_issue(session_id="a1b2c3d4", issue_name="Equity", options=["0.1%", "0.25%", "0.5%", "0.75%"])
add_issue(session_id="a1b2c3d4", issue_name="Signing Bonus", options=["$0", "$10K", "$20K", "$30K"])
add_issue(session_id="a1b2c3d4", issue_name="Remote Work", options=["On-site", "Hybrid", "Fully Remote"])

set_issue_range(issue_name="Salary", worst_acceptable=150000, best_hoped=180000,
    option_values={"$150K": 150000, "$160K": 160000, "$170K": 170000, "$180K": 180000})
-> {"scores": {"$150K": 0.0, "$160K": 33.3, "$170K": 66.7, "$180K": 100.0}}

record_preference(preferred_issues=["Salary", "Equity"], over_issues=["Signing Bonus", "Remote Work"])
-> {"learned_weights": {"Salary": 0.345, "Equity": 0.345, "Signing Bonus": 0.155, "Remote Work": 0.155}}

set_batna(alternatives=["Competing offer from Company B at $165K", "Stay in current role"])
-> {"leverage_strength": "strong"}

generate_counteroffers(target_satisfaction="ambitious")
-> {
  "counteroffers": [
    {"label": "A", "terms": {"Salary": "$180K", "Equity": "0.25%", "Signing Bonus": "$10K", "Remote Work": "On-site"}},
    {"label": "B", "terms": {"Salary": "$170K", "Equity": "0.5%", "Signing Bonus": "$0", "Remote Work": "Hybrid"}},
    {"label": "C", "terms": {"Salary": "$160K", "Equity": "0.75%", "Signing Bonus": "$20K", "Remote Work": "On-site"}}
  ]
}

process_counterpart_response(preferred_package="B", pushback_issues=["Equity"])
-> {
  "counterpart_priorities_inferred": {"Equity": 0.571, "Salary": 0.143, ...},
  "round_2_offer": {"Salary": "$180K", "Equity": "0.25%", "Signing Bonus": "$20K", "Remote Work": "Hybrid"},
  "value_split": "User gets 75% of surplus"
}

引擎推断，对方最看重股权（占其权重的 57%）。第 2 轮报价在股权上让步——这对用户而言代价较低——并在薪资和签约奖金上争取价值。双方都能获得更好的结果。凭借强大的 BATNA，用户可获取 75% 的剩余价值。

使用场景

• 工作邀约 -- 薪资、股权、奖金、职位名称、远程工作、入职日期、带薪休假
• VC 条款清单 -- 估值、董事会席位、清算优先权、反稀释条款、按比例跟投权
• 房地产 -- 价格、交割日期、附带条件、维修、包含项目、售后返租期限
• 供应商合同 -- 价格、SLA 保证、付款条款、排他性、续约条款
• 薪资谈判 -- 基本工资、奖金结构、评审时间表、职责范围
• 商业合作 -- 收入分成、IP 所有权、决策权、退出条款、区域
• 法律和解 -- 金钱条款、保密条款、承认责任、时间表

为什么是零 Token？

Zopaf 是一个数学引擎，而不是大模型。它运行 MILP 优化和组合评分——这些运算的计算成本很低，但让大模型在上下文中尝试却十分繁琐。

你的 Agent 中的大模型负责与用户对话、提出恰当的问题并解释策略。Zopaf 负责优化——计算帕累托前沿、生成等效用套餐、根据已揭示的选择求解偏好权重，并将报价定位在有效前沿上。

你带来大脑，Zopaf 带来计算器。