AI对话孙子兵法：古代策略与现代博弈的跨时空融合

前一阵做“AI中国故事”系列，做到第136个选题的时候，我突发奇想：能不能直接和孙子对话？这里说的“对话”，不是百科式问答，也不是把古文翻译成白话，而是让一个AI系统真正站在战略顾问的角度，用《孙子兵法》的核心概念——知己知彼、不战而屈人之兵——去回应当代人面对的竞争与管理问题。

项目做完之后，我最大的感受是：这件事实质上不是“AI讲历史”，而是一次兵法智慧与现代博弈优化的对齐实验。如果把孙子的十三篇看成一部“古代策略算法集”，那AI系统就是让这套算法重新运行起来的解释器。这篇文章会把整个项目的设计思路、技术拆解和踩坑过程完整记录下来，给想做传统文化AI化、或者对博弈策略建模感兴趣的朋友一个参考。

1. 立项思考：为什么是孙子，为什么是对话

1.1 传统文化的AI化，最怕做成“大词典”

传统文化AI项目这些年并不少，但大多数落在“知识问答”的框架里。用户问“孙子兵法讲了什么”，系统就列出一二三条；用户问“知己知彼是什么意思”，系统就把译文贴出来。这种方案不是不能用，而是没有找到一个让古代智慧“活起来”的切入角度。我做这个选题之前的几次尝试也都有这个问题——内容堆得再多，也不过是电子词典的增强版，用户看完没有场景可落。

所以这次立项时，我给自己定了一个硬性标准：如果用户问完一个问题后，得到的只是一段解释，那这个项目就失败了。系统应该像一位能说话的战略顾问一样，不仅要解释“孙子怎么想”，还要结合用户自己面对的局面，给出有参照价值的策略方向。这相当于把静态的古籍知识，转换成动态的场景决策支持。

1.2 兵法和AI策略的“基因同源”

选《孙子兵法》而不是其他典籍，是因为它本身就是一套关于决策的文本体系。它的主题是：在信息不完整、资源有约束、环境有冲突的情况下，如何做出最优选择。这个主题和AI系统设计面对的问题高度同构。比如“知己知彼，百战不殆”对应的是对抗场景中的情报收集与对手建模；“不战而屈人之兵”对应的是博弈论中的威慑与信号策略；“先为不可胜，以待敌之可胜”对应的是防守型策略与机会窗口识别。

古典军事文本与现代决策科学之间的这种对应关系，让我意识到它们不是“古代智慧”与“现代科技”的关系，而是同一套底层逻辑在不同语言体系下的表达。项目的核心任务，就是把孙子的语言体系翻译成AI和博弈论的语言体系，再把这种翻译结果做成对话系统可以被调用、被追问、被验证的产品功能。

1.3 从“知识问答”到“场景推演”

有了这个大方向之后，对话系统的产品形态也随之确定。我不做单轮问答，而是强制要求系统引导用户进入“场景推演”模式。用户不能只问“不战而屈人之兵是什么意思”，系统会反问：你现在面对的是什么性质的竞争？你的资源和对手相比处于什么位置？你的目标是为了取胜还是为了止损？这三个问题收集完之后，系统才会开始调用兵法知识库，给出对应策略。

这样设计的好处有两点。第一，它把模糊的一句话提问，转变成一个结构化的策略上下文，让“知己知彼”这个概念在产品交互层面就活了起来；第二，它避免了AI回答“万金油”策略的毛病。一个只懂“要知己知彼”的建议等于没说，但如果在明确了双方资源对比、局势阶段之后给出“当你的资源只有对手一半时，应该避实击虚而不是正面压上”，这就是有信息量的策略输出。

2. 三个核心概念的策略映射

2.1 “知己知彼”：对手建模与状态感知

“知己知彼，百战不殆”在现代AI策略体系里，最直接的对应是“对手建模”和“自我状态感知”。所谓对手建模，就是通过对对手历史行为的学习，建立对其策略倾向的预测模型；自我状态感知则是对自身资源、能力边界、当前约束条件进行量化评估。

我在系统里把“知己知彼”拆成了三个工程层：

• 第一层是意图识别，相当于“知己”——系统先要判断用户提问的真实意图。这一步我做了十六个意图分类，比如“竞争对抗”“风险规避”“资源分配”“谈判协调”“成长决策”等等。如果意图分类置信度太低，系统不会往下走，而是主动追问澄清。
• 第二层是上下文理解，相当于“知彼”——系统要把用户对话过程中主动提供或者隐含着的情境信息提取出来，包括对手实力、市场环境、时间压力、自身资源等。
• 第三层是知识库匹配，相当于“知环境”——系统在兵法文本中检索与当前情境最匹配的策略段落，然后进行现代策略转换。

为了让这个产品逻辑跑通，我构造了一个“情境快照”数据结构。每一轮对话结束之后，系统会维护一张结构化表格，记录当前用户视角下的“我方面实力、对手方实力、对抗阶段、可用资源、约束条件”。后面的策略生成全部基于这张表，而不是基于单次对话文本。这个方案实测下来最大的好处是：用户不需要在一句话里把所有信息说全，系统可以在多轮对话中逐步补全认知，这恰恰就是“知彼”的过程。

2.2 “不战而屈人之兵”：威慑策略与非对抗最优

“不战而屈人之兵，善之善者也。”这句话是整部兵法的策略理想：不通过正面对抗达成目标才是最高明的方案。放到博弈论视角下，这句话有两重含义。第一重是威慑：通过展示实力、可信承诺或改变对手的预期收益，让对手理性地认为“不战”比“战”更划算。第二重是非对抗路径：在存在共赢解的非零和博弈中，通过合作、协调或者转移战场来达成目标。

在对话策略引擎里，我专门设计了“非对抗优先”规则：当用户问题被识别为竞争对抗类型时，系统并不是第一时间给“怎么打”的方案，而是先检查是否存在“不打也能赢”的策略空间。实现方式是构造一个策略映射表，其中包含“威慑”和“合作”两个备选解。只有当这两个备选解都不可行时，系统才会输出直接对抗方案。

这里有个容易被忽略的技术细节：要让“不战而屈人之兵”从口号变成可推理的策略，需要把它的前置条件说清楚。孙子反复强调，不战的前提是你“先胜”——你的实力和准备已经足以让对手意识到对抗没有意义。所以系统在给出“避免正面冲突”建议之前，必须先检查用户的“真实底牌”。如果用户的实力不支撑威慑，这个建议方向就会被主动拦下来。

2.3 “全胜”思维与AI奖励函数设计

“兵不顿而利可全”是孙子非常有现代意识的一个点：追求全胜，而不是惨胜。放在AI目标设计里，这就是一个关于奖励函数价值取向的问题。很多AI策略系统只定义了一个单目标——比如赢棋、出价最低、点击率最高——结果在复杂环境中往往容易产生短视行为，赢是赢了，系统的代价却很高。

我在这套“对话孙子”项目中尝试把“全胜”思想转译成一种多目标偏好：在给出策略建议时，系统不只评估“能不能达成目标”，还会评估“代价有多大”“后续风险有多高”“对手的反弹空间有多大”。说得直白一点，AI策略建议要追求收益大于消耗的“可持续胜利”，而不是孤注一掷。这个偏好也被编码进了Prompt约束和策略生成规则里。

我做过一个对比测试：同一道关于“在资源劣势下要不要发动价格战”的问题，不做全胜约束时，AI给出的方案是“集中资源突袭对方核心市场”；加上全胜约束之后，AI的方案先分析了对方可能的还击路径，然后建议“先收集对手供应链弱点，再选择局部战场”。从策略质量上看，后者明显更接近一个有经验老手的决策逻辑。

3. 实操拆解：搭建一套“对话孙子”系统

3.1 语料工程：从原文到结构化知识库

项目第一步是语料清洗和结构化。市面上能拿到的《孙子兵法》原文加译文大概几十个版本，质量参差不齐。我最终采用了一套“三明治”结构的建库方案：

• 第一层是原文层，保留十三篇的原文句子，作为引用来源；
• 第二层是释义层，每条原文配一版现代白话解释，作为语义检索的中转；
• 第三层是应用层，为每个核心段落标注现代应用场景，包括商业竞争、项目管理、谈判、个人决策等。

文本分块也不是普通文档那种按固定字数切。古文句子短、语义密度高，如果简单按256个字符切块，很容易把完整的谋略逻辑切成两半。我最后是先把十三篇按完整篇章切分，再在篇章内部按语义段落做二次切分，每段控制在120到200个汉字之间，保留上下文连贯。实测下来，这种“语义优先、长度兜底”的分块方式，检索命中率明显高于等长切块。

3.2 RAG检索：让AI“引经据典”不胡说

知识库建好之后，需要解决的核心问题是怎么让AI不凭空编造古文。我采用的是检索增强生成（RAG）方案：AI不直接基于内部知识回答兵法问题，而是先向量检索到知识库中相关的兵法段落，再把检索结果作为上下文，交由语言模型组织成回答。

这里有两个关键选型值得说一说。第一是混合检索。单一向量检索对古文这种“语义抽象、句式对仗”的文本并不够稳，我把关键词检索和向量检索做了双路召回，再用一个轻量级重排序模型把两路结果合并打分，最终只保留相关性最高的前5条。第二是索引策略。原始古文直接做Embedding效果其实一般，因为向量模型在古文上的语义理解能力并不强。我的方案是对释义层的白话文本做向量化，再把古文原文绑定在释义向量上。这样检索时匹配的是白话释义，展示时输出的是原文加引用编号，既解决了语义匹配问题，又保住了“引经据典”的效果。

检索参数的调整也有一些值得注意的经验。TopK设置在15到20之间比较合适，太少了会漏掉相关段落，太多了会往上下文里塞入大量无关内容，干扰生成质量。重排后保留3到5条候选结果，超过这个数量，AI的引用就开始变得琐碎，反而让回答失去重点。

3.3 Prompt设计：稳住“孙子”的人设

Prompt是这套系统里最需要反复打磨的部分，因为“孙子”既不能太像博物馆讲解员，也不能太像现代营销号。我最终采用了一个三层人设框架：

第一层身份设定为“古代战略思想家”，语气要保持克制与哲理感；第二层身份设定为“AI策略顾问”，要具备逻辑分析能力；第三层设定为“跨时代翻译者”，负责把古代概念翻译到现代场景。

一个简化版Prompt模板长这样：

你是“孙子”，一位精通《孙子兵法》的战略顾问。 面对用户的场景提问，请严格按以下结构回答： 1. 先用一句《孙子兵法》原文回应，标注出处篇章； 2. 再用白话解释这句话在本场景中的含义； 3. 结合用户提供的实际情况，给出可执行的策略建议； 4. 如果用户提供的场景信息不足，先指出缺失的关键变量，再给出方向性建议。 约束： - 引用原文必须来自知识库，禁止编造； - 建议内容必须紧扣“全胜”“知己知彼”等核心思想； - 回答中不得出现“作为AI”这类表述。

实际运行中我发现，第4条约束对回答质量影响最大。如果不强制系统先指出信息缺失，它就倾向于用一个模糊的“知己知彼”糊弄过去。加上这条之后，系统会在用户提供的信息不足以决策时主动反向追问，这是整个交互体验质变的关键。

3.4 博弈策略输出：模型、换算、建议

对话系统不只是“翻书”，还要“会算”。我在策略引擎里内置了一张兵法策略与博弈模型的映射表，用于生成部分做方向引导：

生成阶段，系统会把用户情境快照中的量化信息（比如资源比、时间压力、风险偏好）嵌进Prompt，让语言模型在这张表的框架下输出建议。这一步的本质，是把兵法从“文本召回的结论”升级为“策略计算的参考系”。用生活类比来说的话：只做知识检索相当于给你一本菜谱，具体加多少盐还得靠自己试；加了策略引擎之后，菜谱会告诉你当前情况该用什么火候、哪些步骤可以省略、哪一步最容易翻车。

4. 踩坑实录：做传统文化AI系统常见的几个问题

4.1 古文语义检索的偏移

第一个典型问题出现在检索环节。古文的表达方式与现代汉语差异很大，直接拿古文原文做Embedding，检索出来的结果经常“看着相关，读着别扭”。比如用户问“怎么掌握竞争对手的动向”，如果只对原文做向量检索，很可能把“知彼知己，百战不殆”给召回来，却漏掉更具体的“策之而知得失之计，候之而知动静之理”。

解决这个偏移，靠的不只是换Embedding模型，而是把“检索对象”从原文换成释义层，再让释义向量带着原文一起出来。我的做法是：每条文本记录里有“原文”“释义”“应用标签”三个字段，向量化只针对释义与应用标签的组合，原文作为展示字段绑定。这样做之后，检索结果的相关性提升非常明显。

4.2 策略建议的“空话陷阱”

第二个坑是AI生成的策略建议太空泛。“你要知己知彼”“要抓住时机”“要灵活应变”——这话谁都会说，没有实操价值。这个问题的根因，是生成阶段缺乏足够的约束信息。后来我做了两个改动：第一，系统在生成策略之前，必须先检查情境快照里的字段是否齐全，不齐全就追问，而不是凑合着答；第二，Prompt里强制加入“给出一个具体动作”的要求。

比如用户问“对手比我们强，怎么竞争”，如果情境快照里只有“对手强”这一条信息，系统会追问：你的优势集中在哪个维度？是客户关系、技术积累，还是成本结构？等到用户补充之后，策略建议就不再是“差异化竞争”，而是会具体到“集中资源守住你最有粘性的存量客户，而不是去新市场硬拼”这种可以被执行的判断。

4.3 角色一致性的崩溃

多轮对话跑到第五轮之后，AI很容易丢掉“孙子”的人设，变成通用助手口吻。这个问题的根源在于语言模型的上下文注意力是有限的，早期的角色设定会被后续的大量内容冲淡。我的实践方案是：把角色卡压缩成一版“特征触发器”，挂在系统提示词的最前面，同时在每轮用户消息前自动拼接一句轻量的角色提醒，比如“请你继续以孙子的身份，结合兵法回答”。

另一个有效手段是规定回答结构的“骨架格式”。我发现只要回答始终保持着“原文引用—白话解释—策略建议”这个三段式结构，人设就不容易崩塌。结构天然承担了一部分“角色记忆”的功能，AI只要还在按这个结构走，它就不会彻底滑向通用聊天工具。

4.4 知识边界的失控

早期版本有个问题：用户问“孙子怎么看待创业融资”，AI会从兵法里生拉硬扯一套说法。虽然回答看着很有道理，但严格来说《孙子兵法》并没有讲过融资，这种输出属于“过度解读”。知识边界的失控会严重伤害系统的可信度。

我做的限制是给系统加了一条“可证伪反馈”规则：当用户问题指向的场景在知识库中找不到对应的应用层标注时，系统必须明说“兵法中缺乏对这一现代场景的直接论述”，只提供思想层面的参照，不给具体操作建议。这比硬编一个答案更能建立用户信任。这个思路和AI系统设计里的“说不知道比编造好”原则是一致的。

4.5 评估维度的缺失

如果只用“流畅度”“相关度”来评估这类系统，很容易漏掉文化类AI最关键的指标：不合经典。我自己搭了一套八字评估维度：准确性、策略性、文化性、克制性。

准确性检验对原文的理解和使用是否到位；策略性检验给出的建议是不是有信息量、可执行；文化性检验回答是否带有兵法思想的独特视角；克制性检验系统是否守住了知识边界、不强行装懂。实际测试时，每一轮对话由三个评估者分别打分，然后取均值作为该轮质量分。这套评估体系虽然简单，但在持续调优中帮了大忙。

5. 项目复盘与后续扩展

5.1 我最看重的一个设计决策

整套系统里真正起到决定性作用的设计，不是某个模型选型，也不是Prompt技巧，而是“情境快照”机制。它让系统从“针对一句话给答案”，进化成“针对一个局面给策略”。这个进化的本质，是模仿了孙子本人思考问题的方式——先看清楚自己和对手的处境，再谈怎么打。

如果让我给打算做类似AI文化项目的同行一个建议，我会说：不要把精力全放在提升模型能力上，先把你想要表达的“智慧实体”建模成一个有状态的决策系统。一位古代智者的思想体系之所以有生命力，不在于它能回答多少问题，而在于它有一套稳定的分析框架。AI的价值，就是把这种框架显性化、可调用化。

5.2 这套框架还能怎么用

项目基本成型之后，我尝试过把它的核心机制迁移到别的题目上。结果发现，这个“角色知识库+情境快照+策略映射表”的三件套结构，完全可以用在企业战略回顾、个人决策复盘、甚至课程教学设计里。兵法只是第一个被跑通的载体，同一个骨架换一套知识库，就能让其他类型的“古人智慧”也变成可对话的策略顾问。

后续我打算在这个框架里补一个“兵棋沙盘”模块，让用户在对话结束后，能把情境快照里的变量拖到一张模拟棋盘上，系统根据孙子的策略原则实时计算不同动作的利弊。这会从“对策略顾问提问”升级成“在沙盘上亲手试错”，对理解“避实击虚”这类空间性的兵法概念会更有帮助。

做这个项目的整个过程，让我重新认识了“对话”这件事。对话不只是人与AI之间的信息交换，也是一种思维方式的迁移机制。孙子的兵法写于两千多年前，但它讨论的很多问题——怎么在资源受限时做决策、怎么让对手不战而退、怎么在没有完整信息时保持行动力——今天的AI系统每天都在处理。我用一套对话系统把这两套思维接上之后发现，古人的策略直觉，远比很多人想象的要更接近现代决策科学的底层逻辑。后面如果有机会，我会继续把这个系列做下去，也建议对传统文化末端创新感兴趣的朋友，多往“策略建模”这个方向试试水。