OpenSkill 评分与平衡分析

解决的问题

在多队伍或反复对抗的场景中，仅看胜负记录难以区分稳定实力与偶然波动。rating-opening 把比赛结果转换成可比较的评分，用于回答三个问题：选手/队伍当前强弱、下一场胜负概率、如何分组最公平。

工作方式

技能基于 OpenSkill 评分模型，用 mu 表示技能水平，sigma 表示不确定性，综合评分按 mu - 3 * sigma 计算，数值越高代表实力越强。核心入口有三个：

• rate：根据比赛结果更新评分。
• predict：基于当前评分预测胜负概率。
• balance：分析选手技能并推荐更公平的分组。

底层算法可通过 --model 切换，包括默认的 pl、高精度的 bt-full、快速计算的 bt-part，以及 thurstone-full、thurstone-part。实现依赖 Python 脚本 rating.py 和 openskill 库，适合将已有对战数据接入评分、预测与分队流程。

需要注意：评分会随样本量变化，比赛记录需要可解析且选手标识一致；balance 是平衡建议，不是绝对最优解；不同模型在精度与计算开销上会有差异。