算 · THE BRAIN
引擎的全部秘密
SharkPool 的建议引擎不是一个"调用 GPT 的包装器"。这一页写清楚它的每一层：为什么这样设计、每一层解决什么问题、代价是什么。
架构全景
一个请求从进入到返回的路径
每次你问引擎"这手怎么打"，它走下面这条流水线：
Input
情景抽象
牌面 + 位置 + 筹码 + 动作历史 + 对手画像 → 统一结构化输入（~200 bytes）
→
Layer 1
Blueprint 命中检查
LMDB key-value 查询（~1ms）。翻前 + 常见翻后节点预解算策略。命中 → 直接返回。
↓ miss
Layer 2
MCCFR 实时采样
蒙特卡洛反事实后悔最小化 + depth-limited search（~50-150ms）。适用于非典型节点。
→
Layer 3
NN EV Estimator
叶节点神经网络估值（ONNX Runtime 推理，~5ms）。让 depth-limited 搜索回到"准确"而非"深度"。
→
Layer 4
Exploit 加权
基于对手 VPIP / PFR / AF / sizing pattern 从 Session Intelligence 取样，对 GTO 基线做 Bayesian 加权调整。
→
Layer 5
解读生成
模板化 + 轻量 LLM（仅文本层，不参与决策）生成一句中文理由，解释"为什么这样打"。
→
Output
动作混合 + 频率 + 解释 + 置信度
JSON 回传。P50 延迟 ~95ms，P99 延迟 ~280ms。
* 任何一层失败都会降级到上一层兜底。即使神经网络模型完全不可用，参数化行为引擎仍可返回合理决策 —— 这是我们的"可用性 99.95%"的底气来源。
样例报告
一份真实的教练报告长什么样
这是 Pro 版每次 session 结束后自动生成的一页纸报告。我们展示真实字段结构，但示例数据已脱敏。
Session 概览
2026-04-15 · NLHE 6-max · $1/$2 · 247 手 · 耗时 1h34m · 净赢利 +18.4 BB · EV 偏差 −3.2 BB（上偏）
TOP 3 漏洞（按 EV 损失排序）
# 1. BTN 冷跟过宽 位置 BTN 频率 14/30 手 (46.7%) EV 损失 −8.7 mbb 你跟注了 K7o / Q8s / J6o 等 BTN 不该冷跟的组合 # 2. Turn 诈唬尺寸过小 尺寸 33% 频率 6/8 次 barrel EV 损失 −5.1 mbb 小尺寸 barrel 给对手过好的赔率，诈唬失败率陡增 # 3. River 价值下注过瘦 位置 BB 频率 3/5 次 lead EV 损失 −2.4 mbb 顶对次踢应该过牌-跟而非 donk 薄价值
做得好的部分
✓ 翻前 3bet 频率 8.2%（GTO 基线 8.5%，接近最优）
✓ 面对 LAG 玩家 #3 的剥削调整起效 —— 你对他 call-down 频率上升到 62%，回本 +4.3 BB
✓ 全 session 无 tilt 标记，决策稳定性评级 A-
下一步训练建议
优先级 1：BTN 冷跟范围缩紧训练（情景训练 · 20 手）
优先级 2：Turn 半诈唬尺寸训练（常规 66% / 75% 对比）
优先级 3：River 薄价值阈值（训练 bluff catcher / thin value 分界）