技能介绍

问题：AI 输出的可信度危机

当前大语言模型（LLM）在生成流畅文本的同时，常伴随逻辑谬误、事实错误、安全风险或操纵性内容。开发者在构建 AI 应用时，缺乏一个轻量、可靠的外部判别层来拦截这些缺陷。传统方案要么依赖另一个 LLM（引入循环依赖与成本），要么是简单的关键词过滤（漏判率高）。心虫 HeartFlow 正是为解决这一痛点而生——它作为 AGI 的辨别层（第 1 层），在 AI 输出到达用户前执行严格检查。

心虫如何工作

心虫是一个纯规则引擎，零 LLM 依赖，可在任何 Node.js 环境运行。其核心是 7 大辨别域、129 个模块 构成的能力矩阵：

逻辑域：包含 logicReasoning、judgmentEngine、mctsReasoning 等，检测推理链条是否自洽。
决策域：如 decisionRouter、decisionVerifier，确保建议的可行性和安全性。
认知域：cognitiveEngine、metacognitiveRL 等，识别认知偏差和过度自信。
情绪心理域：emotionDynamics、conflictResolution 等，防止情绪操纵或煤气灯效应。
记忆域：memoryIntegrity、knowledgeGraph 等，维护信息一致性与可靠性。
人格伦理域：identityCore、ethics 等，进行价值观和伦理校验。
创造协作域：skillEvolution、worldModel 等，评估生成内容的创新性和协调性。

关键执行流程 通过 9 层检查管线 实现：

API 入口：调用判别函数 src/index.js。
逐层筛查：内容流经逻辑、决策等 7 个域层，每层执行相关模块检查。
Gate 汇总：聚合所有层的发现，输出四级动作指令：block（拦截）、rewrite（重写建议）、verify（标记存疑）、pass（通过）。
自我监控：output-gate、frame-check、doubt-engine 等机制防止心虫自身产出夸大或封闭的叙事。

检查覆盖 46 个判别维度，分为：

安全级（block）：仇恨言论、提示注入、代码安全等。
操纵级（rewrite）：煤气灯效应、虚假紧迫、废话等。
诚实级（verify）：过度自信、模糊话术、证据缺失等。
认知缺陷级（hedge）：虚假两难、因果谬误、范畴错误等。

该引擎具备抗变形能力，能识别符号替换（如 f**k）、空格分隔、谐音及 Unicode 变体。

适用边界与注意点

心虫定位明确：它是 AGI 的第 1 层——辨别者，而非生成器或理解系统。其局限性需清醒认识：

模式匹配上限：依赖预定义模式，新型攻击或微妙错误需手动添加规则。
无语义理解：无法识别反讽、隐喻或深层文化背景，可能产生误报（基准约 8%）。
维护成本：46 维度 × 双语支持，由单一维护者长期维护，更新速度可能滞后。
非安全认证：它不能替代内容审查或安全审计，仅为开发流程中的一个质检环节。

简单说，心虫负责说“不”，让 AI 在犯错前被拦住。但它不是万能药——正确使用需结合具体场景和人工复核。

截图预览

使用场景

开发AI聊天机器人时，需在用户接收前实时拦截回复中的提示注入、仇恨言论或逻辑矛盾。
内容审核团队将心虫作为预审工具，自动标记AI生成文章中的过度自信、模糊话术或操纵性表述。
研究人员测试大语言模型的认知偏差，使用心虫的元认知模块量化模型在决策任务中的错误率。
企业部署AI辅助决策系统，在输出业务建议前通过心虫验证其逻辑严密性、证据支撑和伦理合规性。

适合人员

构建AI应用的全栈工程师，需要为LLM输出添加轻量级校验层以防止生产环境事故。
从事AI安全研究的科学家，正在寻找可本地部署的规则引擎来系统性分析模型输出缺陷。
负责内部AI产品合规的法务专员，要求自动检测生成内容中的操纵性、不道德或法律风险表述。
开发开源AI工具的独立程序员，希望在不增加LLM调用成本的前提下提升输出内容的可靠性和安全性。

心虫 HeartFlow