Crowdcast 多智能体社会模拟
在 Claude Code 里用一条 /crowdcast 命令生成数十个 AI 智能体，模拟群体行为并预测公众反应，零依赖、无需服务器。
技能仅在本地 .crowdcast/ 目录内进行文件读写，无网络调用、无凭据访问，作用域最小；在 Phase 1 后向用户确认配置才继续，子代理失败时不自动重试。扣分点：复制用户种子文件到新目录无明确删除/回滚路径，Bash 使用未做白名单约束，许可与来源归属信息缺失。
指令内部一致性良好：数据模式、各阶段提示词、状态校验、resume 断点续算和错误处理（找不到文件、种子缺失、子代理失败）都有覆盖。但为静态审查，无任何测试或执行证据，边界情况（并行写 meta. 冲突、分块失败的中间态）仅有口头处理，故按上限 10 计。
触发词明确、场景（预测/创作模拟）清晰，命令结构和输入格式（文件+引号提示词）具体；但未声明能力边界（如文档语言、规模上限、结果不可作为真实预测的免责），无中文支持说明，且核心价值完全依赖 Claude Code 的 Agent 工具环境。
结构化分层（SKILL.md 编排 + references/ 详细提示词 + 数据模式文档）符合渐进披露，版本 0.1.0 存在；但技能文件未见许可证信息、无变更日志、无已知限制披露、无维护者与更新路径说明，发布者身份未验证。
流程设计完整（分析→画像→模拟→报告），产物格式定义清晰，resume/interview 提供附加价值；但模拟结果本质上是 LLM 生成的虚构推演，预测价值未经任何验证，输出可能需要大量人工审阅，成本（多轮子代理调用）与收益比例未证明，静态上限 7，取 6。
仅有作者自述的架构说明和示例走查，无测试套件、无 CI 证据、无第三方执行记录；示例输出为虚构演示数据而非真实运行产物，静态上限 5，仅给 3。
- 本评估为纯静态审查，未执行任何技能指令，置信度低。
- 模拟输出为 LLM 虚构内容，切勿作为对真实事件或公众反应的预测依据。
- 技能会在工作目录创建 .crowdcast/ 并复制种子文件，无自动清理；请在不再需要时手动删除。
- 技能文件未附带许可证与变更记录，发布者身份未经验证，采用前请自行核查仓库。
- 无中文场景适配说明；核心功能依赖 Claude Code 的 Agent 工具，环境不满足时无法运行。
这个 Skill 能做什么，适合哪些场景？
Crowdcast 是一个把多智能体社会模拟装进 Claude Code 的技能。你提供一份文档和一个问题，它会自动分析文档、生成有性格和立场的智能体画像，在模拟平台上运行多轮交互，最后输出预测报告或叙事故事。全部状态以 JSON 文件存在本地 .crowdcast 目录中，中断后可以恢复。相比同类工具 MiroFish，它的最大卖点是零配置：没有 Docker、数据库、外部 API 或月费，一切都在 Claude 订阅内完成。
通过 /crowdcast simulate 触发四个阶段：1) 分析阶段由子智能体从文档中抽取实体和关系，构建知识图谱；2) 画像阶段并行派发 2-4 个子智能体，为关键角色（如意见领袖）和群体生成人格档案；3) 模拟阶段按约 25 轮一批串行派发子智能体，模拟社交平台发帖或自由叙事世界的交互；4) 报告阶段生成 report.md 和结构化 report_data.。还支持 /crowdcast analyze（仅分析）、resume（断点续跑）、report（重新生成报告）、interview（主上下文中以角色身份与被模拟的智能体对话）。
- 政策或公关从业者：输入一份新闻稿或政策文件，模拟 50 多个利益相关者在社交媒体上的反应，预判舆论走向。
- 小说作者：输入已有章节，让角色在叙事模式下继续互动并产生情节推进，之后还能逐一'采访'角色核对人物一致性。
- 内容与传播团队：在发布敏感公告前用 forecast 模式做低成本的市场反应演练。
- 研究者或分析师：用 /crowdcast analyze 单独抽取文档的知识图谱，不跑完整模拟。
- 需要长时任务可恢复的用户：模拟跑到一半中断后，用 /crowdcast resume 从上次检查点继续。
这个 Skill 有哪些优点和局限？
- 真正零外部依赖：不需要 Docker、数据库、Web 服务器或付费外部 API，成本包含在 Claude 订阅内
- 支持断点续跑（/crowdcast resume），每个阶段都落盘到 JSON，失败后不从头再来
- 混合深度设计：关键角色逐个深度思考，群体智能体批量处理，在质量和效率间取平衡
- 访谈模式独特：可直接与被模拟的智能体角色对话，用于核查模拟结果或辅助创作
- 深度绑定 Claude Code 的子智能体编排机制（并行/串行 Agent 派发），无法原样移植到其他平台
- 智能体规模上限约 100 个，不适合需要百万级智能体的大规模模拟
- 典型一轮预测模拟需 20-40 分钟、50-100 轮，等待时间不短
- 仓库版本为 0.1.0，源材料中未见独立测试套件；README 声称 MIT 许可证但仓库元数据标注 license unknown，需自行核实
- 需要 Claude 付费订阅（Pro、Team 或 Enterprise），无法在免费额度使用
如何安装这个 Skill？
三种方式任选其一：1) 直接克隆到技能目录：git clone https://github.com/TheQmaks/crowdcast.git ~/.claude/skills/crowdcast ；2) 克隆后用符号链接：ln -s $(pwd)/crowdcast ~/.claude/skills/crowdcast ；3) 作为 Claude Code 插件安装：先 /plugin marketplace add TheQmaks/crowdcast，再 /plugin install crowdcast@theqmaks。无需 npm、pip、Docker 或 .env 文件。安装后在 Claude Code 中输入 /crowdcast 应显示帮助菜单。
如何使用这个 Skill？
完整预测模拟：/crowdcast simulate ./news_report.pdf "How will the public react to this policy change?"（可加 --mode=forecast 或 --mode=creative 强制模式，默认自动检测）。创意续写：/crowdcast simulate ./chapter1.txt "Continue the story with these characters"。仅分析文档：/crowdcast analyze ./report.pdf。中断恢复：/crowdcast resume sim_a3f8b2c91d04。重新生成报告：/crowdcast report sim_a3f8b2c91d04。与智能体对话：/crowdcast interview sim_a3f8b2c91d04 mayor_chen，输入 "exit interview" 退出。
这个 Skill 与同类方案有什么区别？
README 明确以 MiroFish（受 OASIS 驱动的多智能体预测引擎）为对比对象：MiroFish 需要 Python + Node.js + Docker，依赖 Zep Cloud（每月 25 美元）和按次计费的 LLM API，免费档每月仅 1 次模拟，但可扩展到百万级智能体；Crowdcast 只需克隆到技能目录即可运行、无外部费用，但智能体上限约 100。README 的结论是：需要海量智能体选 MiroFish，需要零配置快速预测选 Crowdcast。