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#

text

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#

bash

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#

bash

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）#

text

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）#

text

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#

text

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#

text

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#

text

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#

text

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#

text

/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：

text

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：

text

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=0.05γ（康复率）每小时退出讨论比例0.02~0.08R₀=β/γ基本再生数，R₀>1=爆发2.0+=重大危机

七政-OASIS应用：

• R₀>2.0 → "传播爆发"类型，提前预警
• β>0.1 且 γ<0.03 → "长尾危机"类型，持续数周
• 舆情"感染率β"与企业响应速度负相关（响应越慢β越高）

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：

text

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：

text

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）：

python

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R₀βγ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）230.10.20.020.05食品安全/虚假宣传6小时内声明Ⅲ级（缓燃）120.050.10.050.1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）：

text

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：

python

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：

text

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：

text

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）#

text

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）#

text

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：

text

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：

• KOC发帖 → IC种子激活
• 跟随者网络密度 → 共同邻居数
• β（感染率）= 种子节点的IC传播概率均值

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：

text

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：

text

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）#

text

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）#

text

第n级传播量 = N_seed × K^n

N_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#

text

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/γS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