让 IP 纯净度的每一分都能被读者自己验算：四条判据、四套权重，五个分数手算全对

curl -s "https://ipure.art/api/lookup?ip=8.8.8.8"

"risk": {
  "purity": 78,
  "riskPoints": 22,
  "level": "neutral",
  "label": "一般",
  "verdict": "基本可用，严格风控的平台可能偶尔弹验证码",
  "confidence": "medium",
  "factors": [
    { "id": "usage",           "category": "hosting",  "points": 25,
      "label": "IP 类型：机房 / 数据中心",
      "detail": "机房 / 数据中心 IP 是自动化流量的主要来源" },
    { "id": "exposure:ports",  "category": "exposure", "points": 6,
      "label": "对外开放 2 个端口",
      "detail": "开放端口：53、443" },
    { "id": "native",          "category": "geo",      "points": -5,
      "label": "原生 IP",
      "detail": "注册地与使用地一致，由当地运营商直接分配" },
    { "id": "sharing",         "category": "sharing",  "points": -4,
      "label": "独享或低共享出口",
      "detail": "同网段仅观测到 6 台设备" }
  ]
}

25 + 6 + (-5) + (-4) = 22        ← riskPoints
100 - 22 = 78                     ← purity

/**
 * 内部模型是「从 0 分起累加风险点」而非加权平均：一个 IP 只要命中 Tor 出口，
 * 无论其它指标多干净都必须是高风险；平均模型会把这种决定性证据稀释掉。
 *
 * 对外输出的是纯净度（100 - 风险点数，越高越干净）。两套尺度并存是有意的：
 * 累加风险点让 floor（一票否决）有清晰语义，而纯净度才符合用户直觉。
 */

/**
 * verdict 一律只描述**后果**，不说原因。同样是 47 分，可能是纯粹因为
 * 落在机房网段，也可能是因为上了黑名单 —— 按档位写死的结论没法区分，
 * 说"多个数据源判定异常"就会在前一种情况下变成臆断。
 * 原因由 factors 逐条列出，那里才是准确的。
 */

/**
 * 关键在于**不同用途对 IP 的要求差别很大**，把总分复制几份贴上不同标签
 * 是没有信息量的。举两个相反的例子：
 *
 *   - ChatGPT 对机房和代理出口的容忍度极低，却完全不关心这个 IP
 *     有没有上过垃圾邮件黑名单。
 *   - 发信恰恰相反：机房 IP 发信本来就正常，而 Spamhaus 收录是生死线。
 *
 * 所以每个场景对判据类别各有一套权重，同一份情报能得出真正不同的结论。
 */

FACTORS = [                      # (id, category, points)
    ("usage",          "hosting",  25),
    ("exposure:ports", "exposure",  6),
    ("native",         "geo",      -5),
    ("sharing",        "sharing",  -4),
]
for sid, w in WEIGHTS.items():
    s = sum(p * w.get(cat, 1) for _, cat, p in FACTORS)
    mine = round(100 - s)

总分：风险点 25 + 6 + -5 + -4 = 22，纯净度 = 100 - 22 = 78
      接口返回 purity=78 riskPoints=22 → 一致
 
场景           加权明细                                          手算     接口
----------------------------------------------------------------------------
ai           25×1.8 + 6×1 + -5×0.8 + -4×1.2                    58     58    一致
streaming    25×1.4 + 6×0.8 + -5×2 + -4×1.6                    77     77    一致
ecommerce    25×1.6 + 6×1 + -5×1 + -4×2                        67     67    一致
email        25×0.4 + 6×0.8 + -5×0.3 + -4×1                    91     91    一致

"confidence": "medium",
"sources": [
  { "name": "rdap",           "kind": "free",       "ok": true,  "ms": 232 },
  { "name": "team-cymru",     "kind": "free",       "ok": true,  "ms": 93 },
  { "name": "ipqualityscore", "kind": "commercial", "ok": false, "ms": 0,
    "skipped": "未配置 IPQS_API_KEY" },
  { "name": "abuseipdb",      "kind": "commercial", "ok": false, "ms": 0,
    "skipped": "未配置 ABUSEIPDB_API_KEY" }
]

"countryAgreement": { "agreed": 3, "total": 3 },
"flagAgreement":    { "isHosting": 1 }

/**
 * ChatGPT / Claude / Gemini 三家均不提供服务的地区（ISO 3166-1 alpha-2）。
 *
 * 命中这些地区的 IP，**无论纯净度多高都上不了境外 AI**：中国大陆更是 GFW
 * 直连不通 + 地区不受支持双重封死。所以「AI 服务」结论要直接判为「地区受限」，
 * 而不是按纯净度给「适合 / 不可用」—— 一个 100 分的北京住宅 IP 也用不了 ChatGPT。
 *
 * 用 denylist 而非 allowlist：不在此列表的地区照常走纯净度评分，避免把合法的
 * 境外代理出口（美/日/新 等）误判为受限。
 */

curl -s "https://ipure.art/api/lookup?ip=8.8.8.8" | python3 -c "
import json, sys
d = json.load(sys.stdin)['risk']
print('factors:', [(f['id'], f['points']) for f in d['factors']])
print('sum     =', sum(f['points'] for f in d['factors']))
print('report  =', d['riskPoints'], '/ purity', d['purity'])
"