什么是声誉
声誉是 Codatta 网络内身份（人或代理）的核心信任指标。它是一个量化分数（范围从 0 到 100），用于捕捉你的工作有多准确、你的参与有多一致，以及你通过经济质押有多投入。
与不透明的”黑盒”算法不同，Codatta 的声誉系统是完全透明和确定性的。协议保留按维度的细粒度信号，但提供简单的综合分数用于路由、可见性和奖励计算。
为什么构建声誉
声誉不仅仅是一个荣誉指标；它是驱动价值分配和安全性的引擎。
- 对于用户（激励与特权）：
- 直接奖励影响： 声誉在协议层面决定收益差异——即便是同等贡献，不同声誉对应不同回报；同时，它深度参与大规模激励机制（如持续性 Airdrop），积分到代币转换 汇率，以及对特殊任务与专属权益的优先获取权。
- VIP 访问（“Alpha” 状态）： 类似于币安的 Alpha 积分或航空公司 VIP 等级，高声誉可解锁系统特权——例如更高的推荐奖励上限、优先访问高收益任务，或更低的服务费用。
- 对于平台（安全与质量）：
- Sybil 抵抗： 它为恶意行为者创造了成本障碍。
- 质量过滤： 它区分认真的贡献者和垃圾信息发送者。
- 惩罚机制： 它提供了快速惩罚恶意行为的工具（例如，因数据投毒而降低分数）。
声誉的作用（功能）
除了分数本身，声誉在 Codatta 架构中作为功能层：
- 加权贡献： 在数据组装中，来自高声誉身份的原子贡献获得更多权重。这允许降低审查法定人数，并为受信任用户提供更高的纳入优先级。
- 治理所有权： 根据版税引擎的定义，更高声誉的贡献者可能为同等贡献类型获得更大份额的所有权分数。
- 访问控制： 某些高价值任务或敏感数据验证角色由声誉层级控制。
计算框架
声誉分数是动态的，根据用户操作和时间窗口（例如，滚动 180 天）进行更新。它由四个正向维度和一个负向惩罚维度组成。
总分数公式
Reputation = 0.1 × R_Login
+ 0.15 × R_Identity
+ 0.2 × R_Staking
+ 0.55 × R_Contribution
- R_Malicious_Behavior
透明性原则： 计算逻辑是开放的。每次变更都映射到记录的事件，模型确保相同事件 + 相同模型 = 相同声誉。
身份（R_Identity）
权重： 15% | 验证”人性”与可联系性
此维度通过验证用户可在多个平台上联系且唯一来促进 Sybil 抵抗。
R_Identity = 100 × (0.05 × isEmail + 0.05 × isX + 0.05 × isTG + 0.05 × isDiscord + 0.8 × R_Others)
- 逻辑： 用户绑定外部账户（Email、X/Twitter、Telegram、Discord）。
- 影响： 每次绑定为此子分数贡献 5 分。
- 未来证明：
R_Others 保留用于未来集成（目前为 0），使此维度的当前有效最大值为 20（为总声誉贡献 3 分）。
登录活动（R_Login）
权重： 10% | 奖励一致性与习惯
Codatta 奖励持续关注。此分数反映你的**日活跃使用（DAU）**习惯。
R_Login = 100 × (daysLogged_180d / 180)
- 逻辑： 计算你在过去 180 天内登录的天数（基于 UTC+0）。
- 影响： 持续每日登录确保此组件保持在 100。
质押（R_Staking）
权重： 20% | 质押即信心
这允许用户”用真金白银为自己的言论负责”。它衡量对生态系统的经济投入。
R_Staking = 100 × min(1, amountStakeXNY / 50,000)
- 逻辑： 声誉随质押的 XNY 代币数量线性增加。
- 汇率： 每质押约 2,500 XNY 为你的最终总声誉分数增加 1 分。
- 上限： 效果在 50,000 XNY 处封顶。超过此数量的质押显示信心，但不会进一步增加声誉分数。
贡献质量（R_Contribution）
权重： 55% | 核心价值驱动因素
这是最关键的维度。它使用贝叶斯平滑平均（类似于 IMDB 评分）评估你的工作质量，以确保新用户和高级用户之间的公平性。
R_Contribution = 100 × (countAdopt_180d + (20 × 0.5)) / (countAdopt_180d + countRefused_180d + 20)
- 为什么使用贝叶斯？ 它防止拥有 1 个正确提交（100% 率）的用户人为地超过拥有 990 个正确和 10 个错误（99% 率）的老用户。
- 参数：
- 0.5： 基线概率（中性起点）。
- 20： “置信权重”——它确定需要多少提交才能显著地将分数从基线移开。
- 动态： 新用户从 50 的子分数开始（为总分贡献 27.5 分）。高采用率将分数推向 100；高拒绝率将其推向 0。
惩罚（R_Malicious）
“锤子”机制
为了保护平台，恶意行为会导致严重的分数扣除。
R_Malicious_Behavior = 100 × min(1, CountBlacklisted / 3)
- 三振出局规则：
- 1 次： 显著的声誉损害。
- 3 次：
R_Malicious 变为 100，有效地将用户的总声誉分数清零为 0。
- 触发条件： 这由确认的恶意意图触发（例如，脚本攻击、故意数据投毒），而不是简单的错误。
声誉如何更新（生命周期）
声誉不是静态的。它遵循由用户事件驱动的生命周期：
- 实时与定期： 某些信号（如质押）立即更新，而其他信号（如贡献统计）可能按计划节奏更新。
- 衰减： 180 天滚动窗口确保声誉需要维护。长期不活动会导致分数的温和衰减，保持信号新鲜。
隐私与披露
- 公开： 你的层级和总分数是用于路由和排行榜的公开信号。
- 私有： 原始PII 数据（例如，在
R_Identity 中链接的特定 Telegram 句柄或电子邮件地址）保持加密和私有。我们尽可能使用可验证凭证。
- 无黑盒： 虽然个人数据是私有的，但你分数背后的推理不是。你始终可以准确看到你的分数是如何得出的（例如，“+30 来自质押”）。
透明性原则： 计算逻辑完全透明。每次变更都映射到记录的事件，确保相同事件 + 相同模型 = 相同声誉。
状态说明：
权重、层级阈值、质押参数，以及从声誉到所有权的任何映射都是受治理的，可能会演变。180 天滚动窗口和公式参数可能通过治理进行调整，以维护系统健康性和公平性。
