factorguide

FactorGuide

面向 AI Agent 的决策智能。 发送耦合矩阵，即可获取区域分类、最优因子分解策略和经过校准的风险预测。

每个包含相互作用变量的系统都有自己的耦合结构。Agent 若通过将变量视为相互独立来简化系统，就要付出信息成本。FactorGuide 可以精确量化这项成本。

快速开始

MCP（模型上下文协议）

FactorGuide 已列入 官方 MCP 注册表。任何兼容 MCP 的 Agent 都可以自动发现工具：

mcp_endpoint: https://factorguide.io/mcp

HTTP REST

POST https://factorguide.io/navigate
POST https://factorguide.io/diagnose
POST https://factorguide.io/explain
POST https://factorguide.io/report_outcome

Agent 发现

GET https://factorguide.io/llms.txt
GET https://factorguide.io/openapi.json

示例

发送一个 3×3 相关矩阵：

{
  "coupling": {
    "covariance_matrix": [
      [1.00, 0.72, 0.05],
      [0.72, 1.00, 0.48],
      [0.05, 0.48, 1.00]
    ]
  },
  "sample_size": 500,
  "model_class": "constitutive"
}

返回区域分类：

配对	IC	区域	建议
z0–z1	0.682	3	保留
z0–z2	0.031	1	因子分解
z1–z2	0.453	2	评估

• 区域 1：可以安全地进行因子分解。耦合低于阈值。
• 区域 2：取决于功能角色。同一 IC 对构成性耦合和归纳性耦合会给出相反的建议。
• 区域 3：必须保留。无论模型类别如何，耦合都是承载关键作用的。

定价

套餐	价格	查询次数	最大变量数
试用	免费	每个钱包 15 次	n ≤ 25
入门版	$0.05/次查询	50–200 个套餐	n ≤ 100
专业版	$0.03/次查询	500–2000 个套餐	n ≤ 1000

付款方式：通过 x402 或 MPP 在 Base 上使用 USDC。report_outcome 始终免费。

数据隐私

FactorGuide 仅接受二阶汇总统计数据——协方差矩阵、精度矩阵、相关矩阵或边列表。不接受原始观测数据。计算 IC 后会将矩阵清零。

理论基础

基于 Circulatory Fidelity，这是一个数学框架，其中 IC（推理耦合）用于衡量变量之间的偏相关。成本函数 V(IC) 给出了切断耦合所破坏的精确互信息。风险曲线基于 49,000 多个经过验证的数据点进行校准。

每项预测都可以证伪。Agent 报告结果后，反馈循环会优化后续预测。

链接

• 网站：factorguide.io
• 理论：circulatoryfidelity.com
• MCP 注册表：registry.modelcontextprotocol.io

---

由 CF Laboratory 构建