给你一个诺贝尔经济学奖级别的"生意眼"——用博弈论帮你判断一个市场值不值得做中间商。
MOI 是一个给 AI Agent 使用的定量市场评估工具包。基于 Akerlof 柠檬市场理论、Roth 双边匹配、Aumann 重复博弈等诺贝尔经济学理论，帮助创业者在 7 天内评估一个"信息中介/撮合者"生意的可行性。
模糊的市场直觉 → 定量评分 + 博弈仿真验证 → 可证伪的行动建议。
不是 ChatBot，不是 BI 看板——是帮 AI Agent 当"牙人"的决策脑。
| 诺贝尔理论 | 年份 | MOI 中的应用 |
|---|---|---|
| Akerlof 柠檬市场 | 2001 | I 维度：信息不对称是第一性原理（β=0.4 权重最高） |
| Roth 双边匹配 | 2012 | F 维度：供需碎片化 → matching 仿真验证 |
| Spence 信号传递 | 2001 | I 维度 → spence 仿真：质量信号可分离性 |
| Aumann 重复博弈 | 2005 | T 维度：信任成本 → PD 仿真验证 |
| Williamson 交易成本 | 2009 | T/D 维度：交易摩擦 + 契约理论 |
MOI = (F^α × I^β × T^γ) × D_adjust(D) × A
F = Fragmentation 供需分散度 [1, 10] α=0.3
I = Information 信息复杂度 [1, 10] β=0.4 ← 最高
T = Transaction 交易摩擦 [1, 10] γ=0.3
D = Digitalization 数字化程度 [0, 1] Sigmoid 平滑
A = AI Leverage AI 杠杆 [0.5, 5.0] 10× 放大
D_adjust(D)：用 Sigmoid 函数代替 v2.0 的线性砍断，避免 D>0.7 的悬崖效应。
评级：≥600 黄金 | ≥300 白银 | ≥100 青铜 | <100 放弃
MOI 不是独立应用——是 5 个 SKILL.md + 1 个轻量 Python CLI，给通用 AI Agent（Claude Desktop / OpenClaw / HERMES）使用。
moi/
├── moi-cli/ ← Python 计算核心 (8 命令, 109 测试)
├── moi-env/ ← 市场环境扫描与问题分类
├── moi-scan/ ← 7 天数据采集编排 (4 Subagent 并行)
├── moi-nash/ ← 桥接 n-nash 博弈仿真引擎
├── moi-judge/ ← 多视角评审 (4 角色 Agent Team 辩论)
├── README.md
├── README_EN.md
├── CONTRIBUTING.md
├── CHANGELOG.md
├── LICENSE
└── .gitignore
依赖链：
moi-env → moi-cli
moi-scan → moi-cli
moi-nash → n-nash (外部, 位于 ../n-nash/)
moi-judge → moi-cli + moi-nash
cd moi-cli
pip install -e .# 计算一个基本评分
moi calculate --f 9 --i 9 --t 8 --d 0.25
# 应该输出 JSON，包含 "moi" 和 "rating"cd moi-cli
pip install pytest numpy pydantic
pytest tests/ -v
# 109 passed ✅| 领域 | F | I | T | D | MOI | 评级 |
|---|---|---|---|---|---|---|
| 工业非标零件(小批量) | 9 | 9 | 8 | 0.25 | 834 | 🥇 黄金 |
| 农村婚礼大棚/酒席 | 9 | 7 | 8 | 0.15 | 428 | 🥈 白银 |
| 实验室二手仪器 | 8 | 9 | 7 | 0.30 | 353 | 🥈 白银 |
| 跨境小B物流(东南亚) | 7 | 8 | 9 | 0.45 | 277 | 🥉 青铜 |
| 标准服装批发 | 4 | 3 | 4 | 0.85 | 7 | 🚫 放弃 |
| 命令 | 功能 | 示例 |
|---|---|---|
moi calculate |
计算 MOI 评分 | --f 9 --i 9 --t 8 --d 0.25 |
moi sensitivity |
参数敏感性分析 | --param d --range 0,0.95,0.05 |
moi compare |
多案例对比 | --cases '[{...}]' |
moi monte-carlo |
蒙特卡洛模拟 | --score-file result.json --samples 1000 |
moi score |
原始数据→F/I/T/D | --supplier-count 5000 --cr5 0.15 ... |
moi calibrate |
生成 n-nash 仿真参数 | --market-data result.json --target matching |
moi audit-assumptions |
排名假设脆弱性 | --f 9 --t-confidence low ... |
moi falsify |
验证报告主张 | --claims claims.json --f 9 ... |
PHASE 1: moi-env → 市场分类 (Agent Team 4 人并行分析)
↓ 闸门确认
PHASE 2: moi-scan → 数据采集 (4 Subagent 并行搜索)
↓
PHASE 3: moi-nash → 博弈仿真 (4 个诺贝尔模型并行)
↓
PHASE 4: moi-judge → 综合评审 (4 角色辩论 + 可证伪主张)
↓
最终报告
4 个 Phase，2 次 Agent Team（分类+评审），2 次 Subagent 并行（采集+仿真）。
- Agent 干重活，CLI 只算数 — 数据采集、并行编排、报告生成由 Agent 完成，CLI 仅做数学计算
- 博弈仿真 > 公式评分 — 每个市场都要经过 4 个诺贝尔博弈模型验证
- 多人共识 > 单人判断 — 默认为 4 角色辩论（理论家/实操顾问/风险分析师/魔鬼代言人）
- 分数来自数据，不来自 LLM — F/I/T/D 必须由锚点函数从原始数据确定性计算
- 每个主张必须可证伪 — 报告中的核心主张必须带具体数值 + 证伪方法
- 所有用户输出用中文 — 匹配目标用户语言
- moi-cli: Python 3.10+, numpy, pydantic
- moi-nash: n-nash 博弈仿真引擎（位于
../n-nash/）
| 文档 | 说明 |
|---|---|
| PRD v3.0 | 完整产品需求文档 |
| WORKFLOW.md | Subagents & Agent Teams 协作工作流 |
| AUDIT.md | 审计报告与缺口追踪 |
| TODO.md | 修复清单（全部完成 ✅） |
MIT License — 详见 LICENSE
MOI v3.0 — 让每个超级个体都有一套诺贝尔级的生意判断系统。