这个问题涉及几个层面的混淆,我试着拆解一下。
先澄清一下"电脑工具"这个说法——如果你指的是游戏AI、数据分析工具或某种战术模拟软件，那"认为"这个词本身就不太准确，工具没有认知立场，我猜你真正想问的是：用计算工具/量化方法来刻画战术克制关系，这件事本身可行吗？
我的判断是：可以量化，但量化的粒度和可靠性高度依赖场景，克制关系"这个概念在不同层面上含义差别很大。
具体说几点：
在封闭规则系统里，克制关系确实可以量化得很精确。 比如石头剪刀布、某些卡牌游戏的属性克制、棋类里的开局胜率统计——这些有明确规则、有限状态空间、大量对局数据，量化克制关系（甚至用博弈论矩阵、胜率转移矩阵来刻画）是成熟做法，AlphaGo这类系统本质上就是在量化"某局面下某策略的相对优劣"。
在开放或高维场景里，"克制"往往是涌现属性而非固定关系。 真实战术（军事、体育、商业竞争）里的克制不是"A克B"的静态表，而是依赖执行、信息、环境、时机，量化工具能捕捉统计相关性（比如某战术组合对某阵型的历史胜率），但很难证明因果性克制，数据里看到的"克制"可能只是样本偏差、执行水平差异或混杂变量。
量化的真正价值不在于给出"克制表"，而在于暴露条件依赖性。 好的量化分析会告诉你：在什么条件下、对什么水平的对手、在什么资源约束下，某战术的相对优势是多少，这比一张静态克制表有用得多，但也意味着"克制关系"本身不是普适常量，而是条件函数。
一个常见的误区是把统计胜率直接等同于战术克制，高胜率可能来自对手不熟悉、样本选择偏差，或者该战术本身容错率高，而非真正的结构性克制，量化工具如果没有因果识别设计（对照、消融、机制检验），很容易把相关性包装成"克制规律"。
所以我的回答是：能量化，但要区分"量化统计关联"和"量化结构性克制"——前者容易，后者难，且后者在开放系统里往往只能做到概率性、条件性的刻画，做不到确定性规则。 把量化结果当成静态克制表来用，是最容易翻车的地方。
你问这个是有具体场景吗（比如某款游戏、某类竞技、还是军事/商业分析）？场景不同，可行性的边界差别很大。
