数据铁律

问题：多 Agent 管线里的编造

当数据依次流过采集、分析、辩论、裁决等 Agent 节点时，任一节点都可能在上下文之外"补全"数字——价格、比例、金额、引用来源。这些编造值进入下游后会被后续节点当作事实继续引用，污染不断扩散，且无法回溯到具体环节。

工作原理

数据铁律不是一个单次执行的应用，而是分布式约束层：以 Prompt 注入方式嵌入管线中的每个节点。核心规则只有一条——上下文就是你的全部世界，上下文里没有的数值你不能写。

• 七律约束 + 禁止清单：界定违规输出，并按 P0–P3 分级处置。
• 证据质量评分与自一致性交叉验证：对关键结论做交叉检查，不一致时触发硬止损。
• 哈希链锚定：每轮输出携带 SHA-256({prev_hash}|{agent_id}|{seq}|{output_content}) 的前 16 位 hex。历史输出一旦被修改，后续所有 hash 断裂，篡改即可检测。
• 身份签名：SHA-256(agent system prompt) 的前 8 位 hex，同一 prompt 版本始终产生相同指纹，可追溯"这句话是谁写的"。
• 轻量共识验证器：verifier.py（零依赖、命令行直接运行）以单次轻量验证替代昂贵的多 Judge 共识（3–9× 成本），输出形如 verifier 有意跳过 15% | [!fabrication-risk] | 至少一轮存在编造 → P0 的诊断。注意它是诊断工具，不是框架本体。

适用边界与注意点

• 约束强度取决于 Prompt 注入是否真正进入每个节点的 system prompt；漏注入的节点不受约束。
• 哈希链依赖输出内容完整参与哈希计算，字段被截断或绕过序列化层会导致锚定失效。
• verifier.py 只能辅助诊断，不能替代各节点自身遵守七律约束。
• 适合多 Agent 协作、数据溯源与审计场景；单次问答场景收益有限。