技能介绍

要解决什么问题

当用户问「这是真的吗？」「能信吗？」时，代理往往已经搜到多段材料，却缺少一套可复现的收敛方式：证据互相打架怎么标、来源质量差时能不能写 VERIFIED、证据太旧或太稀时置信度该怎么压。Belief Assessor 把「主张 + 证据 + 模型判断」收成带状态的结论，而不是一句含糊的「大概靠谱」。

技能如何工作

触发后默认走 AUTO WORKFLOW（仍只需 1 次 LLM 调用）：

搜证据（强制）：用在线搜索拿到可核对的多源材料。
规则层（Python）：从证据里抽四条连续信号——source_reliability、evidence_density、temporal_freshness、provenance_quality。
LLM 层（代理）：按 get_assessment_prompt() 对证据回答 6 个布尔问题，得到 JSON。
投影层 v2：用 ProjectionConfig（standard / conservative / permissive）施加四类约束——矛盾、溯源、时效、密度；触发时压顶置信度，并用公式 (1-Q)×base + min/√n_eff 算区间（替代 v1 固定 ±0.15）。
聚合输出：assess_claim_with_response(claim, evidence, llm_response, config?) 返回校准后的置信度、状态与 veto_reasons。

状态含义：VERIFIED 可引用；CONTESTED 需说明分歧或约束；UNCERTAIN 应明确信息不足。veto_reasons 非空表示置信被刻意封顶，例如 contradiction_capped、provenance_gated、temporal_decayed、density_floor 等。

证据分阶段到达时，可用 assess_incremental 做增量更新；兼容 v1 的 assess_claim(..., llm_func) 会默认走 v2 标准投影。

适用边界与注意点

不能替代强制检索：无证据时规则层与投影层都缺少依据，流程第一步必须搜真源。
高风险场景优先 ProjectionConfig.conservative()，阈值与封顶策略更严。
LLM 的 6 个判断是输入之一；若与检索事实不一致，矛盾约束会把结论推向 CONTESTED 或压低置信——解读结果时要对照 veto_reasons，必要时说明「置信被封顶」的原因。