用途：把竞争对手视为会对你作出回应的策略方，而非不可控的“天气”。评估某一步棋时，不能只对照对手当前行为，因为一旦你行动，那个世界已不存在。
主要能力：按顺序回答三个问题——他们实际在优化什么（通常不是你以为的）；他们对我们的行动的最佳回应是什么；双方回应交换最终停在哪里，该终局是否可接受。第三问最常被跳过，价格战正源于此。
使用方式：按工作流六步执行：从对手近期行为反推其目标；为在局行动构建收益表；检查占优策略与均衡；检查回应是否循环；按对手非完全理性做修正；决定是参与博弈还是改变博弈。收益表支持 JSON 输入，如 {"players":["us","rival"],"actions":{"us":["hold","cut"],"rival":["hold","cut"]},"payoffs":{"hold|hold":[100,100],"hold|cut":[55,130],"cut|hold":[130,55],"cut|cut":[70,70]}}。可用命令 node scripts/calc.js game market.json 运行计算；用 --level 1 --lambda 2 支持 level-k 模型；有历史时可基于 observedCounts 按经验频率计算最佳回应。建议对每个收益做 20% 扰动再跑一次，若结论改变，说明答案来自猜测而非策略结构。输出模板包括：他们优化什么、收益表、结构（占优策略/纯纳什/迭代最佳回应是否收敛或循环/博弈形状）、近期预测与建议。
适用场景：定价与商业策略、竞争回应预判、市场结构判断（如囚徒困境、特征竞赛、协调、圈地、非对称）。
限制：均衡只预测终点而非路径，近期预测应使用观察频率；迭代最佳回应可能循环，循环本身即是发现；两人模型是简化选择，多人市场可用“其余所有人”为第二方但需说明；份额很小的对手可能并未在对你建模，将其视为策略行为者会高估威胁；可见的收益表会改变博弈，应按机密处理。目标推断错误会使后续所有最佳回应计算错误。文中未提供具体价格、收费或平台信息。