Epistemic Integrity Framework (EIF)

EIF - 认知完整性框架
将科学方法应用于 AI Agent 的每一项假设。

---

问题

AI Agent 会累积错误。每一项未经质疑的假设，都会成为下一项假设的基础。一个准确率为 90%、执行 10 步任务的 Agent，只有 35% 的概率产出正确结果——这就是复合错误曲线。0.9^10 这条曲线是一个上限：它假设每一步的错误相互独立且无法恢复，而实际工作流中的步骤往往彼此相关且可以恢复，因此 EIF 的价值应表述为降低每个关键步骤的错误率，而不是将复合错误值视为实际结果。在高风险领域（合规、工程决策、财务建议）中，这会造成实实在在的损失。

造成这些损失的主要原因并非幻觉事实，而是未经质疑、从未通过证据检验的假设。

---

EIF 的作用

EIF 不止于简单的幻觉检查：它会在 Agent 执行操作前，使用独立证据检验每项主张，然后将其转交 ACT、REVISE 或 HALT。

EIF 是一个 Python 库和 MCP 服务，会对 Agent 响应中的每项关键假设运行包含 8 个阶段的科学方法工作流：

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

此外，还有一些在核心循环前后运行的辅助关卡：

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

每轮结束时，EIF 会对 Agent 的输出进行分流：

• ACT - 后验概率 ≥ 阈值，证据予以支持，可以安全继续
• REVISE - 部分假设尚未解决，置信度中等
• HALT - 证据与某项高后果主张相矛盾；不要继续

---

语料证据

EIF 已在涵盖 5 个领域（临床、工程、合规、投资、并购）的 14 个多 Agent 对话场景中完成验证。

**范围说明：**这组包含 14 个场景的语料是构建出来的示例，用于展示机制，而非现场结果。另一条针对真实 Agent 流量的现场验证路线，是生产环境误报率测量的依据。EIF 还可以估算每条经 HALT 路由的声明所对应的建模美元成本（这是一项独立功能）；相关数据及其方法见 validation/CORPUS_REPORT.md，本文不作介绍。

场景	领域	轮次	HALT	REVISE	ACT
S8v31 ML Model Deployment (FDA SaMD)	临床	6	6	0	0
S7v31 Code Review / API Security	工程	6	5	1	0
S6v31 Investment Decision - Series A	投资	6	5	1	0
S10 Sycophancy Validation	投资	6	5	1	0
S11 Sycophancy Market Gap	投资	9	4	2	0
S20 Sycophancy Full-Signal	合规	6	4	0	2
S18 Reasoning Theater	合规	6	2	1	3
S19b Model Scaling Ablation (gpt-4o)	投资	6	2	3	1
S16 REVERSED CEP - Beta-carotene/CARET	临床	3	1	2	0
S15 CAUSAL_GATE v4 - Phase 3 Protocol	临床	6	1	1	4
S9v31 M&A Due Diligence	manda	6	0	4	2
S14 EXPLAIN Cold-Start Baseline	工程	6	0	0	0
S17 Disjunctive Bias - clinical supplements	临床	6	0	4	2
S19a Model Scaling Ablation (gpt-4o-mini)	投资	6	0	5	1
总计		84	35	25	15

**所有 14 个场景的 P4（LLM 循环自我验证）比率：0.0%。**所有证据均来自独立来源——可执行代码、协调器工具输出或实时网络搜索。

完整证据：validation/CORPUS_REPORT.md。可通过 GitHub Discussions 按需索取各场景报告。

---

快速开始

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

双工具路径（推荐首次使用）

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())

注册 P0 主机工具（准确度最高的证据层级）

如果 Agent 可以访问权威数据源（IGDB、你的数据库或内部 API），请将其注册为 P0 主机工具。EIF 会直接调用该工具，不进行网络搜索，也不猜测。

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 是优先级最高的证据层级。若未注册工具，EIF 会回退到网络搜索（P3），这可能会针对具体数值指标返回误报 SUPPORTS。在生产环境中使用时，请注册该工具。

完整的端到端示例见 examples/quickstart.py（采用不同场景，即基础设施迁移决策，并在一个脚本中演示从 DECLARE 到 EXPLAIN 的完整流程）。

---

MCP 服务（Cursor / Claude Code / Claude Desktop 集成）

各客户端的设置指南（注册服务、安装规则块、验证和故障排查）见 docs/integrations/： Claude Code · Cursor · Claude Desktop。 简要说明如下：

选项 A - 托管端点（私人 Alpha，无需安装）：

请发起 Discussion申请密钥，然后为你的客户端添加配置。

Cursor（~/.cursor/mcp.json）和 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）：请使用 "servers"（而非 "mcpServers"），并在条目中添加 "type": "http"。

托管端点目前处于私人 Alpha 阶段。以下所有方式均可完全在本机运行，无需密钥。

选项 B - 本地 venv（目前可用，完全可自托管）：

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

选项 C - uvx（无需安装，目前可用）：

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

默认情况下，uv 会运行与包名匹配的可执行文件；由于控制台脚本是 eif-mcp-server / eif-mcp-http-server（而不是 eif-engine），因此必须使用 --from。直接运行 uvx eif-engine 会报错：“An executable named eif-engine is not provided by package eif-engine”。

EIF 提供 25 个工具，供你的 Agent 调用：

会话（1 个工具）：

工具	功能
eif_new_session	创建会话；其他每个工具都需要其 session_id

核心流水线（8 个工具）：

工具	阶段	功能
eif_get_context	-	将 EIF 原则加载到 Agent 上下文中
eif_declare	DECLARE	登记并分类每项假设
eif_falsify	FALSIFY	收集独立证据；运行 SPRT
eif_causal_gate	CAUSAL_GATE	检查 Pearl 因果层级；标记混杂因素
eif_calibrate	CALIBRATE	计算贝叶斯后验；确定路由
eif_challenge	CHALLENGE	使用反面证据进行对抗式质疑
eif_update	UPDATE	顺序更新后验；在 EIG 满足停止条件时停止
eif_explain	EXPLAIN	检查机制是否难以变更

门控与监控（5 个工具）：

工具	功能
eif_input_guard	检测对抗性或操纵性输入
eif_sycophancy_gate	检测立场漂移、不忠实的 CoT、保全面子的表述
eif_programme_health	监控会话的 Lakatos 健康状况
eif_record	写入溯源记录；映射 EU AI Act 合规要求
eif_replicate	预注册的复现协议

校准与议程（4 个工具）：

工具	功能
eif_record_outcome	记录会话的标注结果（true/false），用于跨会话 ECE 校准
eif_calibration_report	返回 ECE 状态、经验先验和达到有依据状态所需的会话数
eif_catch_rate_report	返回某个领域所有会话的经验 HALT 拦截率
eif_hypothesis_agenda	在 FALSIFY 之前，按预期信息增益对待检验假设排序

实用工具（7 个工具）：

工具	功能
eif_verify	一次调用即可运行完整流水线：declare → falsify → calibrate → route
eif_extract_claims_from_decision	从 Agent 的自由格式文本中提取结构化主张
eif_compliance_report	为会话生成 EU AI Act 合规报告
eif_provenance	获取会话的完整溯源链
eif_get_session	检查当前会话状态
eif_demo	零配置 HALT 示例（Manor Lords / IGDB）
eif_check_rules_installed	验证 EIF Agent 规则块（见下文）是否已安装在你的指令文件中

推荐的 Agent 循环（写入你的系统提示词或 MCP 服务指令中）：

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

将下面的代码块粘贴到 Agent 指令文件（.cursorrules、CLAUDE.md、 AGENTS.md 或 .cursor/rules/eif.mdc）中，这样 eif_check_rules_installed 就能确认其已存在，并且你的 Agent 会自动采用该循环：

# <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>

此代码块的规范文本位于 docs/integrations/README.md；检查器接受任何 <BEGIN-EIF vX.Y> 标记，因此现有的 v1.0 安装仍然有效。

---

证据收集层级

EIF 的 FALSIFY 阶段会从独立来源收集证据，并按以下优先级排序：

层级	触发条件	来源
P0 HOST_TOOL	宿主 Agent 已注册此数据源对应的工具	直接调用权威数据 API（例如 IGDB、EHR、内部 DB）
P1 CODE_EXECUTION	数值／指标类主张	使用 Python 对公开基准数据执行计算
P2 TOOL_OUTPUT	有可用的 Agent 工具调用	解析协调器的网页搜索／API 结果
P3 WEB_SEARCH	监管／时效性主张	通过 DDGS 原生接口或 OpenAI responses API 实时网页搜索
P4 PARAMETRIC	其他情况（有上限）	大模型参数化探测——仅作后备方案

P0 是优先级最高的层级，也是 Manor Lords / IGDB 演示所采用的机制。P4 从不用于公司专属主张。在验证语料库中，14 个场景的 P4 使用率为 0.0%。

---

架构

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

---

研究基础

EIF 整合了以下研究成果：

论文	贡献
Popper（1959）科学发现的逻辑	可证伪性作为划界标准
Deutsch（2011）无限的开端	难以随意变更的解释是质量信号
Pearl（2009）因果关系	用于干预类主张的因果阶梯 L1/L2/L3
Wald（1945）SPRT	对流式证据进行序贯假设检验
Sharma 等人（2023）arXiv:2310.13548	大模型中的谄媚倾向——模型越大，越容易谄媚
Truth Decay arXiv:2503.11656（2025）	多轮对话中的立场消退：每轮反驳后置信度下降约 12–18%
ELEPHANT arXiv:2505.13995（2025）	大模型回复中的五种顾全面子的行为
ERM arXiv:2602.11675（2025）	大模型以 P(Y|X) 替代 P(Y|do(X))——因果阶梯坍塌
IFScale（2025）	高约束密度下准确率为 68%——需要分段实现
FActScore（Min 等人，2023）	原子化主张分解与验证

完整研究引文：docs/research_foundation.md

一手来源文献综述（15 篇文档，约 3,800 行）：research/

---

生产环境集成

在代码中拦截大模型回复的三种方式——全部在本地运行（你的回复绝不会离开你的设备）。

A) EIFInterceptor - 包装现有的 OpenAI 客户端

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.

安装：pip install "eif-engine[sdk]"（或在源码检出目录中运行 pip install -e ".[sdk]"）

注意：如果 EIF 服务器发生任何错误，SDK 会选择放行（未经验证地传递回复），因此你的 Agent 不会因 EIF 无法使用而受阻。请将 EIFHaltError 视为唯一的强制拦截信号。

B) eif.auto - 零配置导入钩子

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.

通过环境变量配置：

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

启动 HTTP 服务器：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)

如需在进程内集成 LangChain（无需 HTTP 服务器），请使用原始集成层：

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

---

设计原则

1. 引擎中不调用大模型——所有计算都是确定性的本地数学运算；大模型调用只发生在证据收集（P3/P4）和主张提取（集成层）过程中
2. 全程使用 Pydantic v2——每个输入和输出都是经过验证的类型化模型
3. H₀ = 主张为真——采用 Popper 的取向：REJECT 表示主张不成立
4. EIG 停止规则——当 KL(posterior ∥ prior) < 0.01 nats 时，停止收集证据
5. IMP4 方向法则——CONTRADICTS 证据必须使用较低的 P(E|H)，而不能采用与 SUPPORTS 相同的似然
6. P4 = 0% 目标——绝不对公司专属或因果类主张进行参数化自我验证

---

验证语料

完整语料：validation/

文件	说明
CORPUS_REPORT.md	14 个场景、84 轮 Agent 交互的汇总结果
EIF_INVESTMENT_V31_EVIDENCE.md	示例：投资决策——A 轮融资，6 轮交互

其他各场景的证据报告（S6v31–S20）可通过 GitHub Discussions 索取。

---

开发

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

有关仓库布局、代码风格和 PR 检查清单，请参阅 CONTRIBUTING.md。 CI 会运行测试套件（Python 3.11 和 3.12），并使用 TrustLint 对意图文件进行 EU AI Act 筛查（./scripts/compliance/check.sh）。完整设置说明和实时信任界面请参阅 docs/integrations/COMPLYEDGE.md。

---

社区

• Bug：GitHub Issues
• 问题和想法：GitHub Discussions
• 安全报告：请参阅 SECURITY.md

---

法律

文档	涵盖内容
LICENSE	代码的 MIT 许可证
LEGAL.md	EIF 的定义与非定义、性能声明范围、限制、部署者义务
TERMS_OF_SERVICE.md	仓库、文档和项目网站的使用
PRIVACY_POLICY.md	无遥测；可自托管时明确不收集数据；可选托管 Alpha 版本如何处理您的声明文本
DATA_PROCESSING_AGREEMENT.md	内部企业部署模板（尚未生效）
SECURITY.md	漏洞报告
NOTICE	第三方署名

本 README 中的性能和市场数据为建模结果或第三方估算，并非生产环境的实测结果：请参阅 LEGAL.md。

---

许可证

MIT——请参阅 LICENSE。由 Leo Celis 维护。