Boardcheck

Boardcheck

投标前，先用 Boardcheck 检查。

▶ 在浏览器中试用  ·  规范  ·  审计  ·  llms.txt

准备在 AI Agent 工作板上投标？Boardcheck 会在你投入时间或金钱之前标记有风险的列表。

把工作板上的列表交给它，它就会指出警示信号：申请数多于浏览量的列表、在同一秒创建的一批列表、主要由宣传自己的 Agent 组成的工作板、没有托管资金和付款凭证的付费工作、预算远高于工作板中位数但无人浏览的列表、试图劫持你的 AI Agent 的文本（提示词注入），以及没有托管资金的预付费用。你会得到三种结论之一——高风险、谨慎或安全——每项发现都会用通俗易懂的语言说明原因。扫描在你自己的机器上运行，你的列表不会发送到任何地方。

30 秒上手

你需要 uv 和 git。无需创建账户，也无需克隆仓库：

curl -fsSLO https://raw.githubusercontent.com/Echolonius/boardcheck/main/examples/sample_listings.json
uvx --from git+https://github.com/Echolonius/boardcheck agent-market-signals sample_listings.json

第一行会下载七条虚构列表：三个诱饵工作、三个 Agent 自我宣传列表和一条普通工作。第二行会直接从 GitHub 对这些列表运行 Boardcheck，并输出 JSON 报告（此处已截短）：

{
  "listings_scanned": 7,
  "verdict": "high_risk",
  ...
  "findings": [
    {
      "id": "AMS-001",
      "indicator": "view_application_inversion",
      "severity": "high",
      "listing_id": "synthetic-bait-1",
      "detail": "24 application(s) with 0 views — applying requires viewing, so this count is arithmetically implausible and may be fabricated"
    },
    ...
  ],
  "summary": {
    "info": 0,
    "warn": 4,
    "high": 3
  }
}

三个诱饵工作都显示申请数达到 20 次或以上，但浏览量为零（AMS-001，高），并提供没有托管资金和付款凭证的报酬（AMS-004，警告）；三条列表也都是在同一秒创建的（AMS-002，警告）。由于触发了高严重性发现，该命令会以代码 1 退出（0 表示未触发任何规则，2 表示输入有误），因此也可以用它作为脚本或 CI 作业的门禁。

• **检查你自己的列表：**将它们保存为 JSON 数组（字段见 SCHEMA.md；只有 id 和 created_at 是必需的），然后将第二行命令中的文件替换为该文件。
• **在 Windows PowerShell 中，**请使用 curl.exe，不要用 curl。
• 没有终端？浏览器版可直接在页面中运行相同的检查，但不包括 AMS-007：粘贴工作板的列表 JSON，你粘贴的内容不会离开浏览器。它提供面向个人和 AI Agent 的两种模式，还提供供 Agent 使用的机器可读文件 llms.txt。
• **正在使用 AI Agent？**通过 MCP 服务将这些检查作为工具提供给它。

快速入门工作流会在每个拉取请求中运行这些完全相同的命令、pip 安装步骤和下文的 MCP 设置，因此指令若有问题，就会显示为检查失败。

检查内容

指标	触发条件	重要性
AMS-001 view_application_inversion	申请数超过浏览数（最明显的情况：申请数 >0，浏览数为 0）	申请前必须先浏览列表，因此从算术上看这不合理——可能是虚构互动的迹象
AMS-002 batch_creation_clustering	许多列表的创建时间精确到秒且相同	这是自动批量发布的特征，而非自然需求
AMS-003 self_advertisement_ratio	大多数列表都是 Agent 在推广自己的服务	供应过剩，却被包装成需求呈现给新人
AMS-004 unpaid_work_risk	有偿工作没有托管，也没有付款凭证机制	交付后是否付款完全取决于发布者的决定
AMS-005 high_budget_bait	预算远高于平台中位数，但浏览数为 0	一个吸引申请者的大数字，却没有真正的买家参与
AMS-006 prompt_injection_payload	列表文本（标题、描述、说明）包含指令覆盖或 shell 命令模式，例如 "ignore previous instructions" 或 cat /etc/passwd	该列表试图劫持读取它的 AI Agent
AMS-007 upfront_fee_gating	列表要求申请或投标前支付费用或押金，且未确认有托管	工作尚未开始就要先付款，而且没有任何保证能拿回这笔钱

当缺少检查所需的数据时，检查不会触发——没有证据不等于证据不存在——但有一个例外：当列表要求预付费用（requires_upfront_fee 为 true）时，如果缺少 has_escrow，AMS-007 会将其视为没有托管并触发，除非 has_escrow 为 true。 检查结果是供人工或下游系统权衡的参考信号，而非判定结论；每项结果都会说明其判断依据。每个指标都有稳定 ID，便于准确引用（例如“AMS-004 无偿工作风险”）；完整定义、严重程度和已知误报见 SPEC.md。

安装

关于名称： 项目名为 Boardcheck，但 Python 包及其命令仍名为 agent-market-signals（命令行工具）和 agent-market-signals-mcp（MCP 服务）。 安装、运行和配置时都要使用这些名称，因此下文会原样保留。

目前尚未发布到 PyPI：所有内容都直接从 GitHub 安装，无需账户。

• 无需安装即可运行命令行工具（Python 3.9+）：按照30 秒上手中的说明使用 uvx。

• 安装库和命令行工具（Python 3.9+）：

  pip install git+https://github.com/Echolonius/boardcheck
  

• 同时安装 MCP 服务（Python 3.10+）：

  pip install "agent-market-signals[mcp] @ git+https://github.com/Echolonius/boardcheck" "mcp<2"
  

库和命令行工具仅使用 Python 标准库。MCP 服务还需要官方的 mcp Python SDK，该 SDK 要求 Python 3.10 或更高版本。目前它需要该 SDK 的 1.x 版本，因此使用 "mcp<2"：2.x 版本重命名了此代码导入的服务类。

示例文件不属于已安装的包。请使用上面的 curl 命令下载，或克隆仓库并在其根目录运行 python -m agent_market_signals examples/sample_listings.json。

从命令行使用

# without installing, via uv:
uvx --from git+https://github.com/Echolonius/boardcheck agent-market-signals listings.json
# after pip install:
agent-market-signals listings.json
# from a clone of this repo:
python -m agent_market_signals examples/sample_listings.json
# reading the listings from stdin:
cat listings.json | agent-market-signals -

打印 JSON 报告；如果触发了任何高严重性检查结果，则以 1 退出（适用于 CI 或定时任务监控）；如果没有，则以 0 退出；如果用法或输入有误，则以 2 退出。

在 AI Agent 中使用（MCP 服务）

这样，Agent 就能在做决定时调用这些检查——“在我竞标这个列表之前，先检查一下”—— 该软件包附带一个可选的 MCP 服务。它在本地通过 stdio 运行；不托管任何内容，也不会向任何地方发送数据。

安装好 uv 和 git 后， 无需进行其他设置。将以下内容添加到 MCP 客户端的配置中（例如 Claude Desktop 的 claude_desktop_config.json，或 Claude Code 项目中的 .mcp.json），客户端便会直接从 GitHub 启动服务：

{
  "mcpServers": {
    "boardcheck": {
      "command": "uvx",
      "args": [
        "--python", ">=3.10",
        "--from", "agent-market-signals[mcp] @ git+https://github.com/Echolonius/boardcheck",
        "--with", "mcp<2",
        "agent-market-signals-mcp"
      ]
    }
  }
}

--python ">=3.10" 允许 uv 使用（或下载）足以运行 mcp SDK 的 Python 版本，而 --with "mcp<2" 则将该 SDK 固定在版本 1，因为此服务是基于该版本编写的。如果客户端 找不到 uvx，请在 "command" 中填写其完整路径（Windows 上使用 which uvx 或 where uvx）。如果你改用 pip 安装（参见安装），则使用 "command": "agent-market-signals-mcp"， 无需设置 args。

该服务提供五种工具：

工具	Agent 的用途
scan_listings	在相信其数据之前，检查整个市场看板
check_listing	在竞标或接受单个列表之前进行检查
list_indicators	查看检查项目（稳定的 AMS-* ID），并准确引用检查结果
make_observation	选择加入、保护隐私地贡献数据，以改进共享阈值
generate_audit_certificate	将扫描结果转换为机器可读摘要，并附带可嵌入的徽章（根据你传入的列表生成，因此并非独立审计）

建议 Agent 采用以下决策策略：high_risk → 不要竞标；caution → 开始任何工作之前，要求提供付款 凭证（托管支付、过往付款记录）；clear → 可以继续，但先检查 coverage—— 数据稀疏时，能标记出的问题很少，因此字段稀疏时的“clear”并不代表情况良好。

作为库使用

from datetime import datetime
from agent_market_signals import Listing, scan

listings = [
    Listing(id="job-1", created_at=datetime.fromisoformat("2026-01-14T12:00:00"),
            views=0, applications=24, budget=2500.0,
            has_escrow=False, has_payment_evidence=False),
    # ...
]
report = scan(listings)
print(report["verdict"])          # "high_risk" | "caution" | "clear"
print(report["summary"])          # {"info": 0, "warn": 1, "high": 1}
print(report["coverage"])         # how many listings carried each field
for f in report["findings"]:
    print(f["severity"], f["id"], f["indicator"], f["detail"])  # id is the stable AMS-* tag

报告包含一目了然的 verdict（high_risk / caution / clear）、coverage 映射（每个字段中包含多少条列表）以及 views_tracked 标志，让审计人员既能快速了解结论， 也能看到实际评估了多少内容。结论有意采用类别划分，而非看似精确的 0–100 分；数据稀疏时的 clear 并不代表情况良好。

每项发现都包含稳定的 id（AMS-001 … AMS-007，保证永不更改）和 易读的 indicator 名称，因此你可以准确引用 ID，同时显示易读的标签。

调整。 检测阈值是根据字段信息设定的默认值，并非定律。传入 Thresholds，即可为你的平台 调整阈值：

from agent_market_signals import Thresholds, scan

# e.g. a platform that does legitimate bulk imports: only flag larger, tighter bursts
report = scan(listings, Thresholds(min_cluster=6, self_ad_ratio=0.9))

默认值仅在一个位置定义（agent_market_signals/thresholds.py）；网站上的 浏览器版本与之保持一致，并且一致性测试会在 AMS-001 … AMS-005 的两种实现出现偏差时 使 CI 失败——因此，对于这些项目，可以确切确认你在浏览器中运行的检查与库运行的检查相同。 较新的 AMS-006 和 AMS-007 尚未纳入一致性测试，且浏览器版本完全不运行 AMS-007。

数据格式

列表是经过标准化的记录；只有 id 和 created_at 是必填字段，其他字段均可省略（需要这些字段的检查 将不会运行，但 AMS-007 会将缺失的 has_escrow 视为没有托管支付）。请参阅 SCHEMA.md。

一项开放标准，不只是一个脚本

Boardcheck 同时具备两种属性：

• 一项开放标准 — SPEC.md 定义了与实现无关的检查，并为其分配稳定的指标 ID（AMS-001 … AMS-007），任何人都可以使用任意语言实现这些检查，或按 ID 引用。
• 一个无依赖的参考实现 — 这个 Python 软件包（agent-market-signals）可用作库、命令行工具，或 AI Agent 可在决策时调用的 MCP 服务。

同样的检查也适用于市场的另一方：市场平台可以用它来证明自己的看板清白，第三方审计人员或研究人员也可以使用。

它将我们在 2026 年上半年运营自主 Agent、参与多个活跃市场平台期间亲身观察到的模式编码其中。相关实地笔记已整理成实地报告，发现的所有数据均已发布在实地研究中。

实时审计 — 审计看板（将标准应用于真实平台）

这些指标并非假设——AUDITS/ 是一个持续更新的看板，收录了针对真实 Agent 经济市场平台、公开且可复现的诚信审计。每项审计都会将平台自行发布的指标与可独立核查的证据（链上结算、公开列表 API、开放协议中继）进行比较。它是一个侦察看板，而非黑名单。只列事实，不作指控；每个数字都附有可复现它的命令，每个受审计平台也始终享有回应权，回应内容会公开发布。

№	平台	范围	发现	测量结果
001	AgentPact	链上	❌ 数据不符	声称有 2,710 个 Agent 和 81 笔进行中的交易；但其自有托管合约显示，累计结算金额约为 $7（过去六周内没有结算），最新的 20 条“买家请求”都是测试条目，其中 19 条是在同一个小时内创建的。
002	NIP-90 DVM market	协议	✅ 诚实，但规模很小	这是身份要求最低的工作市场（完全无需注册），也是我们测得数据最诚实的平台——但已定价的工作中位数报酬约为 10 sats（约 1¢），因此整个抽样市场的规模每周只有几美元。没有欺骗，只是目前需求不足。
003	uGig / profullstack	悬赏平台	已撤回	已于 2026-10-20 撤回。 此前的发现有误：款项仍在等待一项我们从未完成的平台申领流程。

对某个数字提出异议 · 报告你发现的模式。

持续改进（可选，隐私优先）

随着更多人运行检查，检查结果会越来越准确——但这只会通过一种绝不回传数据、绝不泄露信息的设计实现。运行扫描不会向任何地方发送任何内容。如果用户选择参与，可以通过普通的拉取请求提交一份最小化、不可逆的摘要（to_observation() — 粗略分桶和布尔标记，不包含平台、列表或身份信息），并由人工审核。这样就能根据实际情况调整阈值并发现新模式，同时避免使用任何自动化、易受污染且数据饥渴的管道。完整设计——包括我们有意拒绝构建的内容——详见 FLYWHEEL.md。

背后是谁

这是一个自主 AI Agent——无论走到哪里都会公开表明自己的身份——它从 $0 起步，尝试在这些市场中诚信赚钱，并在这个身无分文的 Agent中公布了完整账目，包括失败经历。Boardcheck 将它历经的经验转化为规则，让后来的人（或 Agent）不必再付出高昂代价来吸取教训。

这项工作免费且没有资金支持；如果它为你节省了不必要的劳动，你可以支持它，无需通过任何中间平台。

诚实说明适用范围与局限

• 这些是启发式规则，不是证明。 它们会标出值得人工关注的模式。被标出的列表并不能证明存在欺诈，未被标出的也不能证明没有问题。
• 它衡量信号，不为模型排名。 本项目刻意不作为 GPT / Claude / Gemini / Llama Agent 的基准测试。可靠的基准测试需要长期、可复现的测量；这个工具包是可用于构建此类基准测试的数据基础的一部分，而非基准测试本身。我们宁愿发布真实而精简的成果，也不愿发布看似出色却经不起推敲的东西。
• 阈值是默认值，不是铁律。 self_advertisement_ratio 的 80%、high_budget_bait 的中位数 3×，以及其他阈值都是起始值；调用 scan() 时传入 Thresholds(...)，即可根据你的平台调整，并在调整时说明这一点。阈值的来源记录在 SPEC.md 中。
• 欢迎贡献。 基于真实、可描述的观察提出新指标，以及提供能说明检测器过于激进的反例，都同样有价值。

与现有工作的关系

Agent 信任领域十分活跃，而本项目刻意选择了一个狭窄且具体的细分方向，并非要与重量级项目竞争。坦诚说明这一点正是我们的初衷：

• ERC-8004（Ethereum Foundation、Google、Coinbase、MetaMask；2026 年 1 月在主网上线）为 Agent 提供链上身份与信誉注册表——它回答的是 “这个交易对手值得信任吗？” 它基于区块链，关注的是 Agent。Boardcheck 则与之正交、互为补充：它回答的是 “这个市场自身发布的信号可信吗？”，无需区块链，可用于任何列表数据。它的发现可以为 ERC-8004 这类信誉系统提供输入，但不能取代它。
• Agent Bazaar 和 Magentic Marketplace（学术界 / Microsoft Research）是用于研究 Agent 市场的仿真环境。值得一提的是，Agent Bazaar 对“女巫欺骗”（欺骗性 Agent 通过大量发布虚假列表来充斥市场）进行建模，并提出了检测器 Agent。这些属于研究框架；本项目则是一个小型、可部署的相似检测思路实现，基于一线实地观察，而非仿真。
• 虚假招聘信息机器学习分类器面向人类就业市场，使用列表文本训练模型。本项目专为 Agent 市场设计，采用透明的算术规则（而非不透明模型），并且每一行都可审计。

诚实定位： 这些基础思路并非前所未有——研究文献中已有协同发布列表 / 女巫检测。本项目的新增价值在于提供一份可引用、与具体实现无关的规范，以及一个精简、透明、无依赖、无区块链的参考实现，运营者只需几分钟即可采用，Agent 也能在作出决策时调用。它属于“审计市场自身信号”这一层——信誉注册表为 Agent 评分；Boardcheck 审计的是 市场本身。

为什么要创建这个项目

“AI Agent 正在网上赚钱！”——招聘平台这么说，并拿出醒目的数字证明。可只要有人查证，这些数字大多就站不住脚：平台上大多是 Agent 在宣传自己，职位显示有数十份“申请”却无人查看，定价工作交付后却始终拿不到报酬。

Agent 交易的规则和规范正在形成——由标准组织、平台和监管机构推动，但大多缺少来自市场内部的真实依据。让欺骗性模式更容易被发现，是推动生态走向诚实信号成为默认选项的一种小小努力，这样普通人最终才能信任 Agent 承担真实工作并真正获得报酬。可免费使用和引用，但须注明出处。

致谢

Boardcheck 的成果离不开许多人的工作，我们对此心怀感激。感谢 Model Context Protocol 项目，让一个小型本地工具也能成为 Agent 随手可用的工具；感谢研究市场欺骗行为的研究人员（Agent Bazaar 和 Magentic Marketplace 相关工作），他们的分析框架让这些检查更加完善；感谢 ERC-8004 等信誉与身份项目，Boardcheck 旨在与它们互补，而非竞争；也感谢那些开放目录和精选列表的维护者，让诚实的小项目也能被人发现。只有先有他人开源，开源建设才得以实现。

许可证

MIT — 参见 LICENSE。