① 文献学习：XGBoost + SHAP 方法参考
②《实证操作手册》整理
③ Codex 业务skill制作
重点学习了一篇使用 XGBoost 与 SHAP 的足球比赛分析论文：
《足球比赛中防守突破检测的断点预测模型分析》 2025
该论文研究的是足球比赛中的突破防线分析：
什么样的空间结构、球员位置、速度和传球方式，会导致进攻方突破防线？
而我们的研究是希望进一步识别：
什么样的游戏机制变量，会影响玩家综合投入？
因此，这篇论文虽然不是游戏领域研究，但可以作为“复杂多人竞争场景 + 高维行为数据 + XGBoost + SHAP 解释”的方法参考支撑。
该论文的整体方法路径可以概括为：
业务问题定义 → 构造可计算标签 → 构建结构化特征 → XGBoost 预测 → SHAP 解释 → 回到战术含义。
具体来看：
他们研究的是体育竞赛中的战术突破，我们研究的是游戏竞赛中的综合投入，
场景不同，但“竞赛结构变量 → 机器学习识别 → SHAP解释机制”的方法逻辑是相通的。
围绕后续 XGBoost / SHAP 实证分析，整理形成了一版可直接执行的操作手册
明天拿到正式数据后用于跑数的实证流程说明
核心思路是：
手册源文件👇
发现 Codex 在多轮对话中容易混淆业务文件角色，核心原因不是模型能力问题，而是业务上下文复杂、文件角色多、流程规则没有被显式固定。
具体表现：
根本原因：没有固定流程时，AI 靠\"最近说了什么、文件叫什么名字、上下文联想\"来判断该用哪个文件——业务文件一复杂，上下文一朵就开始出错。
解决方向：
不是多聊，而是把固定任务封装成 Skill / 工作流规则，让 Agent 接到某类任务时先按固定规则读取对应文件、理解文件角色、执行固定步骤。
Skill 一：埋点相关任务
固定执行顺序：
Skill 二：策划案相关任务
固定读取逻辑：