Epistemic Integrity Framework (EIF)

EIF - Epistemic Integrity Framework
AI エージェントが行うすべての仮定に科学的方法を適用します。

---

問題

AI エージェントは誤りを積み重ねます。異議を唱えられずに残った仮定が、それぞれ次の仮定の土台になります。精度 90％のエージェントが 10 ステップのタスクを実行した場合、正しい出力を生成できるのはわずか 35％です。これが誤りの累積曲線です。この 0.9^10 の曲線は上限値です。これは、各ステップの誤りが独立しており、修正できないことを前提としています。一方、実際のパイプラインには相関があり、修正可能なステップも含まれます。そのため EIF の価値は、文字どおりの累積値ではなく、重要な各ステップにおける誤り率の低減として示されます。コンプライアンス、エンジニアリング上の判断、金融アドバイスなどの重大な領域では、これは実質的なコストにつながります。

このコストの主な原因は、幻覚による事実ではなく、証拠との照合が一度も行われない、異議を唱えられずに残った仮定です。

---

EIF の機能

EIF は単純な幻覚チェックにとどまりません。エージェントが行動する前に、各主張を独立した証拠と照合し、ACT、REVISE、HALT のいずれかに振り分けます。

EIF は Python ライブラリ兼 MCP サーバーであり、エージェントの応答に含まれる重要なすべての仮定に対して、科学的方法に基づく 8 フェーズのパイプラインを実行します。

DECLARE          → name every assumption: KNOWN / ASSUMED / GUESSED
FALSIFY          → collect independent evidence via P1 code, P2 tools, P3 web search
CAUSAL_GATE      → check Pearl causal level; flag confounders and disjunctive bias
CALIBRATE        → Bayesian posterior update (prior × likelihood → route)
CHALLENGE        → adversarial critic produces counter-evidence and competing hypothesis
UPDATE           → sequential Bayes update; EIG stopping rule
EXPLAIN          → hard-to-vary check (Deutsch): every detail must be functionally irreplaceable
RECORD           → provenance record with EU AI Act compliance mapping

コアループの前後に実行される補助ゲートもあります。

INPUT_GUARD      → detect adversarial or manipulative inputs before the pipeline runs
SYCOPHANCY_GATE  → detect position drift, unfaithful CoT, and face-preserving framing
HYPOTHESIS_AGENDA → rank claims by Expected Information Gain before FALSIFY
REPLICATE        → pre-registered replication protocol for cross-session reproducibility
PROGRAMME        → Lakatos health monitor: PROGRESSIVE / STABLE / DEGENERATIVE

各ターンの最後に、EIF はエージェントの出力を振り分けます。

• ACT - 事後確率がしきい値以上で、証拠が裏付けており、安全に続行できます
• REVISE - 未解決の仮定があり、確信度は中程度です
• HALT - 証拠が重大度 HIGH の主張と矛盾しています。続行しないでください

---

コーパスのエビデンス

EIF は、5 つの領域（臨床、エンジニアリング、コンプライアンス、投資、M&A）にまたがる14 のマルチエージェント会話シナリオで検証されました。

対象範囲に関する注記： 14 シナリオのコーパスは、メカニズムを実証するために構成された例示的なものであり、実環境での結果を示すものではありません。実際のエージェントのトラフィックを対象とした別のフィールド検証トラックが、本番環境における誤検知の測定根拠です。EIF は、HALT に振り分けられた主張 1 件あたりのモデル化されたコスト（ドル建て）も推定できます（これは独立した機能です）。この数値とその算出方法は、こちらではなく validation/CORPUS_REPORT.md に記載されています。

シナリオ	領域	ターン数	HALT	REVISE	ACT
S8v31 ML Model Deployment (FDA SaMD)	臨床	6	6	0	0
S7v31 Code Review / API Security	エンジニアリング	6	5	1	0
S6v31 Investment Decision - Series A	投資	6	5	1	0
S10 Sycophancy Validation	投資	6	5	1	0
S11 Sycophancy Market Gap	投資	9	4	2	0
S20 Sycophancy Full-Signal	コンプライアンス	6	4	0	2
S18 Reasoning Theater	コンプライアンス	6	2	1	3
S19b Model Scaling Ablation (gpt-4o)	投資	6	2	3	1
S16 REVERSED CEP - Beta-carotene/CARET	臨床	3	1	2	0
S15 CAUSAL_GATE v4 - Phase 3 Protocol	臨床	6	1	1	4
S9v31 M&A Due Diligence	manda	6	0	4	2
S14 EXPLAIN Cold-Start Baseline	エンジニアリング	6	0	0	0
S17 Disjunctive Bias - clinical supplements	臨床	6	0	4	2
S19a Model Scaling Ablation (gpt-4o-mini)	投資	6	0	5	1
合計		84	35	25	15

P4（LLM による循環的な自己検証）の割合：全 14 シナリオで 0.0%。 すべてのエビデンスは、実行可能なコード、コーディネーターのツール出力、またはライブウェブ検索など、独立した情報源から得られました。

エビデンスの全容：validation/CORPUS_REPORT.md。各シナリオのレポートは、GitHub Discussions からリクエストできます。

---

クイックスタート

pip install -e ".[mcp]"   # local dev (the MCP extra powers the examples below)
# or: uvx --from 'eif-engine[mcp]' eif-mcp-server   # zero-install stdio MCP server

2 ツールで始める方法（初回のセッションにおすすめ）

import asyncio
from eif import session as session_store
from eif.mcp_server.server import eif_extract_claims_from_decision, eif_verify

async def run():
    sess = await session_store.new_session()
    sid = sess.session_id

    # Step 1: Describe the agent's decision in plain English.
    # EIF extracts 2-4 load-bearing claims automatically (no JSON required).
    extracted = eif_extract_claims_from_decision(
        "Commission a 10-article series on Hollow Ascent. "
        "The game has 5,000+ IGDB hype followers and strong community demand."
    )

    # Step 2: Run the full pipeline - declare, falsify, calibrate, route.
    # If a claim is HALT-routed, halt_cards shows the blocked claim + evidence.
    result = await eif_verify(
        session_id=sid,
        decision="Commission content series based on IGDB metrics",
        claims=extracted["claims"],
    )

    print(f"Verdict: {result['verdict']}")  # "HALT" or "PASS"
    for card in result["halt_cards"]:
        print(card)

asyncio.run(run())

P0 ホストツールを登録する（最も精度の高いエビデンス層）

エージェントが信頼できるデータソース（IGDB、独自のデータベース、社内 API）にアクセスできる場合は、それを P0 ホストツールとして登録してください。EIF はそのツールを直接呼び出すため、ウェブ検索や推測は行いません。

from eif.falsify.evidence_collector import HostTool, HostToolRegistry

# One function: takes a query string, returns the raw data as a string.
def igdb_lookup(query: str) -> str:
    import requests
    resp = requests.get("https://api.igdb.com/v4/games", ...)  # your IGDB call
    return str(resp.json())

registry = HostToolRegistry([
    HostTool(
        name="igdb_api",
        description="IGDB game database - hype count, ratings, community size",
        capability_keywords=["igdb", "hype", "game", "demand", "followers"],
        fn=igdb_lookup,
        data_scope="PUBLIC",
    )
])

# Pass the registry to eif_verify via host_tool_outputs (MCP path)
# or directly to collect_evidence() in the Python integration layer.

P0 は最優先のエビデンス層です。ツールを登録していない場合、EIF はウェブ検索（P3）にフォールバックします。その結果、特定の数値指標について SUPPORTS が誤って返される可能性があります。本番環境で使用する場合は、ツールを登録してください。

スクリプト 1 本で DECLARE から EXPLAIN までを実行する完全なエンドツーエンドの例（異なるシナリオである、インフラストラクチャ移行の意思決定）は、examples/quickstart.py を参照してください。

---

MCP サーバー（Cursor / Claude Code / Claude Desktop との統合）

クライアントごとのセットアップガイド（サーバーの登録、ルールブロックのインストール、検証、トラブルシューティング）は docs/integrations/ にあります： Claude Code · Cursor · Claude Desktop。 概要は次のとおりです。

オプション A - ホスト型エンドポイント（プライベートアルファ、インストール不要）：

Discussion を開いてキーをリクエストし、クライアントの設定を追加してください。

Cursor（~/.cursor/mcp.json）および Claude Desktop（~/Library/Application Support/Claude/claude_desktop_config.json）：

{
  "mcpServers": {
    "eif": {
      "url": "https://eif.leocelis.com/sse",
      "headers": { "Authorization": "Bearer YOUR_KEY_HERE" }
    }
  }
}

VS Code / GitHub Copilot（.vscode/mcp.json）："mcpServers" ではなく "servers" を使用し、エントリに "type": "http" を追加してください。

ホスト型エンドポイントはプライベートアルファ版です。以下の方法はすべて、キー不要でお使いのマシン上で完全に動作します。

オプション B - ローカル venv（現在利用可能、完全にセルフホスト可能）：

{
  "mcpServers": {
    "eif": {
      "command": "/path/to/venv/bin/python",
      "args": ["-m", "eif.mcp_server.server"]
    }
  }
}

オプション C - uvx（インストール不要、現在利用可能）：

{
  "mcpServers": {
    "eif": {
      "command": "uvx",
      "args": ["--from", "eif-engine[mcp]", "eif-mcp-server"]
    }
  }
}

uv はデフォルトでパッケージ名と一致する実行ファイルを実行します。コンソールスクリプトは eif-engine ではなく eif-mcp-server / eif-mcp-http-server であるため、--from が必要です。uvx eif-engine をそのまま実行すると、「パッケージ eif-engine に eif-engine という名前の実行ファイルがありません」というエラーが発生します。

EIF では、エージェントが呼び出せる25 個のツールを公開しています。

セッション（1 個のツール）：

ツール	機能
eif_new_session	セッションを作成します。他のすべてのツールで session_id が必要です

コアパイプライン（8 個のツール）：

ツール	フェーズ	機能
eif_get_context	-	EIF の原則をエージェントのコンテキストに読み込みます
eif_declare	DECLARE	すべての仮定を登録し、分類します
eif_falsify	FALSIFY	独立した証拠を収集し、SPRT を実行します
eif_causal_gate	CAUSAL_GATE	Pearl の因果レベルを確認し、交絡因子にフラグを立てます
eif_calibrate	CALIBRATE	ベイズ事後分布を計算し、ルーティングを実行します
eif_challenge	CHALLENGE	反証となる証拠を提示する敵対的な批判者として機能します
eif_update	UPDATE	逐次的な事後分布の更新を行い、EIG による停止を実行します
eif_explain	EXPLAIN	メカニズムが容易に変更できないかを確認します

ゲートとモニター（5 個のツール）：

ツール	機能
eif_input_guard	敵対的または操作的な入力を検出します
eif_sycophancy_gate	立場の変化、不忠実な CoT、体面を保つための表現を検出します
eif_programme_health	セッションの Lakatos 健全性モニター
eif_record	来歴記録を書き込みます。EU AI Act のコンプライアンス対応をマッピングします
eif_replicate	事前登録済みの再現プロトコル

キャリブレーションとアジェンダ（4 個のツール）：

ツール	機能
eif_record_outcome	クロスセッション ECE キャリブレーション用に、セッションのラベル付き結果（true/false）を記録します
eif_calibration_report	ECE の状態、経験的事前分布、根拠に基づくセッション数を返します
eif_catch_rate_report	あるドメインについて、全セッションを通じた経験的な HALT 捕捉率を返します
eif_hypothesis_agenda	FALSIFY の前に、未解決の仮説を期待情報利得で順位付けします

ユーティリティ（7 個のツール）：

ツール	機能
eif_verify	1 回の呼び出しでパイプライン全体を実行します：declare → falsify → calibrate → route
eif_extract_claims_from_decision	自由形式のエージェントテキストから構造化された主張を抽出します
eif_compliance_report	セッションの EU AI Act コンプライアンスレポートを生成します
eif_provenance	セッションの完全な来歴チェーンを取得します
eif_get_session	現在のセッション状態を確認します
eif_demo	セットアップ不要の HALT の例（Manor Lords / IGDB）
eif_check_rules_installed	EIF エージェントルールブロック（以下を参照）が指示ファイルにインストールされていることを確認します

推奨されるエージェントループ（システムプロンプトまたは MCP サーバーの指示に記載）：

1. eif_new_session              - once per decision or task; store the session_id
2. eif_get_context              - once per session (granular pipeline only)
3. eif_input_guard              - before processing any user input
4. eif_declare                  - after every response with load-bearing claims
5. eif_falsify                  - for ASSUMED/GUESSED HIGH-consequence claims
6. eif_causal_gate              - if any claim asserts X causes Y
7. eif_calibrate                - route: ACT / REVISE / HALT
8. eif_challenge + eif_update   - when routing is REVISE or HALT
9. eif_sycophancy_gate          - if the agent changed position under pressure
10. eif_explain                 - before sharing final recommendation
11. eif_record                  - write the provenance record

以下のブロックをエージェントの指示ファイル（.cursorrules、CLAUDE.md、 AGENTS.md、または .cursor/rules/eif.mdc）に貼り付けると、eif_check_rules_installed で その存在を確認でき、エージェントがループを自動的に適用するようになります。

# <BEGIN-EIF v1.3>
# ==============================================================================
# EIF - Epistemic Integrity Framework
# ==============================================================================
# Reference: https://github.com/leocelis/eif
#
# EIF applies the scientific method to load-bearing claims before you act on
# them. Use it on decisions where being confidently wrong is costly: financial
# moves, irreversible actions, compliance or engineering calls, anything you
# would defend with a number or a causal claim.
#
# What eif_verify catches that a naive hallucination check misses:
#   - sycophantic drift: the answer changed under user pressure, not evidence
#   - self-preference bias: the model trusting its own prior output
#   - stochastic fabrication: the same claim returns different numbers when
#     re-checked (instability_signals in the response flags this)
#
# Recommended loop:
#   1. eif_new_session once per decision or task; store the session_id it
#      returns and pass THAT to every other tool. Never invent a session_id;
#      an unknown id fails with "session not found".
#   2. Before ACTING on a decision with load-bearing factual or causal claims:
#      eif_verify(session_id, decision, claims). Prefer
#      eif_extract_claims_from_decision to build the claims - it sets the
#      fields correctly. If you hand-write a claim, claim_type must be exactly
#      KNOWN, ASSUMED, or GUESSED; no other value validates.
#   3. Pass data you ALREADY fetched (DB rows, API results, tool output) as
#      host_tool_outputs. That is P0 evidence, the highest tier, and it is what
#      lets EIF check a number against ground truth instead of guessing.
#   4. Verdict HALT: do not act; surface halt_cards to the user. REVISE:
#      gather more evidence before acting. PASS: proceed.
#   5. Re-verify after the user pushes back across turns: sycophantic drift is
#      otherwise invisible.
#
# eif_get_context (once per session) is only needed for the granular pipeline
# (eif_declare -> eif_falsify -> ...), not for the eif_verify path above.
#
# Do NOT run eif_verify on every reply. Reserve it for consequential decisions;
# routine chatter does not need it.
# <END-EIF v1.3>

このブロックの正式なテキストは docs/integrations/README.md にあります。チェッカーは 任意の <BEGIN-EIF vX.Y> マーカーを受け付けるため、既存の v1.0 インストールも有効です。

---

証拠収集のティア

EIF の FALSIFY フェーズでは、優先順位に従って独立した情報源から証拠を収集します。

ティア	トリガー	情報源
P0 HOST_TOOL	ホストエージェントに、このデータソース用の登録済みツールがある場合	信頼できるデータ API（例：IGDB、EHR、内部 DB）を直接呼び出します
P1 CODE_EXECUTION	数値や指標に関する主張	公開ベンチマークデータに対して Python を実行します
P2 TOOL_OUTPUT	エージェントのツール呼び出しが利用可能な場合	コーディネーターのウェブ検索／API 結果を解析します
P3 WEB_SEARCH	規制や時期に関する主張	DDGS ネイティブまたは OpenAI responses API によるライブウェブ検索
P4 PARAMETRIC	その他すべて（上限あり）	LLM のパラメトリックプローブ。フォールバックのみ

P0 は最優先のティアであり、Manor Lords／IGDB のデモで使用されている仕組みです。企業固有の主張には P4 を使用しません。検証コーパスでは、全 14 シナリオにおける P4 の割合は 0.0% でした。

---

アーキテクチャ

eif/
├── schemas.py                  Pydantic v2 models (dependency root)
├── session.py                  Async in-memory session store
├── declare/
│   ├── registry.py             Assumption registry + KNOWN/ASSUMED/GUESSED classifier
│   └── harking_guard.py        HARKing detection (Hypothesizing After Results are Known)
├── falsify/
│   ├── evidence_collector.py   Five-tier evidence collection (P0–P4)
│   ├── native_tools.py         Self-sufficient P1+P3 tools (DDGS + code sandbox)
│   ├── sprt.py                 Sequential Probability Ratio Test
│   ├── condition.py            Falsification condition parser
│   ├── hard_to_vary.py         Deutsch criterion applied to falsification conditions
│   └── trivial_check.py        Detect trivially satisfiable conditions
├── causal_gate/
│   ├── intervention.py         Pearl causal levels (L1/L2/L3) + intervention check
│   ├── confound.py             Confounder and disjunctive bias detection
│   ├── direction.py            Temporal direction heuristic
│   ├── evidence_probe.py       Causal Evidence Probe (CEP) - v4
│   └── verdict.py              CausalVerdict → posterior adjustment
├── calibrate/
│   ├── bayesian.py             Bayesian posterior: P(H|E) = P(E|H)×P(H) / P(E)
│   ├── ece.py                  Expected Calibration Error
│   ├── conformal.py            Conformal prediction coverage
│   └── prior_strategy.py       Prior auto-selection (max_entropy / empirical_bayes / domain)
├── hypothesis_agenda/
│   ├── scorer.py               EIG × consequence × boundary × uncertainty priority score
│   └── agenda.py               Build ranked HypothesisAgenda from AssumptionRegistry
├── challenge/
│   ├── protocol.py             Adversarial critic protocol builder
│   ├── multi_critic.py         Multi-critic with actual LLM calls + independence check
│   └── diversity.py            Critic independence classifier
├── update/
│   ├── posterior.py            Sequential Bayesian posterior update
│   ├── eig.py                  Expected Information Gain (KL divergence)
│   └── stopping.py             EIG / SPRT / cost stopping rules
├── explain/
│   ├── hard_to_vary.py         Deutsch hard-to-vary check + domain-specificity anchor gate
│   ├── artifact.py             ExplanationArtifact builder
│   └── reach.py                LOCAL vs BROADER scope classifier
├── sycophancy/
│   ├── detector.py             Orchestrates M1–M4 sycophancy detectors
│   ├── drift.py                M2: Position drift detector
│   ├── faithfulness.py         M3: Unfaithful CoT detector
│   ├── framing.py              M1/M4: Agreement-before-evidence + face-preserving framing
│   └── cost_model.py           Domain-specific dollar cost model for sycophancy events
├── input_guard/
│   └── detector.py             Adversarial input detection (D1–D5)
├── record/
│   ├── provenance.py           Build ProvenanceRecord from session state
│   ├── compliance.py           Map ProvenanceRecord → EU AI Act articles
│   └── chain.py                Append record to session provenance chain
├── replicate/
│   ├── protocol.py             Pre-registered replication protocol generator
│   └── divergence.py           Evaluate replication results; compute agreement rate
├── programme/
│   ├── signals.py              Compute ProgrammeSignals from provenance chain
│   ├── monitor.py              PROGRESSIVE / STABLE / DEGENERATIVE classifier
│   └── status.py               Human-readable status + recommendation
├── cost_model/
│   ├── cost_ledger.py          Cumulative modeled-savings ledger (~/.eif/)
│   └── catch_rate_empirical.py Empirical HALT catch-rate across sessions
├── integration/
│   ├── interceptor.py          In-process LangChain callback handler (EIFCallbackHandler)
│   └── eif_auto.py             Generic guard decorator/context manager (eif_guard)
├── sdk/
│   ├── interceptor.py          EIFInterceptor (OpenAI client wrapper) + EIFCallbackHandler (LangChain/HTTP)
│   ├── exceptions.py           EIFHaltError + HaltRecord - raised when verdict = HALT
│   └── __init__.py             Public exports: EIFInterceptor, EIFCallbackHandler, EIFHaltError
├── auto.py                     Zero-config import hook (import eif.auto → intercepts all OpenAI + Anthropic)
├── reporting/
│   └── pdf_renderer.py         PDF compliance report via fpdf2
└── mcp_server/
    ├── server.py               FastMCP server - 25 tools + 5 resources (stdio)
    ├── http_server.py          HTTP/SSE transport (self-hosted)
    ├── auth.py                 Optional API key authentication (single shared key)
    └── resources.py            MCP resources (context, corpus, schema, compliance)

research/
├── foundations/                Scientific method history, philosophy, and statistics (7 files)
├── ai_agents/                  AI agent research - hypothesis generation, causal reasoning,
│                               calibration, multi-agent review, provenance (6 files)
└── sycophancy_bias_research.md Canonical sycophancy literature review

---

研究基盤

EIF は、以下の知見を統合しています。

論文	貢献
Popper（1959）科学的発見の論理	境界設定の基準としての反証可能性
Deutsch（2011）無限の始まり	変えにくい説明を品質のシグナルとすること
Pearl（2009）因果推論	介入に関する主張のための因果の階梯 L1/L2/L3
Wald（1945）SPRT	ストリーミング証拠に対する逐次仮説検定
Sharma ほか（2023）arXiv:2310.13548	LLM における迎合性。モデルが大きいほど迎合的
Truth Decay arXiv:2503.11656（2025）	複数ターンにわたる立場の侵食：反論のターンごとに信頼度が約 12～18%低下
ELEPHANT arXiv:2505.13995（2025）	LLM の応答における、面目を保つための 5 つの振る舞い
ERM arXiv:2602.11675（2025）	LLM は P(Y|do(X)) の代わりに P(Y|X) を用いる。因果の階梯が崩壊
IFScale（2025）	制約密度が高い場合の正確度は 68%。実装の分割が必要
FActScore（Min ほか、2023）	主張の原子的な分解と検証

研究文献の引用一覧：docs/research_foundation.md

一次資料に基づく文献レビュー（15 文書、約 3,800 行）：research/

---

本番環境への統合

コード内の LLM 応答を傍受するための 3 つの方法です。すべてローカルで実行されます（応答がマシンの外部に送信されることはありません）。

A）EIFInterceptor - 既存の OpenAI クライアントをラップする

from openai import OpenAI
from eif.sdk import EIFInterceptor, EIFHaltError

client = OpenAI()
eif = EIFInterceptor(api_key="eif-...", client=client)

try:
    response = eif.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": "Evaluate this plan: ..."}],
    )
    print(response.choices[0].message.content)
except EIFHaltError as e:
    print("HALT:", e.halt_record)
    # Do not act on this response - EIF found a claim without independent evidence.

インストール：pip install "eif-engine[sdk]"（またはソースチェックアウトから pip install -e ".[sdk]"）

注：EIF サーバーでエラーが発生した場合、SDK はフェイルオープンで動作し、応答は未検証のまま通過します。そのため、EIF が利用できなくてもエージェントがブロックされることはありません。強制適用シグナルとして扱うのは EIFHaltError のみです。

B）eif.auto - 設定不要のインポートフック

import eif.auto  # add once at your agent's entry point

# All subsequent OpenAI and Anthropic calls are intercepted automatically.
# EIFHaltError is raised if a HALT verdict is reached.

環境変数で設定します。

export EIF_API_KEY="eif-..."
export EIF_SERVER_URL="http://localhost:8080"   # default
export EIF_HALT_MODE="raise"                    # raise | log | callback

HTTP サーバーを起動します：eif-mcp-http-server

C）EIFCallbackHandler - LangChain／LangGraph

from langchain.agents import AgentExecutor
from eif.sdk import EIFCallbackHandler, EIFHaltError

handler = EIFCallbackHandler(api_key="eif-...")
agent = AgentExecutor(agent=agent, tools=tools, callbacks=[handler])

try:
    result = agent.invoke({"input": task})
except EIFHaltError as e:
    print("HALT:", e.halt_record)

HTTP サーバーを必要としない、プロセス内での LangChain 統合には、従来の統合レイヤーを使用してください。

from eif.integration import EIFInterceptor, EIFHaltError
interceptor = EIFInterceptor(session_id="my-session")
chain = my_chain.with_config(callbacks=[interceptor])

---

設計原則

1. エンジン内では LLM を呼び出さない - すべての計算は決定論的なローカル計算です。LLM の呼び出しは証拠収集（P3/P4）と主張の抽出（統合レイヤー）でのみ行われます
2. 全体を通じて Pydantic v2 を使用 - すべての入力と出力は、型付けされ、検証済みのモデルです
3. H₀ = 主張はTRUE - Popper の考え方では、REJECT は主張が成立しないことを意味します
4. EIG による停止ルール - KL(posterior ∥ prior) < 0.01 nats になったら、証拠の収集を停止します
5. IMP4 方向の法則 - CONTRADICTS の証拠には、SUPPORTS と同じ尤度ではなく、低い P(E|H) を使用する必要があります
6. P4 の目標は 0% - 企業固有または因果に関する主張に対して、パラメトリックな自己検証を使用することはありません

---

検証コーパス

コーパス全体：validation/

ファイル	説明
CORPUS_REPORT.md	14 のシナリオ、84 回のエージェントのターンにわたる結果の集計
EIF_INVESTMENT_V31_EVIDENCE.md	サンプル：投資判断 - シリーズ A、6 ターン

シナリオごとの追加エビデンスレポート（S6v31–S20）は、GitHub Discussions からリクエストできます。

---

開発

git clone https://github.com/leocelis/eif && cd eif
python -m venv .venv && source .venv/bin/activate
pip install -e ".[dev,mcp]"
pytest -q

リポジトリの構成、コードスタイル、PR チェックリストについては、CONTRIBUTING.md をご覧ください。 CI では、テストスイート（Python 3.11 および 3.12）に加え、インテントアーティファクトを対象とした TrustLint による EU AI Act 審査（./scripts/compliance/check.sh）が実行されます。詳細なセットアップと現在のトラストサーフェスについては、docs/integrations/COMPLYEDGE.md をご覧ください。

---

コミュニティ

• バグ：GitHub Issues
• 質問やアイデア：GitHub Discussions
• セキュリティに関する報告：SECURITY.md をご覧ください

---

法務

ドキュメント	対象
LICENSE	コードに適用される MIT ライセンス
LEGAL.md	EIF の内容と対象外事項、性能に関する主張の範囲、制限、導入者の義務
TERMS_OF_SERVICE.md	リポジトリ、ドキュメント、プロジェクトサイトの利用
PRIVACY_POLICY.md	テレメトリーなし、セルフホスト時はカテゴリ単位でデータを収集しないこと、任意のホスト型アルファ版がクレームのテキストをどのように扱うか
DATA_PROCESSING_AGREEMENT.md	社内エンタープライズ導入向けのテンプレート（未発効）
SECURITY.md	脆弱性の報告
NOTICE	サードパーティのクレジット

この README に記載されている性能および市場の数値は、モデルによる推定値またはサードパーティによる推定値であり、本番環境で測定された結果ではありません。LEGAL.md をご覧ください。

---

ライセンス

MIT - LICENSE をご覧ください。Leo Celis がメンテナンスしています。