Evilom
3.5 KiB
XeU6wBq9YisqjIk68CbcU5xKnqd
Source: https://fcnlycv6dd0w.feishu.cn/wiki/XeU6wBq9YisqjIk68CbcU5xKnqd
今日内容
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。
（一）论文的方法路径
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： - 论文没有笼统研究“进攻效果”，而是将突破防线明确定义为可计算标签，即一次传球是否突破防线。 - 作者基于事件数据、球员追踪数据和比赛信息，构建了 189 个特征，包括球员位置、速度、防线间隙、空间控制等。 - XGBoost 用于预测一次传球是否造成突破防线，适合处理多变量、非线性和变量交互关系。 - SHAP 用于解释哪些变量对突破防线更重要**，以及变量如何影响突破概率**。 - 最后，作者将模型结果解释为具体的足球战术含义，例如传球方向、进攻球员速度、防线间隙和空间分布等因素如何影响突破。
[嵌入电子表格: UF5uswwP0hOhg6tftNBc...]
🔎 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。
（二）整理《XGBoost_SHAP实证操作手册》
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：
- 先将玩家行为和机制变量整理成玩家-活动期级建模底表
- 再用 XGBoost 识别七类机制变量与玩家综合投入之间的复杂关系
- 最后通过 SHAP 解释不同机制变量对玩家投入的贡献。
手册源文件👇
二、Codex 业务skill制作
🔎 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：