Proclaw Scam insight(骗局洞察者)

基于不确定性与风险转移理论，识别金融骗局模式、分析收割机制、提供反收割策略；当用户需要判断投资是否靠谱、分析骗局原理或学习如何避免被收割时使用

Security Scan

The skill's code, commands and runtime instructions align with its stated purpose (scam identification and risk analysis); it requires only local Python tooling and does not request unrelated secrets or network endpoints.

Purpose & Capability

The name/description match the delivered artifacts: multiple analysis, scoring, visualization and reference files that implement risk scoring, liquidity analysis, Kelly criterion, decision matrices and reporting. Declared dependencies (pandas, numpy, matplotlib) are appropriate for the provided scripts.

Instruction Scope

SKILL.md stays on-topic: it explains scam-detection heuristics and gives concrete examples showing how to run the included Python scripts with JSON/CLI inputs. The instructions do not ask the agent to read unrelated system files, access secrets, or post data to external endpoints.

Install Mechanism

There is no formal install spec (instruction-only), but the bundle includes Python scripts and the SKILL.md lists required Python package versions. The absence of an automated install means the user/agent must provide a Python runtime and install dependencies manually; there is no downloaded executable or remote installer in the package.

Credentials

No environment variables, credentials, or config paths are required. The tools operate on user-provided data and CLI args. No hidden credential access or unrelated service tokens are requested.

Persistence & Privilege

always:false and default autonomous invocation are used. The skill does not request persistent system modifications or modify other skills' configs. It only runs local analyses and generates files (reports/images) as per examples.

Assessment

This skill appears coherent and implements local analysis tools for spotting financial scams. Before installing or running: 1) Ensure you run the scripts in a controlled environment (Python 3 with pandas/numpy/matplotlib/networkx if you need visuals) and install packages from official sources (pip). 2) Review the reference docs and sample inputs to confirm outputs match your expectations. 3) The package does not contact external servers, but verify you are comfortable running code from an unknown source; run it in an isolated VM/container if you have any doubt. 4) The SKILL.md lists package versions but provides no automated installer—prepare the runtime accordingly. 5) If you will feed sensitive production data, sanitize it first; these tools process whatever data you provide and will write reports/images to disk.

骗局洞察

任务目标

• 本 Skill 用于：识别金融骗局模式、分析收割机制的本质结构、提供反收割决策框架
• 能力包含：底层公理理解、骗局系统拆解、风险结构分析、反收割策略执行
• 触发条件：用户询问投资是否靠谱、分析某项目是否骗局、学习如何避免被收割、理解骗局背后的机制

前置准备

• 依赖说明：
  • python: pandas==2.0.0, numpy==1.24.0, matplotlib==3.7.0
• 认知准备：接受"不确定性是底层常量"这一核心公理

操作步骤

标准流程

步骤1：识别需求缺口（最隐蔽但最致命）

判断对方是否在制造"需求缺口"：

• 是否在放大你对不确定性的恐惧？（银行不安全、通胀、错过机会）
• 是否在制造焦虑？（不投就后悔、机会流失）
• 是否在暗示"你是少数幸运儿"？

如果存在以上信号，说明你被当作"韭菜"定位了。

步骤2：分析确定性叙事（核心判断点）

对方提供的"确定性解决方案"是否包含以下关键词：

• "稳定收益" "年化固定" "保本" "可预测"
• "低风险高回报" "内部渠道" "专家背书"
• "不用懂""跟着就行""别人已经赚了"

只要出现这些词，已经违背金融本质。

步骤3：拆解风险结构（必须回答五个问题）

对于任何投资机会，你必须强制自己回答：

1. 收益从哪里来？（是谁亏的钱？还是透支未来？）
2. 风险在哪里？（识别被包装、被隐藏的部分）
3. 谁在承担风险？（如果你不知道，那一定是你）
4. 最坏情况是什么？（会不会让你出局？）
5. 如果我错了，代价是多少？（单次错误是否致命？）

任何一个问题答不出来，说明你在被利用。

步骤4：识别收割节点（检查是否进入收割路径）

对照收割系统的七个节点判断当前状态：

• 节点1：需求缺口是否被制造
• 节点2：确定性方案是否被提供
• 节点3：认知门槛是否被降低（"不用懂"）
• 节点4：信任闭环是否建立（小收益→复利幻觉→加大投入）
• 节点5：资金是否开始聚集
• 节点6：风险是否在悄悄转移
• 节点7：流动性是否濒临断裂

如果已经进入节点4-7，说明收割正在发生。

步骤5：执行反收割决策（基于五个控制变量）

基于以下五个变量做出决策：

1. 不确定性承受能力：能不能接受波动？不能则不入场
2. 认知深度：是否看懂了收益来源和风险结构？看不懂则不入局
3. 时间维度：是短期情绪驱动还是长期结构主导？短期不参与
4. 资金位置：你赚的是谁的钱？不知道则是对手盘
5. 决策来源：是自主判断还是接受叙事？后者立即撤退

反收割行动：

• 不追求"确定性"，追求"正期望"
• 不"All in"，控制仓位确保单次错误不出局
• 不听故事，只看结构和对手盘
• 不追涨杀跌，反人性执行

量化工具调用

凯利公式计算器

用途：计算最优投资仓位比例

调用示例：

# 对称盈亏（胜率60%，盈利100%，亏损100%）
python scripts/kelly_criterion.py --win-rate 0.6 --win-amount 100 --loss-amount 100

# 非对称盈亏（胜率40%，盈利50%，亏损10%）
python scripts/kelly_criterion.py --win-rate 0.4 --win-amount 50 --loss-amount 10 --conservative 0.25

风险指标计算器

用途：计算夏普比率、最大回撤、VaR、索提诺比率

调用示例：

# 使用价格序列计算所有指标
python scripts/risk_metrics.py --prices '[100,105,110,108,112,115,113,118]'

# 使用收益率序列计算
python scripts/risk_metrics.py --returns '[0.05,0.0476,-0.0182,0.037,0.0268,-0.0174,0.0442]'

骗局风险评分系统

用途：计算CRS（骗局风险）、LRS（流动性风险）和综合风险评分

调用示例：

# 高风险案例
python scripts/scam_risk_scorer.py --revenue-source 0 --risk-identification 0 --cognitive-threshold 0 --liquidity 0 --information 0 --withdrawal-difficulty 0 --lock-period 0 --order-depth 0 --slippage 0

# 中风险案例
python scripts/scam_risk_scorer.py --revenue-source 1 --risk-identification 1 --cognitive-threshold 1 --liquidity 1 --information 1 --withdrawal-difficulty 1 --lock-period 2 --order-depth 2 --slippage 2

决策矩阵评估

用途：评估骗局风险判断矩阵和投资机会评估矩阵

调用示例：

# 骗局风险矩阵评估
python scripts/decision_matrix.py --matrix-type scam --scores '{"revenue_source":0,"risk_identification":0,"cognitive_threshold":0,"trust_building":0,"liquidity":0,"information_transparency":0}'

# 投资机会矩阵评估
python scripts/decision_matrix.py --matrix-type investment --scores '{"expected_value":4,"risk_control":3,"liquidity":4,"information_transparency":3,"time_match":4}'

流动性分析工具

用途：分析订单簿、流动性需求和供给、流动性风险

调用示例：

# 基本订单簿分析
python scripts/liquidity_analyzer.py --bid-price 10.00 --ask-price 10.05 --bid-volume 10000 --ask-volume 5000

# 完整流动性分析
python scripts/liquidity_analyzer.py --bid-price 10.00 --ask-price 10.05 --bid-volume 10000 --ask-volume 5000 --panic-sell-volume 30000 --normal-volume 5000 --available-funds 10000

可视化工具

用途：生成风险热力图、骗局网络拓扑图、资金流向追踪图、决策树可视化

调用示例：

# 风险热力图
python scripts/visualization.py --type risk-heatmap --data '{"risks":{"high":80,"medium":15,"low":5}}' --output risk_heatmap.png

# 网络拓扑图
python scripts/visualization.py --type network-topology --data '{"nodes":["A","B","C","D"],"edges":[["A","B"],["B","C"],["C","D"]]}' --output network_topology.png

数据处理工具

用途：数据清洗、数据分析、批量评分、报告生成

调用示例：

# 批量评分
python scripts/data_processor.py --input data.csv --task batch-score --output report.html

可选分支

• 当需要深度理解底层理论：阅读 references/underlying-principles.md（底层公理与核心轴）
• 当需要拆解具体骗局系统：阅读 references/scam-system-model.md（完整收割模型）
• 当需要构建反收割系统：阅读 references/anti-scam-framework.md（执行框架）
• 当需要理解规则与定价权：阅读 references/power-and-pricing-layer.md（规则设计与定价权）
• 当需要顶层玩家路径：阅读 references/top-player-path.md（实操与进化）
• 当需要量化模型与算法：阅读 references/quantitative-core.md（凯利公式、夏普比率、VaR等）
• 当需要理解行为心理学：阅读 references/behavioral-psychology.md（损失厌恶、前景理论、锚定效应）
• 当需要定价与估值：阅读 references/pricing-and-valuation.md（DCF、相对估值、梅特卡夫定律）
• 当需要理解流动性危机：阅读 references/liquidity-and-crisis.md（订单簿、滑点、崩盘前兆）
• 当需要决策工具：阅读 references/decision-tools.md（决策树、判断矩阵、检查清单）
• 当需要识别骗局类型：阅读 references/scam-taxonomy.md（金融/技术/社交/商业骗局完整图谱）
• 当需要实战案例分析：阅读 references/scam-case-studies.md（e租宝、麦道夫、PlusToken等案例拆解）
• 当需要理解社交工程：阅读 references/social-engineering-algorithms.md（信任构建、群体传播、信息操纵）
• 当需要博弈论应用：阅读 references/game-theory-applications.md（纳什均衡、博弈树、多轮博弈）
• 当需要防御策略：阅读 references/defense-strategies.md（分类型防御、多层级防御、应急响应）
• 当需要复杂系统量化：阅读 references/complex-systems-quantification.md（网络效应、相变点、黑天鹅）
• 当需要实战演练：阅读 references/interactive-training.md（交互式案例、场景训练、错误分析）
• 当需要历史演化分析：阅读 references/historical-evolution.md（从古代到现代的骗局演化）

使用示例

示例1：判断"年化8%稳定收益"项目

• 场景/输入：有人推荐"年化8%稳定收益，保本保息"
• 预期产出：识别这是典型的确定性幻觉骗局
• 关键要点：
  1. 识别叙事关键词："稳定""保本保息" - 违背金融本质
  2. 回答五个问题：收益来源？谁承担风险？答不出→骗局
  3. 对照收割节点：确定性方案已提供，认知门槛被降低
  4. 反收割决策：拒绝，因为追求确定性是被收割的前置条件

示例2：分析某P2P爆雷事件

• 场景/输入：用户询问"某某P2P为什么会爆雷？我亏了钱"
• 预期产出：拆解完整的收割路径，解释风险转移机制
• 关键要点：
  1. 回溯收割链路：需求缺口（通胀恐惧）→确定性方案（稳定收益）→降低门槛（不用懂）→信任建立（小收益）→资金聚集→风险转移→流动性断裂
  2. 分析收益来源：本质上是用新资金兑付旧收益（庞氏结构）
  3. 风险转移风险从设计者转移到参与者
  4. 真相：用户不是"投资"，而是"买安心感"

示例3：学习反收割策略

• 场景/输入：用户表示"我总是被骗，想知道如何避免"
• 预期产出：提供五步强制判断流程和四个策略
• 关键要点：
  1. 五步强制判断：每次决策前必须回答五个核心问题
  2. 概率思维：不问"能不能赚钱"，问"长期正期望吗"
  3. 仓位系统：设计"允许犯错的系统"，单次错误不出局
  4. 反叙事能力：问"这个故事如果是假的，骗点在哪里"
  5. 进化路径：从"被收割者"→"认知觉醒"→"结构理解"→"策略执行"→"结构利用"

示例4：从防守到进攻（进阶）

• 场景/输入：用户表示"我已经能避免被骗了，如何升级到顶层玩家"
• 预期产出：提供从参与者到设计者的升级路径
• 关键要点：
  1. 理解定价权：解释权 = 定价权 = 收益分配权
  2. 掌握三大权力：定价权、流量控制权、规则定义权
  3. 构建信息优势：深度调研、人脉网络、系统化思考
  4. 设计规则结构：成为规则的一部分，而不是参与者
  5. 升级路径：防守（不被收割）→理解（拆解结构）→进攻（主动设计）

示例5：量化评估投资机会（专业级）

• 场景/输入：用户询问"年化30%的项目，值得投吗？"
• 预期产出：使用量化模型系统化评估
• 关键要点：
  1. 使用凯利公式脚本计算仓位：python scripts/kelly_criterion.py --win-rate 0.5 --win-amount 3 --loss-amount 1
  2. 使用风险指标脚本评估风险：python scripts/risk_metrics.py --returns '[0.3,0.25,-0.15,0.35,0.2]'
  3. 使用骗局风险评分：python scripts/scam_risk_scorer.py --revenue-source 1 --risk-identification 1 ...
  4. 综合分析量化结果，做出决策

示例6：流动性危机识别（实战级）

• 场景/输入：某平台提现困难，用户询问"是否会爆雷？"
• 预期产出：使用流动性分析工具评估
• 关键要点：
  1. 使用流动性分析脚本：python scripts/liquidity_analyzer.py --bid-price 10.00 --ask-price 10.50 --bid-volume 1000 --ask-volume 10000 --panic-sell-volume 30000 --normal-volume 5000 --available-funds 5000
  2. 分析输出中的流动性需求和供给
  3. 检查风险警告（critical/severe/moderate）
  4. 根据整体风险评级做出决策

资源索引

基础理论

• 参考：见 references/underlying-principles.md（何时读取：需要理解底层公理、核心轴、收益来源时）
• 参考：见 references/scam-system-model.md（何时读取：需要拆解完整骗局系统、理解收割机制时）
• 参考：见 references/behavioral-psychology.md（何时读取：需要理解人性弱点、骗局心理学时）

反收割框架

• 参考：见 references/anti-scam-framework.md（何时读取：需要构建反收割执行系统、学习具体策略时）
• 参考：见 references/decision-tools.md（何时读取：需要使用决策树、判断矩阵、检查清单时）

进阶能力

• 参考：见 references/power-and-pricing-layer.md（何时读取：需要理解规则设计、定价权、从参与者升级到设计者时）
• 参考：见 references/top-player-path.md（何时读取：需要学习策略模型执行、资金配置、信息优势构建、从防守到进攻的完整路径时）

量化模型

• 参考：见 references/quantitative-core.md（何时读取：需要使用凯利公式、夏普比率、最大回撤、VaR等量化模型时）
• 参考：见 references/pricing-and-valuation.md（何时读取：需要使用DCF、相对估值、梅特卡夫定律等定价方法时）
• 参考：见 references/liquidity-and-crisis.md（何时读取：需要理解流动性危机、订单簿、崩盘前兆时）

脚本工具

• 脚本：见 scripts/kelly_criterion.py（用途：计算最优投资仓位比例，支持对称和非对称盈亏，提供保守策略建议）
• 脚本：见 scripts/risk_metrics.py（用途：计算夏普比率、最大回撤、VaR、索提诺比率等风险指标）
• 脚本：见 scripts/scam_risk_scorer.py（用途：计算CRS骗局风险评分、LRS流动性风险评分和综合风险评分）
• 脚本：见 scripts/decision_matrix.py（用途：评估骗局风险判断矩阵和投资机会评估矩阵）
• 脚本：见 scripts/liquidity_analyzer.py（用途：分析订单簿、流动性需求和供给、流动性风险）

骗局识别与防御

• 参考：见 references/scam-taxonomy.md（何时读取：需要识别金融/技术/社交/商业等骗局类型、了解骗局特征时）
• 参考：见 references/scam-case-studies.md（何时读取：需要学习e租宝、麦道夫、PlusToken等经典骗局案例、理解收割路径时）
• 参考：见 references/social-engineering-algorithms.md（何时读取：需要理解信任构建、群体传播、心理操控等社交工程算法时）
• 参考：见 references/game-theory-applications.md（何时读取：需要理解纳什均衡、博弈树、多轮博弈等博弈论应用时）
• 参考：见 references/defense-strategies.md（何时读取：需要学习分类型防御策略、多层级防御体系、应急响应机制时）

注意事项

• 接受"不确定性"是入场门票，追求"确定性"是进入收割轨道
• 前期收益不是能力证明，只是"诱饵成本"
• 不懂的不碰，看不懂的不入，这比亏钱更安全
• 所有被收割的人，本质是在用钱购买"安心感"
• 市场只奖励敢面对不确定性且有能力管理它的人

进阶能力

从防守到进攻的升级路径：

阶段1：不被收割（防守）

• 目标：识别骗局，避免被收割
• 能力：五步判断、概率思维、仓位控制
• 参考：anti-scam-framework.md

阶段2：理解结构（过渡）

• 目标：理解市场运行机制，拆解收割系统
• 能力：系统思维、结构分析、风险识别
• 参考：underlying-principles.md、scam-system-model.md

阶段3：主动设计（进攻）

• 目标：掌握定价权，设计规则，控制流量
• 能力：资源整合、规则设计、影响力
• 参考：power-and-pricing-layer.md、top-player-path.md

核心升级关键

• 从"接受规则"到"设计规则"
• 从"被动反应"到"主动定价"
• 从"跟随流量"到"控制流量"