用途
该 Skill 面向需要设计或分析多决策者计算系统的场景：系统中各方依据自身利益行事，其激励不一定与系统目标一致。它把博弈论与算法设计整合为可操作的决策框架，帮助判断是否需要机制干预、选择何种机制、如何分析均衡与收敛，以及如何防范策略性操纵。资料同时强调其适用条件：当代理人具有策略性、其选择影响系统结果、且无法直接命令服从时才适用。
主要能力
资料给出五个决策点：
- 中心化与去中心化架构选择：按无政府代价（Price of Anarchy, PoA）分层判断。PoA ≤ 2 可允许去中心化控制；2 < PoA ≤ 10 考虑机制干预（税收、通行费）；PoA > 10 或无界则需中心化分配或强机制。
- ** truthful 信息 elicited 的机制选择**：根据最优分配能否多项式时间计算选择 VCG、比例分配、升价拍卖、近似 VCG 或贝叶斯机制，并区分预算平衡与个体理性等约束。
- 多智能体学习收敛分析：按学习算法（regret minimization、最佳回应动态、梯度学习）与博弈结构（势函数、零和、树形网络、一般图）给出收敛结论，如相关均衡 O(log n / ε²) 轮、Nash 计算 PPAD-complete 等。
- Sybil 攻击防范：按身份创建成本、信任传递性、白洗可能性选择权益证明、工作量证明、身份验证、图声誉或长期身份投资等策略。
- 信息聚合函数选择：按信息类型（概率估计、二元信号、专家预测质量）选择适当评分规则、LMSR、加权多数或序贯报告，并处理专家串谋。
使用方式
资料以决策树和检查清单形式组织，使用时按场景导航决策点，并在方案形成后对照质量门禁核验：激励相容已验证、计算复杂度已分析、预算约束满足、收敛有保证、Sybil 抵抗已实现、PoA 有界、失败模式已处理、网络效应已分析、私有信息处理有证明、可扩展性已验证。Skill 还给出五类失败模式（均衡存在性谬误、激励盲优化、预算平衡盲区、拓扑中性错误、Sybil 脆弱声誉）的症状、诊断、检测规则与修复方式。
适用场景
资料提供两个完整示例：API 限流机制设计（用户紧迫度不可观测，采用比例分配+按出价收费，并提示需防范账户分裂）和分布式缓存成本分摊（使用 Shapley 成本分摊，PoA ≤ O(log n)，建议用显示偏好而非声称偏好）。
限制
资料明确列出 NOT-FOR 边界：所有代理人可直接控制的纯优化问题、激励一致的协作场景、单代理人决策问题、非交互系统、外部强制合规、物理约束阻止策略行为等场景均不适用。密码协议安全、系统性能优化、用户体验设计、数据隐私保护、容错等主题应转交其他技能。资料未提供具体收费、平台支持或安装命令等信息。