加密协议博弈论分析（免费版）

面向web3协议的博弈论分析框架，提供Five Questions建模与基础风险检测能力.

输入格式

参数名	类型	必填	说明
input	string	是	加密博弈论分析（免费版）处理的输入数据或指令
options	object	否	附加配置选项,如模式选择、格式偏好等
callback_url	string	否	异步处理完成后的回调通知URL

依赖说明

运行环境

• Agent平台: 支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
• 操作系统: Windows / macOS / Linux

依赖项

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent内置LLM提供

API Key 配置

• 本Skill基于指令驱动，无需额外API Key

可用性分类

• 分类: MD+EXEC（）
• 说明: 基于Markdown的AI Skill，通过自然语言指令驱动Agent执行博弈论分析任务

核心能力

Five Questions分析框架

对任意协议或机制，通过五个核心问题建模博弈：

1. Who are the players?（玩家识别：Users、LPs、validators、searchers、governance token holders）
2. What are their strategies?（策略空间：每个玩家可执行的动作集合）
3. What are the payoffs?（收益结构：每种结果对各方的影响）
4. What information do they have?（信息结构：Complete / Incomplete / Asymmetric Information）
5. What's the equilibrium?（均衡分析：理性参与者的最终收敛点）

支持核心概念应用：Nash Equilibrium（staking系统均衡）、Dominant Strategy（second-price auction）、Pareto Efficiency（AMM fee结构）、Schelling Point（价格支撑位）、Incentive Compatibility（Oracle设计）、Common Knowledge（公链状态）.

Common Crypto Games识别

针对crypto原生博弈提供基础识别能力：

• MEV Game：玩家为Users、searchers、builders、validators；核心洞察为transaction ordering是博弈
• Liquidity Game：玩家为LPs、traders、arbitrageurs；核心洞察为impermanent loss是adverse selection的代价
• Governance Game：玩家为token holders、delegates、protocol team；核心洞察为rational apathy + concentrated interests = capture
• Staking Game：玩家为stakers、validators、delegators；核心洞察为security budget必须超过attack profit
• Oracle Game：玩家为data providers、consumers、attackers；核心洞察为操纵收益必须小于操纵成本

Red Flags基础检测

提供三维度协议设计风险检测：

• Tokenomics Red Flags：insiders vesting不对称、inflation稀释、无sink机制、reward无risk
• Governance Red Flags：quorum过低、无timelock（flash loan攻击）、token voting only（plutocracy）、delegates无skin in game
• Mechanism Red Flags：first-come-first-served（bot优势）、sealed bid无commitment（frontrunning）、rebates（MEV提取）、复杂公式（隐藏漏洞）

六大分析模式基础支持

支持识别六种经典博弈模式（基础定性分析，不含深度数值求解）：

• Tragedy of the Commons：Gas price竞价、governance投票冷漠
• Prisoner's Dilemma：Liquidity mining mercenaries、validator费用竞底
• Coordination Game：L2选择、token标准采用
• Principal-Agent Problem：Protocol team vs token holders
• Adverse Selection：Token launches、insurance protocols
• Moral Hazard：带保险的协议冒险、anonymous teams

快速开始

1. 确认运行环境满足依赖说明中的要求
2. 在AI Agent对话中调用本技能,提供必要的输入参数
3. 检查输出结果,根据需要进行后续处理

详细的输入输出格式请参考下方章节说明。

使用流程

1. 确定分析目标：明确要分析的协议或机制
2. 应用Five Questions框架：识别players、strategies、payoffs、information、equilibrium
3. 选择分析模式：从六大Pattern中匹配博弈结构
4. 识别Common Crypto Games：判断属于MEV / Liquidity / Governance / Staking / Oracle哪类博弈
5. 运行Red Flags检测：对Tokenomics、Governance、Mechanism进行风险扫描
6. 输出基础Recommendations：给出定性改进建议

示例

示例1：治理提案的基础Red Flags检测

分析目标: 某 DAO 的治理投票提案
Step 1 - Players:
  - Token holders（rational apathy）
  - Large delegates（concentrated interests）
Step 2 - Common Crypto Game: Governance Game
  - 核心洞察: rational apathy + concentrated interests = capture
Step 3 - Red Flags检测:
  - Governance Red Flags:
    * Quorum threshold 仅 5% → minority capture风险
    * 无timelock → flash loan攻击可能
    * Token voting only → plutocracy
Step 4 - Recommendations:
  - 提高quorum至15-20%
  - 添加timelock（至少48小时）
  - 引入quadratic voting

错误处理

错误场景	原因	处理方式
无法识别players	协议参与者角色不清晰	检查协议文档，补充隐式参与者（如searchers、arbitrageurs）
误判博弈模式	协议同时具有多种博弈特征	优先识别dominant特征，对次要特征单独分析后综合
Red Flags漏报	仅检查单维度风险	强制对Tokenomics、Governance、Mechanism三维度逐一扫描

常见问题

Q1: 免费版与付费版有何区别？

A: 免费版提供基础Five Questions分析与Red Flags检测，不含高级分析能力（Repeated Games、Bayesian Games、Cooperative Game Theory等）及Nashpy/Gambit外部工具集成.

Q2: 如何判断协议是否存在MEV风险？

A: 通过MEV Game分析框架，检查transaction ordering是否可被操纵、是否存在first-come-first-served机制、sealed bid是否有commitment.

Q3: Nash Equilibrium在实际协议分析中如何应用？

A: 先建模players和strategies，定义payoff functions，然后检查是否存在Dominant Strategy。若无dominant strategy，定性分析Nash Equilibrium。精确数值求解需付费版或外部工具.

已知限制

• 仅支持定性分析，无法进行Nash Equilibrium精确数值求解（需付费版Nashpy/Gambit集成）
• 不含高级分析能力：Repeated Games、Bayesian Games、Evolutionary Game Theory、Cooperative Game Theory
• 无法实时获取on-chain数据，需用户提供协议参数
• 不替代正式的安全审计，仅提供博弈论视角的基础风险评估

输出格式

{
  "success": true,
  "data": {
    "result": "加密博弈论分析（免费版）处理结果",
    "execution_time": "0.5s",
    "metadata": {
      "version": "1.0",
      "processor": "game-theory"
    }
  },
  "execution_log": [
    "解析输入参数",
    "执行核心处理",
    "格式化输出结果"
  ],
  "error": null
}