一句话定义
逆向博弈论（Reverse Game Theory）是机制设计（Mechanism Design）的通俗叫法：先规定“希望参与者最终稳定在什么行为上”，再倒推出一套规则和奖惩，让每个只顾自己利益的参与者，自愿地走到那个行为上去。
原理：把博弈论倒过来用
正向博弈论像拿到一副棋盘和规则，问“这盘棋最后会下成什么样”：给定收益结构，求纳什均衡（Nash Equilibrium）。逆向博弈论反过来问：“我想让这盘棋最后一定是和局，而且双方都全力以赴，那规则该怎么定？”比如加一条“重复对局累计积分”，让“合作”比“背刺”更划算。
一个具体场景：三个智能体（Agent）分工写一份行业报告。不设计规则，结果很可能是没人干检索这种苦活，人人都想当“审稿人”，显得重要又轻松。逆向做法是先写下理想均衡：检索有人做、写作有人做、审稿有人做、没人推卸责任；然后反推规则。把署名按实际贡献排序，申报工作量要能被交叉验证，偷懒会在下一轮分工中受到惩罚。这里要保证两点：一是激励相容（incentive compatibility），说真话、干实事比耍花招更划算；二是个体理性（individual rationality），参与比不参与好。还要防一手奖励作弊（reward hacking）：智能体会盯着规则的漏洞优化，而不是盯着你真正想要的结果。
和几个相邻概念的区别
| 概念 | 输入 | 输出 |
|---|---|---|
| 博弈论（正向） | 规则与收益 | 会收敛到什么均衡 |
| 逆向博弈论和机制设计 | 期望达成的均衡 | 规则与激励 |
| 逆向强化学习（IRL） | 观察到的行为 | 背后的奖励函数 |
最容易混的是第三行。逆向强化学习是从行为反推动机，做的是解释；逆向博弈论是从目标反推规则，做的是设计。另一处差别在多智能体语境：多智能体强化学习（MARL）多用来调整策略，而逆向博弈论调整的是规则本身。规则一变，策略的收敛点就跟着变。
对从业者的意义
做多智能体协作、资源分配、竞价或信誉系统时，只调策略往往不够用。规则一旦定错，聪明的一方就会把系统带到错误均衡：互相刷分、互相甩活、集体摆烂。几个实用原则是：先写清“成功长什么样”，再定指标；假设参与者一定会找漏洞，提前做压力测试；用多指标组合，避免单一数字被过度优化；保留人工复核作为兜底。记住古德哈特定律（Goodhart's Law）：一个指标一旦成为目标，就不再是好指标。
对普通人的意义
KPI、提成分成、排队规则、平台派单，都是逆向博弈论的产物。看懂它，就能明白很多“人怎么这样”的困惑其实是规则设计出来的必然行为。想改变行为，先改规则，别急着怪执行的人。