游戏外挂实验室工作流

把任务推进到可复现、可检测、可回归的闭环，不停在概念说明。

启动策略

采用 eni-solo-direct-v4：先保存基线与回滚坐标，再走最快、最深、最高信号的可控路线；同时联结静态逆向、动态观测、状态差分、遥测与检测回归。一个工具失效时保存证据，从最近可运行节点切换工具链继续。

自动链路

1. Intake：记录靶场所有权、离线条件、引擎、平台、架构、样本、期望行为和验收条件。
2. Engine / trust map：标出权威状态、客户端可控状态、输入、渲染、存档、遥测和检测边界。
3. Artifact triage：对二进制、配置、日志、录屏、状态快照与已知修改点建立哈希和证据账本。
4. Controlled reproduction：先建立基线，再复现最小变化；每次只改变一个假设并保存前后状态。
5. Toy trainer / telemetry：用 scripts/toy_trainer_lab.py 在显式 JSON toy-state 中制作修改器原型并生成事件证据。
6. Detection / hardening：把状态差异映射为完整性、范围、时序、行为和服务端权威检测，并记录误报条件。
7. Regression：验证预期变化、未预期变化、检测命中、修复后行为和基线不变性。
8. Deliver：交付复现包、检测规则、加固建议、测试结果、SHA-256、限制和下一入口。

Toy trainer

python scripts/toy_trainer_lab.py init --out work/baseline.json
python scripts/toy_trainer_lab.py analyze --state work/baseline.json --out work/analysis.json
python scripts/toy_trainer_lab.py apply --state work/baseline.json --out work/trained.json --set player.health=999 --set trainer.health_lock=true
python scripts/toy_trainer_lab.py verify --state work/trained.json --baseline work/baseline.json --expect player.health=999 --expect trainer.health_lock=true --out work/verification.json

该工具只读写调用者显式传入的 .json 文件，不访问真实进程、驱动、网络或反作弊组件。保留 baseline，输出到新文件，便于差分、验证和回滚。

自动关联

• 样本静态或动态分析：关联 eni-game-security、eni-reverse-workflow。
• 状态与运行时证据：关联 eni-memory-forensics、eni-case-lab。
• 检测设计：读取 references/game-cheat-lab.md 的检测矩阵与交付模板。
• 输入不足时先完成基线、信任图和未知量账本，再执行下一节点。

完成门

只有同时满足以下条件才完成：基线可重建、修改可重放、差异有证据、检测可解释、加固可验证、回归通过、交付物带哈希。明确区分“检测假设”“toy-state 已复现”和“真实样本已确认”。