企业官网建设流程全解析

ruflo-arena 实战指南：用竞争规则学（Ruliology）为 Ruflo 程序策略构建竞技场、锦标赛与自适应共同进化

【免费下载链接】ruflo🌊 The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo

ruflo-arena 是 Ruflo 生态中首个可执行的"竞争规则学"（competitive ruliology）插件，实现了 Ruflo ADR-147/148/150 的落地切片：把策略视为程序（读取对手历史的确定性有限状态机），让它们在收益博弈下同场竞技，通过锦标赛产出 Wolfram 式"竞争矩阵"（competitive array），再用爬山进化与共同进化（co-evolution）在经验上发现优胜者。读完本文，你将掌握该插件的安装运行、CLI 与 MCP 工具调用、策略/博弈/进化机制，以及如何用种子复现与持久化每一场"程序对程序"的竞争。

为什么"程序 vs 程序"需要真实地跑一场

传统博弈论倾向用数学推导求解最优策略；而 Wolfram 的"规则学"立场是：由于计算不可约性（computational irreducibility），程序的竞争结果无法被简单预测或化简，必须真正运行这场竞争才能知道谁赢。ruflo-arena 把这一立场工程化：

• 策略是程序——确定性有限状态机（deterministic FSM），其输出仅取决于当前状态，状态转移取决于对手上一回合动作（Moore 机语义）；
• 程序在收益博弈（payoff game）下两两对阵；
• 锦标赛产出竞争矩阵（mean-payoff 矩阵）与 mean-vs-field 排名；
• 爬山进化与共同进化在搜索空间里经验性地发现获胜者。

该插件定位为"执行引擎 + 本地数据占位"，展示层（ADR-149/150 仪表盘）与数据智能层（RuVector ADR-196/197/198）由其他模块承接。核心事实与契约见 ADR-0001: ruflo-arena plugin contract。

安装与测试

插件依赖极轻——运行时只有zod一个依赖（用于 MCP 边界输入校验），要求 Node >= 20（见 package.json）：

cd plugins/ruflo-arena npm install # light — runtime dep is just zod npm run build # tsc -> dist/ npm test # vitest (engine + MCP tools + persistence) npm run lint # eslint (typescript-eslint)

仓库已内置完整测试套件：tests/games-arena.test.ts、tests/tournament.test.ts、tests/evolution.test.ts、tests/mcp-tools.test.ts，覆盖博弈收益表、确定性复现、锦标赛支配性、进化收敛与 MCP 工具面。npm run demo可直接以源码模式（--experimental-strip-types）运行演示。

架构总览

源码结构（见 src/index.ts 的导出面）层次分明：

src/ domain/ types (+ Zod schemas) · games · strategies (FSM programs, library, mutation) engine/ rng · arena (match) · tournament (competitive array) · evolution (hill-climb, co-evolution) persistence/ RunStore (File + InMemory) + AgentDB record builder report/ competitive-array tables · ASCII heatmaps · fitness sparklines mcp-tools/ arenaTools: MCPTool[] (the 6 tools above) index.ts export surface + default { tools } cli.ts human-facing CLI

• domain：类型与 Zod 输入 schema、收益博弈定义、策略库（FSM 程序工厂 + 变异算子）；
• engine：可播种 PRNG、单场对阵、锦标赛、爬山进化与共同进化；
• persistence：FileRunStore/InMemoryRunStore与 AgentDB 记录构造器；
• report：竞争矩阵表格、ASCII 热力图、适应度 sparkline，纯文本渲染保证零 UI 依赖即可观测；
• mcp-tools：6 个 MCP 工具；cli.ts：人类友好的命令行入口。

策略即程序：FSM 与闭包策略

核心思想是"策略 = 读取历史的简单程序"。类型定义在 src/domain/types.ts：

• FsmStrategy：确定性 Moore 机。每个状态输出一个动作（action），并根据对手动作（next映射）转移到下一状态；
• FnStrategy：闭包策略，例如用播种 RNG 的random，由init/act/update三元组驱动；
• AgentInstance：策略的可运行实例，Moore 语义为"出牌看状态、转移看对手"（见 src/domain/strategies.ts 的instantiate，未知动作保持原状态不转移）。

内置经典策略库均为 FSM 工厂，可针对任意动作集参数化：

PD 下经典阵容（classicRoster）即上述 8 个；非 PD 博弈则退化为"恒定×2 + 复制 + 反复制 + 交替 + 随机"6 个。findStrategy支持前缀匹配策略名。

可进化的 FSM：随机基因组与变异算子

ADR-148 的进化能力建立在两个原语上（src/domain/strategies.ts）：

• randomFSM：按动作集与状态数随机生成 FSM（动作、转移、起始状态全部随机）；
• mutate：对 FSM 做一次随机结构编辑，五种算子随机选择：
  • flipAction：翻转某状态输出动作；
  • rewire：重连某状态在某动作上的转移目标；
  • moveStart：移动起始状态；
  • addState：新增状态并保证新状态可达（把旧状态的一条转移指过去）；
  • removeState：删除状态并重映射全部转移与起始状态（当状态数 ≤ 1 时强制改为addState）。

这正是"程序空间"上的局部搜索：每个个体都是一个可运行程序，变异即程序改写。

收益博弈：PD 与零和 match-or-not

博弈即收益矩阵（src/domain/games.ts）：

• Iterated Prisoner's Dilemma（pd/prisoners-dilemma）：经典 R=3、T=5、S=0、P=1 参数，动作集{C, D}，非零和；
• Match-or-not（mon/match-or-not）：动作一致时 A 得 1 分、B 得 -1，不一致则相反，零和；
• GAMES注册表支持别名（pd↔prisoners-dilemma、mon↔match-or-not），getGame对未知博弈直接报错并列出已知项。

makeGame用"a|b"字符串查表返回[pA, pB]，缺失组合抛错。测试 tests/games-arena.test.ts 验证了 PD 四格收益与零和性质（任意两动作收益之和为 0）。

单场对阵：arena/run 的底层实现

runMatch（src/engine/arena.ts）是全部竞争的基础：

1. 用mulberry32(derive(seed, 1))与mulberry32(derive(seed, 2))分别为 A、B 生成互不相关的独立随机流（derive以不同 salt 派生流种子）；
2. 循环rounds回合：双方各自act()出牌 →game.payoff结算 → 累计分数 → 双方observe()观察对手动作并转移状态；
3. 返回累计分、场均分与（可选）逐回合历史。

meanPayoff则取 A 对 B 的场均收益，供锦标赛与进化复用。确定性来自 mulberry32（src/engine/rng.ts）：同种子同流，测试断言"同种子两次运行的历史完全一致"，这是 Wolfram 强调的"竞争可重跑"前提。

锦标赛：Wolfram 竞争矩阵与 mean-vs-field 排名

runTournament（src/engine/tournament.ts）对阵容做循环赛：

• matrix[i][j]= 策略 i 对策略 j 的场均收益，构成mean-payoff 矩阵（竞争矩阵）；
• meanVsField[i]= 策略 i 对阵全场的平均收益（includeSelf=false时跳过对角线，对角留 0，由调用方按该标志解读）；
• ranking按 mean-vs-field 降序排序。

测试 tests/tournament.test.ts 验证了：矩阵为方形且与阵容等长、排名严格降序、同种子完全复现，以及一个经典事实——PD 中 always-defect 对任意对手场均不低于对方（pairwise-unbeatable 支配性）。

README 给出了一次典型 PD 排名（mean-vs-field）：grim ≈ 2.99、always-defect ≈ 2.76、tit-for-tat ≈ 2.50、…、always-cooperate ≈ 1.88——可见"以牙还牙"类策略在"全场平均"口径下反超单纯的 always-defect，这正是竞争矩阵的价值所在。

进化与共同进化：经验发现获胜者

爬山进化（evolve/run）

evolveVsField（src/engine/evolution.ts）：

1. 以randomFSM随机生成一个 2 态（可配startStates）初始程序；
2. 适应度 =mean-vs-field：对阵容每个对手跑rounds回合取场均收益的平均（fitnessVsField）；
3. 每代对当前最优做一次mutate，fitness >= 当前则接受（keep-if-fitter），否则丢弃；
4. 输出best（进化后的程序）、bestFitness、curve（每代适应度、是否被接受、状态数）。

README 的示例轨迹：进化从随机 FSM（约 2.78）爬升到约 3.00，呈现 Wolfram 强调的平台期→突破（plateau→breakthrough）适应度曲线特征。

共同进化（coevolve/run）

coevolve（src/engine/evolution.ts）实现军备竞赛：

• A、B 各持一个随机 FSM，奇数代变异 A（接受当且仅当 A 的收益 ≥ 基线），偶数代变异 B（接受当且仅当A 的收益 ≤ 基线，即 B 在最小化 A 的收益——双方对抗）；
• 缓存当前 A vs B 的基线收益，每代只跑一次候选对阵（同种子数值上等价，但每代省约 2/3 的对阵次数）；
• 返回双方最终程序与curve（每代payoffA轨迹）。

MCP 层对超长曲线用单次扫描求 min/max 区间，规避Math.min(...spread)在 V8 下约 1.6 万参数的参数上限（见 src/mcp-tools/index.ts）。

CLI 实战

编译后通过dist/cli.js或 binruflo-arena调用（入口见 src/cli.ts）：

node dist/cli.js demo # 锦标赛 + 进化 + 共同进化 + 零和博弈演示 node dist/cli.js tournament --game pd --rounds 200 --seed 1 node dist/cli.js arena --a tit-for-tat --b always-defect node dist/cli.js evolve --game pd --generations 300 --seed 42 node dist/cli.js coevolve --game pd --generations 400 --seed 7

各子命令与 MCP 工具一一对应（arena→arena/run、tournament→tournament/run、evolve→evolve/run、coevolve→coevolve/run）：

• tournament输出竞争矩阵表格 + ASCII 热力图 + 排名表（competitiveArrayTable/heatmap/rankingTable，见 src/report/render.ts）；
• evolve输出起始/最终适应度、接受变异数、适应度 sparkline 与进化后程序的describeFSM描述；
• coevolve输出 A 收益随世代的 sparkline 与区间。

完整子命令解析见 commands/arena.md，其中还展示了以$ARGUMENTS驱动的命令→MCP 工具映射约定。

MCP 工具：ruflo-arena/mcp-tools

插件导出 6 个 MCP 工具（createArenaTools工厂可注入RunStore；默认arenaTools使用FileRunStore，见 src/mcp-tools/index.ts）：

所有工具返回 Ruflo 统一信封{ success, result | error }，并在边界用 Zod 校验输入；数值输入被coerce（MCP/CLI 字符串自动转数字）。Zod schema 定义在 src/domain/types.ts，关键参数与默认值：

evolve/run与coevolve/run的默认种子分别为 42 与 7，README/CLI 与 schema 三者保持一致。

持久化：精确重放与 AgentDB 语义检索

每次运行都是可复现工件（ADR-147；RuVector ADR-197 的本地占位）：

• FileRunStore把完整工件写入.ruflo/arena/<runId>.json（runId 形如<kind>-<uuid8>，见 src/persistence/run-store.ts），支持 bit-for-bit 重放；
• InMemoryRunStore供测试/临时场景（createArenaTools(new InMemoryRunStore())）；
• RunRecord记录runId/kind/game/seed/createdAt/summary/artifact，其中seed是复现的关键。

按 Ruflo 约定，AgentDB 持久化在命令/代理层完成：每个工具结果携带agentdb载荷，交由mcp__plugin_ruflo-core_ruflo__memory_store落库：

mcp__plugin_ruflo-core_ruflo__memory_store({ namespace: result.agentdb.namespace, // "arena" key: result.agentdb.key, // 即 runId value: result.agentdb.value, // JSON 摘要（kind, game, seed, ranking/fitness …） tags: result.agentdb.tags // ["ruliology","competition", kind, game] })

agentdbRecord把kind/game/seed提升为顶层字段（便于 RuVector ADR-197 索引器免解析过滤），value保留完整摘要供语义检索。此后即可用mcp__plugin_ruflo-core_ruflo__memory_search({ namespace: "arena", query: "tournaments where grim dominated" })这类查询回溯历史竞争。注意：v1 中agentdb.value摘要 schema 未版本化，ADR 提醒在 RuVector 集成契约（ADR-152 ↔ ADR-200）落地前应避免跨仓库依赖。

范围界定：v1 做什么、不做什么

v1 刻意保持"仅 Ruflo 内、不动核心"：

• 包含：简单程序 + 随机策略、PD + 零和博弈、锦标赛、爬山进化与共同进化、文件/AgentDB 持久化、MCP 工具 + CLI；
• 不包含（另作跟踪）：LLM 代理策略与蒸馏（ADR-151）、执行沙箱/资源治理（ADR-153）、仪表盘 UI（ADR-149/154）、完整 RuVector 数据/智能层（ADR-196–198、ADR-200）。

一个值得注意的边界：v1 的 FSM 必然停机（无非停机程序问题），而"不可信/进化出的程序"沙箱化在 ADR-153 中跟踪——若你计划把进化产物接入真实执行环境，应先补齐该治理项。

结语：从竞争矩阵到自进化 swarm

ruflo-arena 用约 10 个源码文件的体量，完整落地了"策略即程序、竞争须实跑、结果可重放、历史可检索"的竞争规则学闭环：arena单挑 →tournament竞争矩阵 →evolve对固定阵容爬山 →coevolve军备竞赛，四条递进能力全部可通过 CLI 与 MCP 工具调用并持久化。对于希望把"程序间竞争"引入 swarm 编排、策略选择或自动化探索的开发者，这个插件既是一个可复现的实验场，也为 RuVector 数据层与仪表盘预留了清晰的接缝。建议从node dist/cli.js demo开始，观察 PD 竞争矩阵中 grim 的领先与进化曲线的平台期突破，再以固定种子复现、改参数、接入 AgentDB 检索，逐步深入。

【免费下载链接】ruflo🌊 The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo