T1/T2 Protocol

T1/T2 Protocol — 面向 MCP 的异构验证

中文文档 · MCP Registry 条目 (io.github.Fauxetine/t1-t2-protocol)

参考实现。 这是一个用于结构化推理规范的仅依赖标准库的 MCP 参考服务，并非生产级安全产品。在敏感环境中部署前，请评估你自己的威胁模型。与官方 Python MCP 服务不同，它不使用 mcp SDK；而是直接通过 stdio 进行 JSON-RPC 通信。

T1/T2 是一个 MCP 服务，可让 AI 推理变得可验证、可审计且可信——它先将模糊问题拆解为结构化层级（T1），再通过跨模型评估验证答案（T2），并配备不依赖任何大模型的确定性校验和层。

为什么？

当大模型检查自己的答案时，它使用的是相同的训练数据、相同的推理偏好和相同的系统性偏见。自我反思无法发现自身的盲点。

T1/T2 引入了异构验证：生成答案的模型与评估答案的模型应该不同。它们不同的训练分布可以互相弥补各自的盲点。

工具

工具	功能	重要性
t1_protocol	将模糊问题拆解为 L1（事实）/L2（假设）/L3（假说）/L4（未知项）	在回答前强制进行结构化推理
t2_protocol	从另一个模型的视角评估答案质量（定性五级置信度）	发现自我反思无法察觉的盲点
checksum	确定性结构验证——纯正则表达式，不依赖大模型	安全性不随智能水平而变化

工具如何返回数据： t1_protocol 和 t2_protocol 会返回结构化提示词模板，供 MCP 宿主的大模型执行。只有 checksum 会返回确定性 JSON（checksum_passed、errors）。

工具输入（MCP 架构）

t1_protocol

输入	类型	必填	描述
question	string	是	要拆解的模糊问题
locale	string	否	en（默认）或 zh
weight_hint	string	否	fact-first、efficiency-first、cost-first、robustness-first、general-first（或对应的中文选项）

t2_protocol

输入	类型	必填	描述
answer	string	是	要评估的文本（通常是宿主大模型的答案草稿）
locale	string	否	en（默认）或 zh
weight_hint	string	否	与 t1_protocol 相同的选项

checksum

输入	类型	必填	描述
text	string	是	要验证的结构化答案文本

返回 JSON：{"checksum_passed": bool, "errors": [...]}。

快速开始

要求

• Python 3.10+
• 一个 MCP 客户端：Cursor、Claude Desktop、Windsurf 或任何兼容 MCP 的宿主

安装

从 PyPI 安装（推荐）：

pip install "t1-t2-protocol>=0.1.0"

从源码安装（开发用途）：

git clone https://github.com/Fauxetine/t1-t2-protocol.git
cd t1-t2-protocol
pip install -e ".[dev]"
T1T2_DISABLE_COUNTERS=1 python -m pytest tests/ -v

或者无需安装，直接运行：

python src/t1_t2_mcp_server.py   # Windows
python3 src/t1_t2_mcp_server.py  # macOS / Linux

配置

pip install 后，在 MCP 配置中使用控制台脚本（推荐）：

{
  "mcpServers": {
    "t1-t2-protocol": {
      "type": "stdio",
      "command": "t1-t2-protocol"
    }
  }
}

Cursor — .cursor/mcp.json（与上文相同）。

Claude Desktop — claude_desktop_config.json：

{
  "mcpServers": {
    "t1-t2-protocol": {
      "command": "t1-t2-protocol"
    }
  }
}

从源代码运行（无需 pip install） — 指向脚本：

{
  "mcpServers": {
    "t1-t2-protocol": {
      "type": "stdio",
      "command": "python",
      "args": ["C:/path/to/t1-t2-protocol/src/t1_t2_mcp_server.py"]
    }
  }
}

在 macOS/Linux 上，请使用 "command": "python3" 替代 "python"。

验证是否正常运行

1. 编辑配置后，重启或重新加载 MCP 宿主。
2. 确认出现三个工具：t1_protocol、t2_protocol、checksum。
3. 使用 {"question": "Should we adopt microservices?", "locale": "en"} 调用 t1_protocol — 你应该会收到结构化的 T1 提示词模板。
4. 使用示例 [L1 Facts] … --- 文本调用 checksum — 你应该会收到包含 checksum_passed 的 JSON。

用法

T1：梳理模糊问题

使用你的问题调用 t1_protocol。宿主 LLM 会收到包含四个层级的结构化提示词模板：

Input:  {"question": "Should we migrate our monolith to microservices?"}

Output: Prompt template instructing the host to produce:
  [L1 Facts]      Team size, codebase size, current stack
  [L2 Assumptions] Expected benefits that need verification
  [L3 Hypotheses] Testable claims about migration risk
  [L4 Unknown]    Future growth trajectory
  [Core Question] The precise feasibility question

T2：交叉验证决策

使用决策或答案文本调用 t2_protocol。它会返回供宿主 LLM 使用的评估提示词：

Input:  {"answer": "Decision text for approach A..."}

Output: Prompt template requesting:
  Confidence: high | medium-high | medium | medium-low | low
  Adoption table with:
    ✅ Adopt     — verified conclusions (L1)
    ⚠️ Reserved — needs more evidence (L2)
    ❌ N/A      — blind spots to address

checksum：验证输出结构

使用结构化文本调用 checksum。它会根据确定性规则返回通过/失败结果：

Input: "[L1 Facts]\n1. ...\n[L2 Assumptions]\n1. ...\n---"
Output: {"checksum_passed": true, "errors": []}

完整工作流

Vague question → T1 structured decomposition → Decision based on structure → checksum (optional) → T2 validation → Refined decision

对于有时效性的事实主张，请在调用方一侧先进行搜索，再执行 T2 — 参见调用方侧网页验证（v2.6）。

配置

语言

t1_protocol 和 t2_protocol 都接受可选的 locale 参数：

值	输出
en（默认）	英文模板
zh	中文模板

示例：{"question": "...", "locale": "zh"}

权重提示

t1_protocol 和 t2_protocol 都接受可选的 weight_hint 参数，用于调整评估标准的权重：

权重	效果
事实优先 / fact-first	优先考虑事实准确性
效率优先 / efficiency-first	优先考虑效率
成本优先 / cost-first	优先考虑成本
鲁棒性优先 / robustness-first	优先考虑鲁棒性
通用优先 / general-first	不设置特定偏向

递归保护

T2 会自动检测递归深度，并在深度 >= 3 时终止，因为此时边际信息增益会降至 5% 以下。

设计理念

完整的设计原理请参阅 docs/philosophy.md。

核心原则：

1. 将智能与信任分离 — AI 能力和 AI 安全应由不同系统保障
2. 异构优于自我指涉 — 跨模型验证比自我反思更可靠
3. 确定性优于概率性 — 能通过代码检查的内容，不应交由模型判断

示例

分步演示请参阅 examples/：

• T1：梳理模糊问题
• T2：交叉验证决策
• 完整工作流：T1 → 决策 → T2

定位

项目	层级	功能	与 T1/T2 的关系
Sequential Thinking（官方 MCP）	调用方侧思维链	一个模型记录迭代步骤	互补——T1 增加 L1–L4 层级，T2 进行跨模型审查
ThoughtProof / verdict APIs	服务端验证	返回带置信度的 APPROVE/DENY/UNCERTAIN	互补——T1/T2 在 verdict APIs 执行操作前构建推理结构
自我反思 / 提示词链	同一模型	重新读取或重新提示自身输出	已被取代——异构验证可以发现共同盲点
工具完整性（例如 Phionyx）	传输 / 工具架构	检测工具投毒、架构漂移	正交——T1/T2 不会保护工具定义

T1/T2 是面向 MCP Discussion #2574 式推理规范的标准库参考实现：先构建结构（T1），再交叉验证（T2），并为代码可验证的内容计算校验和。它不是签名 verdict API，也不是安全扫描器。

版本控制

有两个版本号，请勿混淆：

	示例	含义
包（PyPI）	0.1.0	分发版本生命周期。0.x = 实验性（SemVer，FastAPI 政策）。
协议（规范）	v2.5	服务端输出页脚中的 T1/T2 工具语义。调用方侧 Web 验证文档使用 v2.6。

推荐安装方式：pip install "t1-t2-protocol>=0.1.0"。错误发布到 PyPI 的版本 2.5.2–2.5.4 已撤回。

许可证

Apache License 2.0——参见 LICENSE。

---

为 MCP 生态系统打造。属于通过确定性架构探索 AI 安全这一更广泛项目的一部分。

---

链接

• 贡献指南
• MCP Registry — io.github.Fauxetine/t1-t2-protocol
• 安全政策
• 更新日志
• 设计理念
• 调用方侧 Web 验证 v2.6
• Agent / MCP 主机说明