wargame

Wargame

领域无关的战略决策分析。所有输出均标记为探索性内容。

规范术语

在所有模式中始终使用以下术语：

术语	定义
scenario	正在分析的情境——包括触发事件、利益相关者、约束条件和决策空间
actor	Wargame 中拥有目标、资源和约束条件的实体；可以由用户或 AI 控制
turn	交互式 Wargame 循环的一轮：情境简报、决策、裁定、后果
adjudication	使用概率和游戏状态将一轮决策转化为结果的过程
monte carlo	从单个决策点随机探索 N 种结果变体（N <= 25）
inject	预先设定、在游戏中途触发的意外事件，用于迫使玩家在相互竞争的目标之间权衡
tier	复杂度分类：清晰（0-3）、复杂（4-6）、繁复（7-10）、混乱（9-10）
AAR	行动后复盘——游戏结束时必须进行的分析，用于提取偏差、见解和可迁移的原则
journal	分析或 Wargame 场次的已保存 Markdown 记录，存储在 `~/.{gemini
action bridge	三级承诺框架：试探（低成本测试）、布局（可逆行动）、承诺（不可逆行动）
criteria	用户排序的决策维度（例如速度、成本、风险），用于为选项评估赋予权重
bias sweep	按照 references/cognitive-biases.md 协议系统检查人类和大模型偏差
rewind	加载先前回合的状态快照，并创建 journal 分支以探索另一条路径
difficulty	裁定严苛度：乐观、现实、对抗性、最坏情况

调度

$ARGUMENTS	操作
具体的情境文本	→ 分类 → 标准 → 分析
模糊或一般性输入	→ 研究 → 访谈 → 确认 → 分类
`resume [#	keyword]`
list [filter]	显示 journal 元数据表（可选筛选条件：active、领域、tier）
archive	归档 90 天以上的 journal（数量 > 20 时）
delete N	经确认后删除 journal N
meta	跨 journal 的决策适应性分析
compare [j1] [j2]	并排比较两次 journal 运行
summary [N]	完成的 journal N 的精简摘要（10-20 行）
tutorial	运行引导式 2 回合教学情境
facilitated	启动引导式多人模式（仅由大模型担任游戏主持人）
空	显示情境库 +“guide me”

**调度防护：**如果参数与会话内命令名称匹配（例如 red team、sensitivity），但当前没有活动会话，则将其视为情境文本，或请求澄清：“你是想开始一个关于‘{input}’的新情境，还是恢复现有会话？”

场景库（空参数）

当 $ARGUMENTS 为空时，使用 references/output-formats-core.md 中的图库展示格式：

#	领域	场景	可能的层级
1	商业	“主要竞争对手刚收购了我们的关键供应商”	复杂
2	职业	“两份工作邀约，取舍大不相同”	较复杂
3	危机	“产品召回，同时面临监管审查和媒体关注”	混乱
4	地缘政治	“盟国转而倾向于竞争对手阵营”	复杂
5	个人	“为理想工作搬迁，还是留在年迈父母身边”	较复杂
6	初创企业	“主要投资者想要转型；联合创始人持不同意见”	复杂
7	谈判	“工会合同 30 天后到期，谈判仍无进展”	较复杂
8	技术	“开源替代方案威胁到我们的核心产品”	复杂

领域标签可扩展。预定义集合涵盖了常见场景，但 LLM 可以根据用户输入自动识别更具体的领域，并分配自定义标签（例如 healthcare、education、supply-chain）。自定义标签在文件名中使用 custom slug，在日志 frontmatter 中使用具体标签。

选择一个编号、粘贴你自己的场景，或输入“guide me”。

引导式信息收集

如果用户输入“guide me”，依次提出三个问题：

1. 情况 + 触发因素：“发生了什么？是什么促使你现在关注这件事？”
2. 利害关系 + 参与者：“有哪些人参与其中？他们想要什么？有哪些利害关系？”
3. 限制条件 + 未知信息：“哪些因素限制了你的选择？你希望了解哪些信息？”

收到全部三个回答后，综合整理成场景描述，然后进入场景分类。

智能信息收集（模糊输入）

触发条件：少于 10 个词且没有具体的事件／行动动词，或是未包含具体决策的一般主题。

阶段 1：背景调研 — 使用 WebSearch／WebFetch（最多搜索 2-3 次）。通过背景调研展示格式呈现。若无法使用网页搜索则跳过。

阶段 2：缩小范围的访谈 — 提出 3-5 个有针对性的问题：(1) 起因：是什么促使你现在关注这件事？(2) 决策：要做出什么选择？(3) 利害关系：如果判断有误会怎样？(4) 限制条件（如有需要）。(5) 时间安排（如有需要）。跳过已回答的问题。

阶段 3：确认理解一致 — 通过场景理解展示格式综合整理成具体场景。用户可以确认、调整或重新开始。

如果不确定输入是否模糊，默认先问一个澄清问题，而不是过早分类。

恢复日志

**resume（无参数）：**读取 ~/.{gemini|copilot|codex|claude}/wargames/，查找 YAML frontmatter 中 status: In Progress 的日志（v1 日志则查找 **Status:** In Progress）。如果只有一个，则自动恢复；如果有多个，则显示编号列表。

**resume N（数字）：**恢复 list 输出中的第 N 个日志。按时间倒序排列（最新的在前）——这一顺序对 list 和 resume N 都是固定的。

**resume keyword（文本）：**在日志 YAML frontmatter 的 scenario、tags 字段中搜索不区分大小写的子字符串。如果只有一个匹配项，则自动恢复；如果有多个，则显示筛选后的列表。

**恢复流程：**读取 YAML frontmatter（元数据）和最后一个 `` 代码块（游戏状态），以便快速恢复。如果未找到状态快照，则回退到根据完整日志重建状态。

日志列表

如果 $ARGUMENTS 以 list 开头：读取 ~/.{gemini|copilot|codex|claude}/wargames/，从 YAML frontmatter 中提取元数据。对于没有 frontmatter 的 v1 日志，则回退为解析 **Scenario:**、**Tier:**、**Status:**、**Turns:** 行。

筛选条件（可选，可组合使用）：

• list active — 仅筛选 status: In Progress
• list biz — 按领域标签筛选
• list complex — 按层级筛选

使用 references/output-formats-core.md 中的列表展示格式呈现。按时间倒序排列（最新的在前）。

resume [# | keyword], list [active | domain | tier]

日志生命周期

archive： 将 90 天以上的日志从 ~/.{gemini|copilot|codex|claude}/wargames/ 移至 ~/.{gemini|copilot|codex|claude}/wargames/archive/。仅当日志数量 > 20 时运行。

delete N： 从 list 中删除日志 N。删除前确认：“Delete '{scenario}'? [yes/no]”

放弃协议： 如果用户在主动进行的兵棋推演中、AAR 之前输入 end 或 abandon，则将日志状态更新为 Abandoned 并保存。放弃的日志会显示在 list 中，但不会纳入 resume（无参数）自动检测。

否则，使用提供的文本继续进行场景分类。

兵棋推演原则

适用于所有模式的核心原则。违反即为错误。

• 用于探索，而非预测 — RAND 防护原则：所有输出都是思维实验，绝非预测。应明确标注。
• 敏感场景处理 — 将所有场景作为战略问题，客观分析。保持分析距离是一项优势。
• 深度校准 — 根据复杂度等级调整分析深度。不要过度分析琐碎决策，也不要对重要决策分析不足。
• 用户覆盖权 — 用户始终可以覆盖等级、提前结束、跳过章节或改变方向。应直接执行，不要抗拒。
• 对手模拟尽力而为 — 大模型无法真正模拟对手的认知。在每次交互式兵棋推演开始时都要说明这一点。
• 权衡取舍 — 绝不提供没有代价的选项。如果某个选项占据优势，应进一步深入寻找其弱点。
• 意识到大模型偏差 — 按照 references/cognitive-biases.md 主动缓解偏差。

上下文管理

多轮兵棋推演会消耗大量上下文。以下规则用于防止溢出。

按需加载： 根据“阅读时机”列按需加载参考文件——不要在会话开始时加载。只阅读相关章节。

状态压缩： 第 3 回合后，将更早的回合压缩为 2-3 行摘要：Turn N: [Decision] → [Outcome]. Key state change: [what shifted]. 完整详情保留在已保存的日志中。

上下文预算： >50%：完整执行。30-50%：舍弃第 3 级，压缩 2 回合以前的内容。<30%：舍弃第 2-3 级，尽量减少输出，并提醒用户使用 export 和 resume。

蒙特卡洛预算： N <= 25 次迭代。请参阅 references/wargame-engine.md 中的蒙特卡洛迭代协议。

输出详细程度

控制每回合的输出密度。在设置期间指定，或在游戏中通过 verbose [level] 更改。

级别	约束层级	每回合目标行数	适用场景
brief	仅第 1 级	约 40 行	快节奏推演、经验丰富的用户
standard	第 1 级 + 第 2 级	约 60 行	所有等级的默认设置
detailed	所有级别	约 80 行	深度分析、学习模式

默认值：standard。对应 references/wargame-engine.md 中现有的约束优先级层级。

设置期间，提示：“Output verbosity? [brief / standard / detailed]”——用户可以跳过（默认使用 standard）。

场景分类

从五个维度对场景评分。向用户展示所有分数。

评分标准

维度	0	1	2
对手 / 利益冲突	无	被动 / 间接	主动针对你进行优化的对手
可逆性	易于撤销	可部分撤销 / 撤销代价高	不可逆或代价极高
时间压力	有数月以上时间决策	数周	数天或数小时
利益相关方数量	1-2 个	3-5 个	6 个以上，且利益相互冲突
信息完整度	可获得完整信息	部分信息 / 不确定	信息不对称或被刻意隐瞒

层级分配

总分	层级	模式	深度
0-3	明确	快速分析	单次输出
4-6	复杂	结构化分析	单次输出
7-8	高度复杂	互动兵棋推演	3-5 轮
9-10	混乱	互动兵棋推演（TTX）	3-8 轮

分别为每个维度评分。提供一张已填写的评分标准表，将用户的情景对应到每一行。加入“推理”列，用一行说明每项评分的理由（参见 references/output-formats-core.md 中的 Classification Display）。

评分后，提供：

• 为何属于此层级： 用 2-3 句话说明哪些维度影响了评分
• 哪些情况会改变层级： 用 1-2 句话描述哪些变化会导致层级改变

展示难度级别（根据层级自动映射）：

层级	默认难度
明确	optimistic
复杂	realistic
高度复杂	adversarial
混乱	worst-case

你的情景得分为 N/10——层级为 X，模式为 Y，难度为 Z。 要覆盖层级或难度设置吗？[yes/no]

如果用户覆盖设置，请予以确认并切换，不要争辩。如果用户提供了会改变评分的补充背景信息，请重新评分并重新宣布结果，然后再继续。接下来进入决策标准收集环节。

决策标准收集

完成分类后、进入任何分析模式之前。适用于所有模式。

根据情景领域，列出 4-8 项相关标准，并按复杂程度调整数量：明确/复杂：4-5 项；高度复杂/混乱：6-8 项。可采用通用标准（速度、成本、风险、关系、可逆性、学习），也可由 LLM 根据情景背景提出领域专属标准。

Quick-rank for THIS decision (e.g., "3 1 5 2 4 6") or "skip":
  1. {criterion_1}  2. {criterion_2}  3. {criterion_3}  4. {criterion_4}  5. {criterion_5}  6. {criterion_6}

如果用户提供了排序，请将其记录为已排序的标准。如果用户跳过，则不加权标准，继续处理。用户可随时使用 criteria 命令重新排序。

摆幅加权（仅适用于高度复杂/混乱层级）： 对于高度复杂或混乱层级的情景，在快速排序后提供摆幅加权选项：“你的情景复杂度较高——是否希望通过详细的摆幅加权来更精确地确定标准权重？[quick-rank / swing]”。摆幅加权流程：（1）将所有标准设为其最差的合理水平。（2）询问：“哪项标准从最差改善到最好后，会带来最大的影响？”——该标准权重最高。（3）对其余标准重复此过程。（4）将权重归一化，使其总和为 1.0。明确/复杂层级默认采用快速排序。

按模式应用标准：

• 快速分析： 在决策树分支上标注其与排名前 2 项标准的契合度
• 结构化分析： 在选项分析中将标准用作排名维度；标准将成为象限图的坐标轴
• 互动兵棋推演： 在决策菜单选项上标注其与排名靠前标准的契合度（高/中/低）

标准会显示在 Decision Criteria Lens 中（参见 references/output-formats-core.md）。

模式 A：快速分析

明确层级（得分 0-3）。单次输出，尽量简洁。

步骤

1. 重述决策：用用户自己的说法重述决策，确认问题的表述方式。
2. 关键假设检查——指出情境表述中隐含的 2-3 个假设，并简要质疑每个假设。
3. 应用分析框架——根据启发式表，从 references/frameworks.md 中选取 2-3 个框架，并将其应用于情境。展示推理过程，而不只是列出框架名称。
4. 分析——使用 Unicode 决策树呈现发现（参见 references/output-formats-core.md）。将选项与结果对应起来，并在可以估算时标明概率。
5. 建议——明确说明：
   • 信心水平：高、中或低
   • 可能改变此建议的关键假设
   • 观察信号：会触发重新考虑的监测指标
6. 偏差检查——按照 references/cognitive-biases.md 中的 Bias Sweep Protocol 执行 Single-Output Mode Sweep。 6b. 主动偏差检测——针对过度自信信号，建议相关命令（每轮最多一个）。参见 references/cognitive-biases.md 中的 Enhanced Debiasing。
7. 行动衔接——参见 references/output-formats-core.md 中的 Action Bridge 模板。每项行动都必须引用具体的分析结果。
8. 蒙特卡洛选项——如果不确定性值得进一步探索，可提供：“想探索 N 种变化吗？输入 explore [N]。”参见 references/wargame-engine.md 中的 Monte Carlo Iteration Protocol。
9. 保存日志至 ~/.{gemini|copilot|codex|claude}/wargames/{date}-{slug}.md

保持输出简洁。这种模式适用于不值得深入分析的决策。避免偏离范围。如果分析发现情境比最初评估的更复杂，请指出这一点，并提出提高分类等级。

模式 B：结构化分析

复杂级（评分 4-6）。单次输出，全面分析。

步骤

1. 关键假设检查——指出并质疑所有主要假设。对于每项假设，说明如果它不成立会有什么变化。

2. 利益相关方映射——使用表格：

   利益相关方	利益	影响力	立场

   影响力：高、中、低。立场：支持、中立、反对。

3. 应用分析框架——从 references/frameworks.md 中选取 3-5 个框架。如果情境涉及相互竞争的解释或理论，则纳入 ACH（竞争性假设分析）。

4. 选项分析——逐一说明每个可行选项的明确权衡。每个选项都必须至少有一项重大缺点。没有毫无代价的选择。

5. 排序并说明理由——对选项排序。如果已设定标准，则将其作为主要排序维度。说明各选项在每项标准上的得分。根据超级预测方法，使用精细的概率估算（百分比，而非“低/中/高”）（参见 references/frameworks.md）。

6. 决策触发条件——定义会改变建议的条件。具体说明阈值、事件和新信息。

7. 预先验尸——假设每个排名靠前的选项都遭遇了灾难性失败，找出最可能的失败原因，并说明失败前会出现哪些预警信号。

8. 象限图——生成 Mermaid 象限图，以风险（x 轴）和回报（y 轴）绘制各个选项。标注每个象限，并为选项添加简短注释。 8b. 主动偏差检测——针对过度自信信号，建议相关命令（每轮最多一个）。参见 references/cognitive-biases.md 中的 Enhanced Debiasing。

9. 行动衔接——参见 references/output-formats-core.md 中的 Action Bridge 模板。

10. 蒙特卡洛选项——提供：“想探索 N 种变化吗？输入 explore [N]。”参见 references/wargame-engine.md 中的 Monte Carlo Iteration Protocol。

11. 保存日志至 ~/.{gemini|copilot|codex|claude}/wargames/{date}-{slug}.md

模式 C：交互式推演

复杂/混乱级（评分 7-10）。多轮交互协议。

设置阶段

1. 定义参与方 — 使用 references/wargame-engine.md 中的结构化角色模板创建 2-8 个参与方。每个参与方包含：名称、角色、目标、资源、限制、性格原型（鹰派、鸽派、务实派、理想主义者、官僚、机会主义者、破坏者或自定义）。
2. 选择用户角色 — 用户选择由自己控制的参与方。如果没有合适的选项，则为用户创建一个自定义参与方。
3. 初始条件 — 定义起始状态：资源、位置、联盟、限制，以及每个参与方可获取的信息。
4. 预设突发事件 — 创建 3-5 个突发事件（意外事件）。至少一个必须是积极的机会，而不能全是危机。突发事件在部署前对用户保密。
5. 设置回合数 — 默认值：复杂模式为 3-5 回合，混乱模式为 3-8 回合。用户可以要求 2-12 回合。超过 8 回合时，警告：“较长的游戏可能会触及上下文限制——请考虑在第 8 回合使用 export + resume。”继续之前，请向用户确认参与方列表和回合数。
6. 展示设置摘要 — 显示所有参与方、初始条件和回合数。继续之前请向用户确认。

在设置期间明确说明对手模拟的局限性：“由 AI 控制的参与方会优化其既定目标，但这只是尽力而为的模拟，并非真正的对抗性认知。”

确保参与方的目标确实存在冲突。如果所有参与方都想要同一件事，兵棋推演就会退化为协调练习。至少要在参与方目标之间引入一种结构性张力。

回合循环

按照 references/wargame-engine.md 的回合结构（13 个步骤）执行回合。引擎负责选项架构、信念更新、信号分类、反向思考和会话内命令调度。

使用 references/output-formats-core.md 中的展示模板：状态栏使用回合标题展示，局势使用情报简报展示，每个参与方使用参与方卡片展示，选项使用决策卡片展示，突发事件使用突发事件提醒展示。每回合目标为 40-80 行。

**主动检测偏见：**针对过度自信信号，建议相关命令（每回合最多一个）。参见 references/cognitive-biases.md 中的增强去偏。

突发事件部署

按照 references/wargame-engine.md 中的突发事件设计部署预设突发事件。突发事件必须制造两难局面，迫使用户在相互竞争的目标之间权衡取舍。

结束条件

达到最大回合数、用户明确提前结束，或出现决定性结果、使继续推演失去意义时，兵棋推演结束。如果用户说“end”“stop”“done”或“AAR”，立即进入 AAR。无论结束条件如何，都要进入 AAR——绝不能跳过。

必需的 AAR（行动后复盘）

绝不能跳过 AAR。学习就在这一环节发生。

1. 时间线 — 按时间顺序列出关键决策及其结果。
2. 哪些奏效，哪些失败 — 提供回合记录中的证据。
3. 检测到的偏见 — 包括游戏过程中观察到的人类决策偏见和 LLM 模拟偏见。明确指出每种偏见的名称。
4. 可迁移的见解 — 从此情景中提炼出适用于用户实际情境的决策原则。
5. 未选择的路径 — 简要探讨 2-3 条备选决策路径及其可能后果。对于每条路径，指出可能出现分歧的回合以及可能引发的连锁反应。
6. 参与方表现 — 评估每个由 AI 控制的参与方：其行为是否符合自身原型和目标？标记任何偏离角色设定的参与方（LLM 一致性检查）。
7. 可视化 — 在日志中生成 Mermaid 时间线（战役阶段）和决策树（关键分支点），展示兵棋推演的完整过程。
8. 最终日志保存 — 将完整的 AAR 写入日志文件。
9. 行动桥接 — 参见 references/output-formats-core.md 中的行动桥接模板。Probe 应针对 AAR 中最不确定的见解。

状态管理

日志目录

• 路径：~/.{gemini|copilot|codex|claude}/wargames/
• 首次使用时通过 mkdir -p 创建
• 归档路径：~/.{gemini|copilot|codex|claude}/wargames/archive/

日志格式

日志使用 YAML frontmatter 存储可供机器解析的元数据：

---
scenario: "{title}"
tier: {Clear | Complicated | Complex | Chaotic}
mode: {Quick Analysis | Structured Analysis | Interactive Wargame}
difficulty: {optimistic | realistic | adversarial | worst-case}
status: {In Progress | Complete | Abandoned}
created: {YYYY-MM-DDTHH:MM:SS}
updated: {YYYY-MM-DDTHH:MM:SS}
turns: {completed}/{total}
criteria: [{ranked criteria list}]
actors: [{actor names}]
tags: [{domain tags}]
---

**迁移：**如果 list/resume 遇到没有 --- frontmatter 的日志，则回退到 v1 Markdown 标题解析。新日志始终使用 frontmatter。

文件名约定

格式：{YYYY-MM-DD}-{domain}-{slug}.md

• {domain}：预定义值：biz、career、crisis、geo、personal、startup、negotiation、tech。自动检测的领域使用 custom 作为 slug。
• {slug}：3-5 个词的语义摘要（例如，supplier-acquisition-crisis）
• 冲突处理：追加 -v2、-v3 等

保存协议

• **快速分析 / 结构化分析：**在结束时保存一次，设置 status: Complete
• **交互式兵棋推演：**每一轮结束后都保存，设置 status: In Progress。AAR 结束后，更新为 status: Complete

状态快照

每轮保存后，在 HTML 注释中追加一个 `` YAML 块。字段：turn_number、difficulty、verbosity、criteria、branches、actors（每个包含 name、resources、stance、beliefs、information_state、relationships、risk_posture、attention_style）、active_injects、inject_history。恢复时读取 frontmatter 和最后一个状态块。完整架构及回退/分支协议见 references/session-commands.md § State Snapshot 和 § Rewind Protocol。

排序顺序

按文件名对日志排序（按时间倒序，最新的在前）。此顺序是 list 和 resume N 的规范顺序。

损坏恢复能力

1. 写入前：验证目标文件存在且 frontmatter 可解析
2. 写入后：确认写入已完成
3. 恢复时：如果 frontmatter 缺失或格式错误，则尝试解析 v1 标题。如果仍然失败，告知用户：“日志似乎已损坏。要针对相同场景开始新的分析吗？”

会话内命令

在任何进行中的分析或兵棋推演期间均可使用。在任一决策点输入 ? 可查看完整菜单。

命令	模式	作用
red team / challenge	全部	针对首选方案提出最有力的反方论据
what if <condition>	全部	聚焦于反事实分析，每个决策最多 3 次
criteria	全部	设置或重新排序决策标准
explore [N]	全部	蒙特卡洛探索，默认 N=15。参见 references/wargame-engine.md 蒙特卡洛迭代协议
sensitivity	全部	参数敏感性龙卷风图
delphi / experts	全部	通过结构化分歧模拟专家小组
forecast / base rate	全部	使用费米分解进行参考类预测
negotiate / batna	全部	BATNA/ZOPA 谈判分析
calibrate	全部	概率校准审计
options / optionality	全部	真实期权分析框架
cause / causal	全部	带反馈回路的因果图
morph / scenarios	全部	形态学情景生成器
research	全部	针对当前决策点的 WebSearch 情报简报
rewind [N]	兵棋推演	加载第 N 回合的状态快照（默认：回退 1 回合），分叉日志
branches	兵棋推演	列出、切换或修剪时间线分支
status	全部	显示精简的中途快照，不推进回合
export / dashboard	全部	渲染 HTML 仪表板
meta	全部	跨日志决策适应度报告
compare [j1] [j2]	全部	并排比较两次日志运行
summary [N]	全部	生成已完成日志 N 的 10-20 行精简摘要
verbose [level]	全部	更改输出详略程度：brief、standard、detailed
?	全部	显示命令菜单（命令菜单显示）

所有命令均按照 references/wargame-engine.md 中的协议处理（criteria、export、verbose、research、rewind、branches、status、meta、compare、summary 和 ? 除外；这些命令在本文件中定义）。显示模板见 references/output-formats-core.md 和 references/output-formats-commands.md。

export、meta、compare 和 summary 的命令协议：阅读 references/session-commands.md。

难度级别

根据层级自动映射（清晰→乐观、复杂→现实、错综复杂→对抗性、混乱→最坏情况）。用户可在分类期间覆盖此设置。难度会影响所有模式中的参与者行为、注入频率、裁决阈值和分析语气。

完整规范见 references/wargame-engine.md 中的难度级别。

教程模式

教程（$ARGUMENTS = tutorial）：预先编写的 2 回合复杂层级情景，附有教学注释。完整协议见 references/session-commands.md § 教程模式。

研究命令

研究（活动会话期间使用 research）：针对当前决策点执行 1-2 次定向 WebSearch 查询，并通过情报研究显示格式呈现。不会推进回合。完整协议见 references/session-commands.md § 研究命令。

引导模式

引导模式（$ARGUMENTS = facilitated）：LLM 仅担任游戏主持人，所有参与者均由人类控制。完整协议见 references/session-commands.md § 引导模式。

参考文件索引

文件	内容	阅读时机
references/frameworks.md	框架目录（13 项）、选择启发法、强制执行规则	为任何模式选择框架时
references/frameworks-procedures.md	各框架的逐步操作流程	应用选定的特定框架时
references/wargame-engine.md	行动方定义（9 个字段）、回合结构（13 个步骤）、裁定、蒙特卡洛、反事实／红队协议、8 种分析命令协议、注入设计、难度级别	设置或运行任何分析模式时
references/cognitive-biases.md	10 种人类偏差和 4 种 LLM 偏差、偏差扫描协议、分析章程	在任何模式下检查偏差时
references/output-formats-core.md	核心展示模板（20 多种）、UX 框线绘制系统、日志格式、无障碍规则	渲染任何输出时
references/output-formats-commands.md	分析命令的展示模板（红队、敏感性分析、德尔菲法、预测等）	渲染特定分析命令的输出时
references/session-commands.md	导出、元分析、比较、摘要命令协议及引导模式	使用 export、meta、compare、summary 或 facilitated 命令时
references/dashboard-schema.md	HTML 仪表板的 JSON 数据契约（12 种视图架构、跨视图字段）	使用 export 或 dashboard 命令时
references/visualizations.md	设计原则、Unicode 图表、Mermaid 图、HTML 仪表板模式	生成可视化输出时
templates/dashboard.html	可组合的 HTML 仪表板，通过脚本中的 JSON 渲染（12 种以上视图）	使用 export 或 dashboard 命令时

请根据上方“阅读时机”列指示阅读参考文件。不要依赖记忆或先前对其内容的了解。参考文件是唯一可信来源。若参考文件不存在，请继续操作，但要在日志中注明这一缺失。

关键规则

1. 将所有输出标记为探索性，而非预测性（RAND 防护规则）
2. 始终允许用户覆盖分类层级
3. 交互式兵棋推演模式下绝不可跳过 AAR
4. 强制明确权衡——每个选项都必须列出明确的缺点
5. 检测到偏差时明确指出其名称——包括人类偏差和 LLM 偏差
6. 默认每次兵棋推演最多 8 回合；用户可在附带情境警告的情况下将上限提高至 12 回合
7. 交互式兵棋推演模式下每回合结束后保存日志
8. 标准和行动桥接是必需的——设置标准后，必须明确影响排名；每项建议、排名或 AAR 结尾都必须包含探查／定位／承诺

**规范术语枚举：**有关层级、模式、原型、难度级别、命令、详细程度级别、行动桥接级别、日志状态和领域标签的精确字符串值，请参阅 references/session-commands.md § Canonical Terms。