Sandbox World Agent Skill

一个能够基于现实时间创建平行沙盒世界、推演因果历史并持久化保存的 Agent Skill。

核心概念

世界三要素

1. 现实锚点（Reality Anchor）：世界从哪个真实时间点分叉，锚点之前的历史与现实相同
2. 偏差设定（Divergence）：与现实的具体差异，可以是单点事件、持续状态、或结构性差异
3. 世界状态（World State）：当前推演到的时间点，以及已发生的关键事件链

推演原则

• 现实优先（Reality-First）：推演前必须先用 web_search 搜索相关现实情况，以真实数据、政策、事件为推演基础，不得依赖记忆中可能过时的知识
• 因果一致性：每个推演事件必须从已有条件中导出，不能凭空出现
• 现实参照：除偏差外，其余规律（经济、技术、人性、地缘政治）遵循现实世界规律
• 不确定性标注：高不确定性事件用 [推断] 标注，几乎确定的用 [必然] 标注
• 时间戳锚定：每个历史事件必须有明确时间（精确到季度或年份）
• 搜索结果引用：每个关键推演节点需注明其现实依据来源

工作流程

Phase 1: 世界初始化

当用户描述一个新的平行世界时：

1. 现实调研（必须执行）
• 用 web_search 搜索偏差涉及领域的现实背景：相关政策、现状、关键事件
• 搜索示例：偏差="无防火墙" → 搜索 "中国防火长城历史" "GFW政策演变" "谷歌退出中国原因" 等
• 至少执行 2-4 次搜索，覆盖偏差的直接领域和主要次级影响域
• 将搜索结果作为推演的现实基线，记录在世界元数据的 reality_baseline 字段

1. 解析偏差
• 识别现实锚点时间（divergence_date）
• 列举所有偏差项（可能有级联依赖）
• 标注偏差的性质：structural（结构性）/ event（事件性）

1. 生成世界 ID
• 格式：world-{主题缩写}-{年份}-{随机4位}
• 示例：world-nfw-2025-3a7c

1. 构建初始状态快照（基于搜索到的现实数据）

1. 存储到持久化存储

Phase 2: 事件推演

接收推演请求（"推演到XX时间"、"XX事件会发生吗"）时：

1. 确认当前时间线位置：从持久化存储读取 current_date

1. 搜索该时段的现实情况（必须执行）
• 每个推演时段开始前，搜索该时段内现实世界发生的相关事件
• 搜索目标：与偏差领域相关的现实政策、技术进展、市场动态、地缘事件
• 搜索示例：推演 2023年AI政策 → 搜索 "中国生成式AI监管2023" "OpenAI中国政策2023" 等
• 至少 2-3 次搜索覆盖该时段关键维度
• 现实事件作为推演的"外部输入"，在本世界中依据偏差逻辑判断其是否发生、如何变形

1. 逐步推演（每步跨度：3-12个月，视复杂度而定）
• 基于搜索到的现实数据，列出该时段内的驱动因素
• 推导关键事件（3-7个），每个事件标注其现实依据
• 评估每个事件的确定性
• 分析对下一时段的影响

1. 事件记录格式：

```

[YYYY-QQ] 事件标题

确定性: [必然/很可能/推断/存疑]

现实依据: [对应现实中的XXX事件/数据]

描述: ...

因果链: 由"..."导致，导致"..."

```

1. 更新并持久化世界状态

Phase 3: 跨会话延续

用户说"继续上次的世界"或提供 world ID 时：

1. 从持久化存储读取完整世界状态
2. 展示世界摘要（偏差设定 + 已推演历史时间线）
3. 询问继续推演的方向或具体问题

持久化数据结构

世界元数据 (world:{id}:meta)

{
  "id": "world-nfw-2025-3a7c",
  "title": "无防火墙平行中国",
  "created_at": "2026-05-06",
  "divergence_date": "2000-01-01",
  "current_date": "2025-03-01",
  "divergences": [
    {
      "type": "structural",
      "domain": "internet_policy",
      "description": "中国大陆无防火长城，谷歌等境外互联网服务正常运营",
      "since": "2000-01-01"
    }
  ],
  "reality_baseline": [
    {
      "topic": "中国互联网监管现状",
      "source": "搜索于创建时",
      "key_facts": ["GFW封锁范围...", "现行《网络安全法》..."]
    }
  ],
  "summary": "一句话世界描述"
}

历史事件链 (world:{id}:events)

[
  {
    "date": "2023-Q1",
    "title": "ChatGPT进入中国大陆市场",
    "certainty": "很可能",
    "reality_basis": "现实中OpenAI于2022-Q4发布ChatGPT，封锁中国IP；中国《生成式AI管理办法》于2023年8月施行",
    "description": "OpenAI正式向中国大陆用户开放服务...",
    "causes": ["无防火墙", "OpenAI全球化战略"],
    "effects": ["中国AI监管压力上升", "百度文心竞争加剧"]
  }
]

活跃世界列表 (sandbox:worlds)

["world-nfw-2025-3a7c", "world-xyz-2024-1b2d"]

推演质量标准

好的推演

• 每次推演前都执行了 web_search，以现实数据为基础而非依赖训练记忆
• 从偏差出发，有清晰的逻辑链条
• 每个事件都有对应的"现实依据"字段，说明推演参考了哪个真实事件/政策/数据
• 承认不确定性，给出概率性表述
• 区分"结构性必然"（如经济规律）和"偶发性事件"（如个人决策）
• 给出反事实对比："在现实中，此时XXX；在本世界，因为YYY，所以ZZZ"

避免的错误

• 跳过 web_search 直接推演：这是最严重的错误，会导致推演基于过时或错误的现实认知
• 直接给出"会/不会"的二元答案，忽略概率
• 推演脱离偏差逻辑，变成随意创作
• 忽略次级效应（偏差会引发一系列连锁反应）
• 混淆已推演的"世界历史"和未推演的"未来"

输出格式模板

世界创建输出

🌍 平行世界已创建
━━━━━━━━━━━━━━━━━
世界ID: world-xxx-xxxx-xxxx
标题: [世界名称]
现实锚点: [时间]
偏差设定:
  • [偏差1]
  • [偏差2]
当前推演时间: [同锚点]

[简要分析：此偏差对世界格局的即时影响]

推演输出

📅 推演时段: [开始] → [结束]
━━━━━━━━━━━━━━━━━

[YYYY-Q?] 事件名称 [确定性标签]
→ [事件描述，2-4句]
→ 对比现实: [现实中是什么]
→ 影响: [对后续的影响]

[重复3-7个事件]

━━━━━━━━━━━━━━━━━
世界状态更新至: [结束时间]
关键变量:
  • [指标1]: [状态]
  • [指标2]: [状态]

附录：常用偏差类型参考

推演难度越高，越需要标注不确定性，越需要承认多种可能路径。

在 Artifact 中使用持久化

当在 Claude Artifact（React/HTML）中实现此 Skill 时，使用 window.storage API：

// 保存世界
await window.storage.set(`world:${id}:meta`, JSON.stringify(worldMeta));
await window.storage.set(`world:${id}:events`, JSON.stringify(events));

// 读取世界
const meta = await window.storage.get(`world:${id}:meta`);
const events = await window.storage.get(`world:${id}:events`);

// 列出所有世界
const worlds = await window.storage.get('sandbox:worlds');

当在对话中使用（无 Artifact）时，将世界状态以 JSON 块呈现给用户，并告知用户保存或粘贴回来以延续。