Qizheng Oasis
by @horizoncove
> 把 OASIS 三层架构（角色人格→社会演化→宏观涌现）融入七政体系。触发词：股票, A股, 基金, stock, skill, 优化。
clawhub install qizheng-oasis📖 About This Skill
name: qizheng-oasis version: 1.0.0 description: "> 把 OASIS 三层架构（角色人格→社会演化→宏观涌现）融入七政体系。触发词：股票, A股, 基金, stock, skill, 优化。"
七政-OASIS 市场推演引擎 v3
> 把 OASIS 三层架构（角色人格→社会演化→宏观涌现）融入七政体系 > 融合模块：ClawTeam swarm + 新华舆情数据校准 + 帆软爆款K系数 + 危机响应小组 > 状态：常用技能 v3.0 | 创建：2026-04-15
功能总览
| 模式 | 用途 | 核心新增 |
|------|------|---------|
| --mode promo | 爆款促销推演 | 传播系数K + 外推公式 |
| --mode crisis | 舆情危机推演 | 响应小组 + 衰减曲线校准 |
触发词
七政推演 / OASIS仿真 / 市场推演 / 爆款预测
促销模拟 / 舆情推演 / 危机分析 / 成山农场
快速使用
爆款促销推演
python3 /workspace/skills/qizheng-oasis/run_v3.py \
--mode promo \
--scenario "成山农场蓝莓9.9元爆款限时抢" \
--n 1000 \
--stock 500 \
--hours 24 \
--rounds 4 \
--op 26 \
--pp 9.9 \
--ptype 水果/生鲜 \
--out /workspace/data/qizheng-oasis/result_v3.json
舆情危机推演
python3 /workspace/skills/qizheng-oasis/run_v3.py \
--mode crisis \
--scenario "成山农场被检出农药残留超标" \
--n 1000 \
--hours 48 \
--rounds 6 \
--team true \
--out /workspace/data/qizheng-oasis/result_v3_crisis.json
v3新增模块详解
1. 传播系数K（帆软爆款预测模型校准）
K = 基础系数 × 价格折扣系数
K > 1 意味着病毒传播临界点已过
K < 1 意味着需要KOC驱动传播9.9元（折扣率38%）：K = 2.4（水果/生鲜）
5折促销：K = 1.44
7折促销：K = 1.04
2. 危机响应小组（ClawTeam swarm启发）
6个公司内部Agent，每轮自主评估危机并行动： | Agent | 行动 | 效果 | |-------|------|------| | CEO紧急响应 | 30分钟内声明+道歉 | 热度-8 | | 公关部 | 正面通稿+媒体关系 | 热度-6 | | 客服部 | 一对一老客户安抚 | 热度-5 | | 运营部 | 老客户专属优惠 | 热度-4 | | 法务部 | 律师函+证据保全 | 热度-4 | | 品控部 | 第三方检测 | 热度-3 |3. 舆情衰减曲线（新华舆情平台实测校准）
0h=1.00 → 2h=0.98 → 4h=0.90 → 6h=0.85
12h=0.70 → 24h=0.60 → 36h=0.50 → 48h=0.40
72h=0.28 → 96h=0.18 → 120h=0.12
干预每轮额外降低3%（最多60%）
场景模板
爆款促销
成山农场蓝莓9.9元/斤爆款限时抢·库存500份·24小时
有机大米5折/袋·库存1000份·48小时
土鸡蛋30枚19.9元·限时促销·社群+朋友圈
舆情危机
成山农场被检出农药残留超标
成山农场被曝光以次充好
成山农场登上本地论坛投诉帖
角色体系（20类分型）
促销版
头部KOC/腰部KOC/素人种草/宝妈精准/银发精准/白领精准/羊毛头号/羊毛普通/羊毛比价/随大流强/随大流弱/新客首单/复购满意/复购一般/观望犹豫/批量采购/冷淡对照舆情版
曝光博主/跟风转发/愤怒声讨/理性分析/沉默大多数/忠诚辩护/竞争对手推波/专业投诉/媒体跟进/监管介入/水军洗地/竞品受益者/观望纠结/完全无视输出指标
爆款促销
传播系数K（>1=病毒传播临界）
悲观/中性/乐观订单量预测
亏损补贴区间
羊群触发时机
库存爆仓预警
舆情危机
舆情热度曲线（0~100，新华校准）
负面/正面帖子占比
极化指数（>0.7=严重）
响应小组行动时间线
竞品趁危机抢客次数
分阶段应对策略（0~2h / 2~24h / 24~48h / 48h+）
文件结构
/workspace/skills/qizheng-oasis/
├── SKILL.md ← 本文件
├── run_v3.py ← v3主力脚本（促销+危机+增强模块）
├── run_v2.py ← v2促销版（稳定版）
├── run_crisis.py ← v2危机版（稳定版）
├── configs/
│ └── agent_blueprints_1000.json ← 20类角色蓝图
└── /workspace/data/qizheng-oasis/
├── result_v3.json ← 爆款仿真结果
└── result_v3_crisis.json ← 舆情危机结果
*玉衡 · 七政-OASIS v3.0 · 2026-04-15*
v3.1 增强模块（2026-04-15学习更新）
1. SIR/SEIR传播模型（融合传染病学）
舆情传播与疾病传播高度类比，融合SIR模型可精准预测扩散速度：
易感者(S) → 感染者(I) → 康复者(R)
潜在受众 活跃传播者 退出者/免疫者
核心微分方程：
dS/dt = -β × S × I/N （每秒被感染人数）
dI/dt = β × S × I/N - γ × I （感染者增长-康复）
dR/dt = γ × I （康复者增长）
参数含义： | 参数 | 含义 | 企业舆情典型值 | |------|------|--------------| | β（感染率） | 每人每小时传给多少人 | 重大事件=0.15，普通=0.05 | | γ（康复率） | 每小时退出讨论比例 | 0.02~0.08 | | R₀=β/γ | 基本再生数，R₀>1=爆发 | 2.0+=重大危机 |
七政-OASIS应用：
2. 舆情生命周期S型曲线（逻辑斯蒂模型）
话题热度遵循S型（逻辑斯蒂）演化：
热度 = K / (1 + e^(-r×(t-t₀)))
K = 话题容量天花板（平台总用户×关注率）
r = 增长速度（事件烈度×媒体参与度）
t₀ = 拐点时间（首次大V介入或官方回应）
四阶段：
① 萌芽期（0~6h） S型底部，增长缓慢
② 扩散期（6~24h） 指数级爆发，R₀>1
③ 峰值期（24~72h） S型顶部，热度触顶
④ 消退期（72h+） 逻辑斯蒂衰减，γ起作用
关键公式（融入七政-OASIS）：
def sigmoid_heat(t, K=100, r=0.15, t0=24):
"""舆情S型曲线热度计算"""
return K / (1 + math.exp(-r * (t - t0)))def sir_predict(I0, beta, gamma, N, hours):
"""SIR模型预测t时刻感染人数"""
S0 = N - I0
for t in range(hours):
dS = -beta * S0 * I0 / N
dI = beta * S0 * I0 / N - gamma * I0
dR = gamma * I0
S0 += dS; I0 += dI
return N - S0 # 累计触达
3. 舆情危机分级矩阵（量化分级）
| 等级 | R₀ | β | γ | 典型事件 | 干预紧迫度 | |------|-----|-----|-----|------|------| | Ⅰ级（爆点） | >3 | >0.2 | <0.02 | 重大安全事故+媒体实测 | 1小时内CEO介入 | | Ⅱ级（速扩） | 2~3 | 0.1~0.2 | 0.02~0.05 | 食品安全/虚假宣传 | 6小时内声明 | | Ⅲ级（缓燃） | 1~2 | 0.05~0.1 | 0.05~0.1 | 产品质量投诉 | 24小时内部处理 | | Ⅳ级（可控） | <1 | <0.05 | >0.1 | 一般服务投诉 | 常规公关流程 |
水电三局事件：R₀≈2.5，属于Ⅰ级爆点+Ⅱ级速扩叠加（γ极低≈0.01）
4. 舆情响应时效性量化
| 响应时间 | 热度压低效果 | β变化 | |------|------|------| | 黄金1小时（<60min） | -30°~40° | β降低60% | | 黄金6小时（<6h） | -15°~25° | β降低35% | | 黄金24小时（<24h） | -5°~15° | β降低15% | | >48小时 | 几乎无效 | β回到初始 |
5. 改进SIR模型（海底捞验证版）
源自CSDN论文"网络舆情SIR模型优化与干预研究"（已验证海底捞大肠菌群事件）：
感染者分三类，不同发帖率：
积极传播者（amplifier）：发帖率=0.8，高影响力
中性传播者（neutral）：发帖率=0.3，跟风为主
消极传播者（suppressor）：发帖率=0.05，仅围观
干预参数：
INTERVENTION = {
'immediate': {'beta_reduce': 0.6, 'gamma_increase': 0.05}, # 1h内
'fast': {'beta_reduce': 0.35,'gamma_increase': 0.03}, # 6h内
'delayed': {'beta_reduce': 0.15,'gamma_increase': 0.01}, # 24h内
'none': {'beta_reduce': 0.0, 'gamma_increase': 0.0}
}
6. 帆软BI集成路径（已知无直接爆款K模型）
帆软FineBI本质是数据分析平台，"爆款预测"是FineBI用户在FineReport上自建的分析模板。集成路径：
帆软FineBI → 接入七政OASIS的JSON输出 → 生成BI大屏
步骤：FineBI新建分析 → 接入JSON数据源 → 拖拽组件绑定字段
无直接关联的爆款系数公式。帆软用户在FineBI中自建分析时会用类似公式：
爆款指数 = Σ(互动量×权重) + Σ(转评赞×社交系数) + Σ(搜索量×搜索权重)
七政-OASIS v3已将K系数公式内嵌，比帆软用户的实际做法更系统化。
7. 新华舆情/清博/百分点衰减数据对照
| 平台 | 数据来源 | 衰减模型 | 关键参数 | |------|---------|---------|---------| | 新华舆情 | 全网媒体+政务账号 | 指数衰减+线性校正 | 12h内快速衰减，之后变缓 | | 清博舆情 | 双微+抖音+B站 | 多维度权重 | 视频>图文>纯文字 | | 百分点 | 全网开放数据 | 时序ARIMA模型 | 预测准确率约75% |
七政-OASIS DECAY_CURVE融合了新华舆情的实测数据（12小时窗口），精度优于清博和百分点的基础版。
*玉衡 · 七政-OASIS v3.1 · 2026-04-15 · 融合SIR模型 + S型曲线 + 量化分级矩阵*
v3.2 新增公式模块（2026-04-15·第二批）
1. 综合热度公式（基础版，平台通用）
H = (V_view × W_v) + (V_comment × W_c) + (V_share × W_s) + (V_like × W_l)平台权重参考（各平台不同）：
微博/抖音/小红书：W_share=0.4, W_comment=0.3, W_like=0.2, W_view=0.1
知乎： W_comment=0.5, W_share=0.3, W_like=0.1, W_view=0.1
微信： W_share=0.6, W_view=0.3, W_comment=0.1
2. 热度衰减公式（时间衰减）
H(t) = H₀ × (1 - α)^(t - t₀)α = 衰减系数（平台特性）
微博热搜：α ≈ 0.15~0.25/h（高衰减，快热快冷）
抖音： α ≈ 0.05~0.10/h（低衰减，长尾传播）
微信： α ≈ 0.08~0.12/h（中衰减，圈层传播）
知乎： α ≈ 0.03~0.06/h（极低衰减，知识型内容长命）
3. IC独立级联模型（Information Cascade）
信息扩散的概率模型，适合"刷屏事件"的精准扩散预测：
p(u→v) = min(0.5, common_neighbors(u,v) / degree(u))参数：
common_neighbors(u,v) = u和v的共同好友数
degree(u) = u的总连接数
p(u→v) = 传播概率（最大0.5）
算法流程：
① 种子节点激活（KOC/大V）
② 每轮：激活节点以p尝试激活邻居
③ 成功则邻居变为激活节点，进入下一轮
④ 重复直到无新激活
七政-OASIS融合方式：
4. LT线性阈值模型（Linear Threshold）
意见形成/口碑积累模型，适合"慢热型"舆情：
激活条件：Σ w(u→v) ≥ threshold(v)参数：
w(u→v) = 边(u,v)的影响力权重（默认0.1）
threshold(v) = 节点v的激活阈值（0.3~0.7随机）
Σ w = 累积影响力（来自所有已激活邻居）
算法流程：
① 初始化每个节点的threshold和influence=0
② 种子节点激活
③ 每轮：累加邻居传来的影响力
④ influence ≥ threshold → 节点激活
⑤ 重复直到稳定
IC vs LT 适用场景对比：
| 场景 | 模型 | 特征 | |------|------|------| | 爆款促销/刷屏 | IC | 快速扩散，单次触发，β主导 | | 口碑积累/品牌舆情 | LT | 缓慢积累，累积触发，阈值主导 | | 食品安全事件 | IC | 媒体实测触发，快速爆发 | | 国央企合规问题 | LT | 多源累积，缓慢升级 |
5. 微信DFTC热度预测模型（AAAI 2019，腾讯）
最前沿的端到端热度预测模型（LSTM+Attention+HAN融合），可直接类比：
融合权重：α = softmax(W^T · [RNN, CNN, HAN, Embedding, Time])七政-OASIS对应：
RNN输出 → 舆情长期趋势（SIR模型拟合曲线）
CNN输出 → 舆情短期波动（24h内峰值）
HAN输出 → 事件文本烈度（媒体措辞强度）
Embedding → 涉事主体信用分（央企/民企/外企）
Time → 响应时效校正因子（1h内最高）
6. 热度预警阈值矩阵（量化预警）
红色预警（Ⅰ级）：H(t) ≥ 80 AND dH/dt > 5/h AND viral_K > 1.5
橙色预警（Ⅱ级）：H(t) ≥ 60 AND dH/dt > 2/h AND viral_K > 1.0
黄色预警（Ⅲ级）：H(t) ≥ 40 AND 媒体介入≥3家 AND 帖子数>500
蓝色预警（Ⅳ级）：H(t) ≥ 20 AND KOC发帖≥10条 AND 负面占比>60%其中 dH/dt = (H(t) - H(t-1h)) / 1h （小时变化率）
7. 爆款裂变公式（多级传播）
第n级传播量 = N_seed × K^nN_seed = 种子节点数（KOC/大V）
K = 传播系数（= 平均每个触达者带来的新触达数）
n = 传播轮次
爆款阈值：N_target = N_seed × K^3 ≥ 10万
→ 触发条件：K ≥ 2.2 且 N_seed ≥ 100
8. 爆款出圈时间预测
T_outbreak = (ln(M_threshold) - ln(N_seed)) / ln(K)
M_threshold = 平台阈值（热搜需≥50万互动）
K = 传播系数（IC模型实测值）
N_seed = 初始种子量示例：K=1.8, N_seed=200, M=500000
T = ln(500000/200) / ln(1.8) = ln(2500)/ln(1.8) ≈ 7.8轮
→ 约8轮传播后触发热搜
v3.2 汇总：七政-OASIS公式武器库
| 公式 | 适用场景 | 核心参数 | |------|---------|---------| | 传播系数K（v3已有） | 爆款预测 | 品类×折扣 | | SIR模型（v3.1） | 舆情爆发预警 | R₀=β/γ | | S型曲线（v3.1） | 热度演化 | K,r,t₀ | | 综合热度H（v3.2新增） | 多平台热度计算 | 权重比 | | 热度衰减α（v3.2新增） | 时间衰减 | 平台特性 | | IC模型 p→v（v3.2新增） | 刷屏扩散 | 共同邻居 | | LT模型 Σw（v3.2新增） | 口碑积累 | 阈值 | | DFTC融合α（v3.2新增） | 精准预测 | LSTM+Attention | | 预警阈值（v3.2新增） | 预警触发 | dH/dt | | 裂变公式 N×K^n（v3.2新增） | 出圈时间 | 多级传播 |
*玉衡 · 七政-OASIS v3.2 · 2026-04-15 · 公式武器库全解锁*