feat: 添加石头剪刀布预测辅助系统

实现基于马尔可夫转移、频率统计和周期检测的融合预测算法，包含主程序、回测评估脚本、README 文档、MIT 许可证及 .gitignore 配置。

evaluate.py

@@ -0,0 +1,106 @@
+"""
+回测 / 评估脚本：用多种模拟对手验证猜拳预测算法的有效性。
+
+对比两组策略：
+  - 预测 AI：根据历史推荐克制对手的出手
+  - 随机基线：完全随机出手
+
+胜率定义：(胜局数) / (总对局数)。平局不计入胜率分子。
+理想情况下，面对「有模式」的对手，预测 AI 胜率应显著高于 33.3% 的随机基线。
+"""
+
+import random
+import importlib.util
+import numpy as np
+from collections import deque
+
+# 主文件名含连字符，无法直接 import，用 importlib 加载
+_spec = importlib.util.spec_from_file_location("rps_main", "rock-paper-scissors.py")
+_rps = importlib.util.module_from_spec(_spec)
+_spec.loader.exec_module(_rps)
+RPSAssistant = _rps.RPSAssistant
+win_map = _rps.win_map
+
+moves = {1: "拳头", 2: "剪刀", 3: "布"}
+
+
+# =============================
+# 模拟对手生成器
+# =============================
+def opponent_random(n):
+    """完全随机的对手（算法不应有优势）。"""
+    return [random.choice([1, 2, 3]) for _ in range(n)]
+
+
+def opponent_bias(n, fav=3, p=0.6):
+    """有固定偏好的对手：以概率 p 出 fav，否则随机。"""
+    return [fav if random.random() < p else random.choice([1, 2, 3]) for _ in range(n)]
+
+
+def opponent_cycle(n, pattern=(1, 2, 3)):
+    """按固定循环出拳的对手。"""
+    return [pattern[i % len(pattern)] for i in range(n)]
+
+
+def opponent_markov(n, trans=None, start=1):
+    """一阶马尔可夫依赖的对手：下一手受上一手影响。"""
+    if trans is None:
+        # 行 i：上一手为 i 时，下一手的转移概率（拳头/剪刀/布）
+        trans = {
+            1: [0.6, 0.2, 0.2],
+            2: [0.2, 0.6, 0.2],
+            3: [0.2, 0.2, 0.6],
+        }
+    seq = [start]
+    for _ in range(n - 1):
+        prev = seq[-1]
+        seq.append(int(np.random.choice([1, 2, 3], p=trans[prev])))
+    return seq
+
+
+# =============================
+# 评估逻辑
+# =============================
+def simulate(enemy_seq, use_predictor=True):
+    """用给定对手序列跑一遍，返回 (胜局, 负局, 平局)。"""
+    assistant = RPSAssistant()
+    wins = losses = draws = 0
+    my_move = random.choice([1, 2, 3])  # 首局随机
+    for enemy in enemy_seq:
+        if use_predictor:
+            _, rec = assistant.record_opponent_move(enemy, my_move=my_move)
+            my_move = rec
+        else:
+            my_move = random.choice([1, 2, 3])
+            # 仍需推进 assistant 以统计，但 my_move 不参与预测
+            assistant.record_opponent_move(enemy, my_move=my_move)
+        # 判定本局
+        if win_map[my_move] == enemy:
+            wins += 1
+        elif win_map[enemy] == my_move:
+            losses += 1
+        else:
+            draws += 1
+    return wins, losses, draws
+
+
+def report(name, enemy_seq):
+    n = len(enemy_seq)
+    w_pred, l_pred, d_pred = simulate(enemy_seq, use_predictor=True)
+    w_rand, l_rand, d_rand = simulate(enemy_seq, use_predictor=False)
+    pred_rate = w_pred / n * 100
+    rand_rate = w_rand / n * 100
+    print(f"对手类型: {name}  (共 {n} 局)")
+    print(f"  预测AI  -> 胜 {w_pred} / 负 {l_pred} / 平 {d_pred} | 胜率 {pred_rate:.1f}%")
+    print(f"  随机基线 -> 胜 {w_rand} / 负 {l_rand} / 平 {d_rand} | 胜率 {rand_rate:.1f}%")
+    print(f"  提升     -> {pred_rate - rand_rate:+.1f} 个百分点\n")
+
+
+if __name__ == "__main__":
+    N = 2000
+    random.seed(42)
+    np.random.seed(42)
+    report("完全随机", opponent_random(N))
+    report("偏好出布(60%)", opponent_bias(N, fav=3, p=0.6))
+    report("固定循环(拳头->剪刀->布)", opponent_cycle(N))
+    report("一阶马尔可夫依赖", opponent_markov(N))