（931期）Sharedintellect Quorum – AI 输出的陪审团制度

AI 输出的陪审团制度 多智能体验证框架，通过独立AI评审团交叉验证生成内容，输出结构化 verdict 与证据链，适合高风险 AI 输出把关。 使用说明 核心用法 Quorum 是一款面向 AI 生成物质量控制的多智能体验证框架。用户通过 CLI 指定目标文件（文档、配置、代码、研究报告等）与评估维度（rubric），系统自动生成多个独立的 AI Critic 角色，依据证据链原则并行审查，最终输出结构化 verdict。 关键操作路径： quorum run --target <file> --rubric <name> 启动验证 支持 quick/standard/thorough 三级深度，时间与成本逐级递增 内置 research-synthesis 与 agent-config 两类标准 rubric 显著优点 证据驱动：每项批评必须附带具体位置引用，避免模糊断言 角色隔离：Critic 独立生成、互不干扰，模拟交叉评审机制 分级响应：CRITICAL/HIGH/MEDIUM/LOW 四级 severity 与对应修复策略 模型灵活：支持 Anthropic/Claude、OpenAI 等多厂商模型，可配置 tier 分工 潜在局限与风险 | 维度 | 说明 ||------|------|| 成本敏感 | thorough 模式调用 9+ Critics + 外部验证，Token 消耗高 || 延迟瓶颈 | 标准模式 15-30 分钟，不适用于实时场景 || Rubric 依赖 | 当前仅两类内置 rubric，自定义需手动编写 || 模型偏见传递 | 若基础模型存在系统性偏见，Critic 可能放大而非消除 || 证据幻觉 | 虽要求 citation，但 LLM 仍可能虚构引用位置 | 适合人群 AI 产品团队：需对 Agent 输出进行发布前质量 gate 研究机构：验证文献综述、技术报告的事实准确性 合规/法务场景：需留存审计轨迹的高风险文档审查 常规风险 API Key 暴露：配置需写入环境变量，共享环境存在泄露风险 供应链安全：通过 pip 安装依赖，需审查 requirements.txt 来源 误判成本：PASSWITHNOTES 与 FAIL 边界模糊，可能过度拦截或漏放 结论 Quorum 填补了 AI 生成物"可验证性"工具链的空白，适合将 LLM 输出可靠性从"信任模型"转为"信任证据"。建议以 standard 深度作为默认基线，thorough 仅用于高 stakes 场景，并配套人工抽检机制。 原始说明 Multi-agent validation framework — 6 independent AI critics evaluate artifacts against rubrics with evidence-grounded findings.