内容
# Horizon Fidelity Monitor
> **"质量不是模型的属性，而是对话的属性。"**
<p align="center">
<a href="https://github.com/leocelis/horizon/actions/workflows/ci.yml"><img src="https://img.shields.io/github/actions/workflow/status/leocelis/horizon/ci.yml?branch=main&style=flat-square&label=测试" alt="测试"></a>
<a href="https://trust.complyedge.io/horizon" rel="noopener noreferrer">
<img src="https://api.complyedge.io/v1/public/badge/horizon.svg" alt="ComplyEdge — 运行时强制执行状态" height="26">
</a>
</p>
Horizon 是一个用于 AI 代理的实时对话健康监测器。它跟踪 **结构动力学** 在多轮对话中的变化 —— 语义漂移、信息增益、本体差距宽度、时间去同步、昼夜认知负荷、对话速度和因果可达性 —— 这些是大型语言模型（LLM）无法从对话内部可靠地呈现的维度。
Horizon **不是** 一个操纵、谄媚或人类影响检测器 —— 它衡量的是对话 *动态*，而不是代理是否在操纵或讨好用户。参见 [LEGAL.md §1](LEGAL.md#1-what-horizon-is--and-is-not).
为什么需要外部监测器？LLM 的自我认知 **有限且不可靠**：研究表明，LLM 的自我访问能力是部分且脆弱的，在复杂或分布外任务上会退化 ([Binder et al. 2024](https://arxiv.org/abs/2410.13787); [arXiv:2512.12411](https://arxiv.org/abs/2512.12411))。因此，Horizon 不是依赖模型报告自己的对话动态，而是通过廉价、确定性、始终在线的算术来外部衡量它们，而不调用模型。
---
## 为什么存在
多轮 AI 代理会失去准确性。ICLR 2026 出色论文 ["LLMs Get Lost In Multi-Turn Conversation"](https://iclr.cc/virtual/2026/poster/10009146) （Laban, Hayashi, Zhou & Neville — 微软研究院 / Salesforce 研究）报告了 **39% 的平均准确性下降** 在多轮评估中 —— 这是标准可观察性工具（LangSmith、RAGAS、DeepEval）无法看到的结构属性，因为它们衡量的是响应，而不是对话。
Horizon 被设计为弥补这一差距。**它优先考虑可观察性**：它呈现了响应级工具忽略的对话动态，使用廉价的确定性算术，零模型调用。在四个受控的 A/B 场景中，Horizon 事件驱动了重新接地干预，我们测量了 **+15.7% 的综合质量提升** 和 **87% 的幻觉事件减少** —— 但这些是 **合成的、脚本化的场景，具有手动调整的控制器**，而不是生产结果。请将它们视为有希望的内部证据，而不是保证的结果（参见 [验证](#validation) 和 [LEGAL.md §5](LEGAL.md#5-performance-claims--scope-and-substantiation)）。每个信号 —— 信息增益、发散、估计本体差距宽度、因果可达性 —— 都是用文本嵌入和时间戳计算的标准信息理论或算术测度；参见 [4D 时空信号](#4d-时空信号) 获取完整定义。
- 阅读需求证明 → [ICLR 2026 出色论文（Laban 等人）](https://iclr.cc/virtual/2026/poster/10009146)
- 阅读类别参数 → [`docs/content/naming-the-category-conversation-dynamics-monitoring.md`](docs/content/naming-the-category-conversation-dynamics-monitoring.md)
- 阅读工程案例 → [`docs/content/why-every-production-agent-needs-conversation-dynamics-monitoring.md`](docs/content/why-every-production-agent-needs-conversation-dynamics-monitoring.md)
---
## 快速入门
三条路径 — 选择最适合您工作流程的路径：
### 路径 1 — 主机 MCP（最快，零安装）
将 Horizon 添加到任何 Cursor、VS Code 或 Claude Desktop 工作区的最快方法。不需要 Python。
请求一个 alpha 密钥 → [打开讨论](https://github.com/leocelis/horizon/discussions/new?category=q-a)，然后为您的客户端添加配置：
**Cursor** (`~/.cursor/mcp.json`):
```json
{
"mcpServers": {
"horizon": {
"url": "https://horizon.leocelis.com/sse",
"headers": { "Authorization": "Bearer YOUR_KEY_HERE" }
}
}
}
```
**VS Code / GitHub Copilot** (`.vscode/mcp.json` 在您的 workspace 中):
```json
{
"servers": {
"horizon": {
"type": "http",
"url": "https://horizon.leocelis.com/sse",
"headers": { "Authorization": "Bearer YOUR_KEY_HERE" }
}
}
}
```
> **VS Code 注意：** 使用 `"servers"` （不是 `"mcpServers"`）和 `"type": "http"` — VS Code 首先尝试 Streamable HTTP，然后自动回退到 SSE，因此 `"type": "http"` 与 `/sse` URL 一起使用。
**Claude Desktop** (`~/Library/Application Support/Claude/claude_desktop_config.json`):
```json
{
"mcpServers": {
"horizon": {
"url": "https://horizon.leocelis.com/sse",
"headers": { "Authorization": "Bearer YOUR_KEY_HERE" }
}
}
}
```
就这样。重新加载您的 MCP 客户端，然后会出现三个工具：`new_conversation`, `process_turn`, `configure_session`.
> **Alpha 访问：** Horizon's 主机端点处于私有 alpha 阶段。密钥分发给希望监控真实项目的代理开发者。 [打开讨论](https://github.com/leocelis/horizon/discussions/new?category=q-a) 请求一个密钥 — 描述您的用例，我们将发送一个密钥。
### 路径 2 — pip 安装（库集成）
**尚未发布到 PyPI — 暂时使用 [路径 3](#path-3--mcp-server-from-source) （从源代码安装）**
```bash
pip install horizon-monitor
```
验证您的安装（在 5 个规范场景中锻炼整个管道，约 25 秒）：
```bash
horizon-validate
```
### 路径 3 — 从源代码构建 MCP 服务器
```bash
pip install 'horizon-monitor[mcp]'
horizon serve # stdio — 适用于 Cursor、Claude Desktop
horizon serve --transport sse --port 3847 # SSE — 适用于网络/团队部署
```
添加到 `~/.cursor/mcp.json`：
```json
{
"mcpServers": {
"horizon": { "command": "horizon", "args": ["serve"] }
}
}
```
完整的 Cursor 和 Claude Desktop 设置指南：[`docs/integrations/`](docs/integrations/)
---
## 监测内容
标准的可观察性工具评估单个响应质量。Horizon 评估 **对话质量** — 一个结构上不同的问题：
| 工具 | 看到的内容 | 忽略的内容 |
|---|---|---|
| LangSmith, Braintrust | 延迟、成本、每响应质量 | 确定性、每轮结构信号 |
| RAGAS, DeepEval | 每个回合的忠实度、相关性（DeepEval 还有抽样的多轮 LLM 评估指标） | 零 LLM 调用、实时每轮评分 |
| Langfuse, Arize Phoenix | 会话级 LLM 评估 | 确定性、始终在线的评分，延迟低于 50ms |
| 人类评估者 | 主观质量 | 系统结构衰退 |
| **Horizon** | **对话动态** | 故意忽略 |
Horizon 不会取代每响应或 LLM 评估质量的工具。区别在于 *如何* 衡量：确定性、零 LLM 调用、每轮算术 — 有效地免费且始终在线 — 而不是采样 LLM 评估，这会产生每次采样成本，通常离线或异步运行，而不是实时。
---
## 快速开始
```python
from horizon_monitor import FidelityMonitor
from datetime import datetime, timezone
monitor = FidelityMonitor()
session_id = monitor.new_conversation(metadata={"domain": "technical"})
result = monitor.process_turn(
session_id,
human_message="Python 如何处理内存管理？",
agent_response="Python 使用引用计数和循环垃圾收集器... ",
timestamp=datetime.now(timezone.utc).isoformat(),
)
print(f"保真度：{result.fidelity_score:.2f}")
print(f"健康状态：{result.health_status}")
print(f"昼夜因子：{result.circadian_factor:.2f}")
print(f"因果范围：{result.reachable_turns} 可达回合")
for event in result.events:
print(f" 事件：{event.type}（置信度={event.confidence:.2f}）")
```
---
## 框架集成
### OpenAI SDK
```python
from openai import OpenAI
from horizon_monitor import FidelityMonitor
monitor = FidelityMonitor()
session_id = monitor.new_conversation()
client = monitor.wrap(OpenAI(), session_id)
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "告诉我关于量子计算的知识。"}]
)
traj = monitor.get_trajectory(session_id)
print(f"保真度：{traj.current_fidelity:.2f} T*：{traj.estimated_t_star}")
```
`monitor.wrap()` 接受自定义时间戳和上下文提供程序用于测试和重放。
### Anthropic SDK
```python
from anthropic import Anthropic
from horizon_monitor import FidelityMonitor
monitor = FidelityMonitor()
session_id = monitor.new_conversation()
client = monitor.wrap(Anthropic(), session_id)
response = client.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=1024,
messages=[{"role": "user", "content": "解释 RLHF。"}]
)
```
### LangChain
```python
from langchain_openai import ChatOpenAI
from horizon_monitor import FidelityMonitor
from horizon_monitor.integrations.langchain import HorizonCallback
monitor = FidelityMonitor()
session_id = monitor.new_conversation()
callback = HorizonCallback(monitor, session_id)
llm = ChatOpenAI(callbacks=[callback])
llm.invoke("解释 CAP 定理。")
print(f"保真度：{callback.last_result.fidelity_score:.2f}")
```
### OpenAI Agents SDK
```python
from agents import Agent, Runner
from horizon_monitor import FidelityMonitor
monitor = FidelityMonitor()
session_id = monitor.new_conversation()
agent = Agent(name="assistant", model="gpt-4o-mini", instructions="你是有帮助的。")
for user_message in conversation:
result = Runner.run_sync(agent, user_message)
monitor.process_turn(session_id, human_message=user_message,
agent_response=result.final_output, timestamp=datetime.now(timezone.utc).isoformat())
```
---
## 4D 时空信号
> **"时空" 这里是一个比喻，而不是物理学。** 相对论词汇（闵可夫斯基区间，光锥，固有时）是 **设计灵感** — 它塑造了我们计算哪些量。下面的每个信号都简化为文本嵌入和时间戳的标准信息理论或算术测度，列在 **纯定义** 列中。 Horizon's 行为或验证中没有任何依赖于类比为真，Lorentzian `interval_class` 仅作为描述性元数据发出 — **没有事件或分数依赖于它**。
每次 `process_turn()` 返回一个包含 5 个信号家族中 32 个字段的 `TurnResult`：
### 核心（始终存在）
| 信号 | 描述 |
|---|---|
| `fidelity_score` | 综合对话健康 [0, 1] |
| `igt_value` | 每回合信息增益 — 语义新颖性 |
| `divergence_score` | Jensen-Shannon 代理，用于意图/响应间隙 |
| `twr_value` | 令牌浪费率 — 语义冗余 |
| `consistency_score` | 双预测性 — 结构一致性 |
| `epsilon_t` | 估计本体间隙宽度 [0, 1] |
| `health_status` | `healthy` / `degrading` / `critical` / `converged` |
| `conversation_mode` | `execute` / `explore` / `refine` / `learn` （自动检测） |
### 时间（需要 `timestamp`）
| 信号 | 描述 |
|---|---|
| `gap_seconds` | 墙上时钟间隙自上次回合 |
| `estimated_retention` | 人类记忆保留（艾宾浩斯遗忘曲线模型） |
| `circadian_factor` | 本小时的人类认知能力 [0.3, 1.0] |
| `temporal_asymmetry` | 时间去同步惩罚 |
| `resumption_cost` | `none` / `low` / `medium` / `high` / `extreme` |
| `temporal_references` | 解析的去指代表达式（“昨天”，“上周”） |
### 节奏（需要 `timestamp` + 回合 ≥ 2）
| 信号 | 描述 |
|---|---|
| `conversation_velocity` | 语义位移 / 固有时 |
| `conversation_acceleration` | 速度变化量（需要回合 ≥ 3） |
### 时空（需要 `timestamp` + 回合 ≥ 2）— 仅描述性元数据
| 信号 | 描述（比喻） | 纯定义（计算内容） |
|---|---|---|
| `spacetime_interval` | ds² 具有类似闵可夫斯基的签名（−,+,+,+） | 4 项加权距离：`ds² = −α·log(1+Δt)² + β·ΔD_JS² + γ·Δε² + δ·ΔC²`。时间项上的减号是一个约定，而不是物理定律。 |
| `interval_class` | `timelike` / `spacelike` / `lightlike` | `ds²` 的符号桶（`< −ε`，`> ε`，否则 lightlike）。仅作为元数据发出 — **没有事件或保真度分数使用它**。 |
### 因果（需要 `timestamp`）
| 信号 | 描述（比喻） | 纯定义（计算内容） |
|---|---|---|
| `reachable_turns` | 仍在因果光锥内的回合 | 之前回合的计数，其中 `in_context × retention(Δt) × cosine_similarity > θ` — 仍在窗口内，未衰减至内存，且主题相关。 |
| `reachable_fraction` | 仍在因果可达范围内的历史分数 | `reachable_turns / (turn − 1)`。 |
### 空间（需要 `client_context`）
| 信号 | 描述 |
|---|---|
| `location_class` | `home` / `office` / `mobile_transit` / `unknown` |
| `spatial_constraint` | 注意力预算，屏幕容量，最大响应长度 |
| `spatial_frame_shift` | 上下文切换幅度 |
---
## 16 种事件类型
所有事件默认 **观察模式** （发出，不执行）。通过 `configure()` 启用主动模式，一旦您的事件在您的领域中达到 ≥ 0.7 的精度/召回率。
| 事件 | 触发条件 |
|---|---|
| `checkpoint.clarification` | D_JS 超过澄清阈值 |
| `checkpoint.comprehension` | 一致性低于阈值 |
| `alert.drift` | 保真度在 `drift_window` 个连续回合中下降 |
| `alert.contradiction` | 双可预测性低于一致性阈值 |
| `alert.verbosity` | 令牌浪费率超过冗长阈值 |
| `signal.convergence` | IGT 趋势持续较低 — 接近自然端点 |
| `signal.optimal_length` | 达到 T*（估计最佳长度） |
| `signal.horizon_widening` | IGT 趋势强正 — 对话扩展中 |
| `signal.session_reset` | 具有低保留的大时间间隙 |
| `signal.temporal_desync` | 间隙 + 保留下降低于去同步阈值 |
| `signal.broken_reference` | 可达分数下降到破碎参考阈值以下 |
| `signal.frame_shift` | 空间约束显著变化 |
| `signal.pace_shift` | 对话加速超过节奏阈值 |
| `signal.light_cone_collapse` | 可达分数低于光锥阈值 |
| `signal.grounding_required` | 启发式接地需求分数超过阈值 — 代理应投降或引用接地证据 |
| `signal.pace_premature_report` | 用户在先前标记的延迟操作可能完成之前以太快的速度回复，且没有完成信号 |
---
## 配置
```python
# 每会话覆盖
monitor.configure(
session_id=session_id,
clarification_threshold=0.25, # 更严格的 D_JS 门控
event_modes={"alert.drift": "active"}, # 激活一个事件
)
# 化合物权重覆盖
monitor.configure(
fidelity_weights={"alpha": 0.35, "lambda_r": 0.12, "lambda_i": 0.28, "beta": 0.25},
temporal_weights={"gamma": 0.08, "delta": 0.04},
spacetime_coefficients={"alpha": 1.0, "beta": 1.0, "gamma": 0.8, "delta_st": 0.5},
)
```
---
## 导出
```python
# JSON
result = monitor.export_to(session_id, target="json")
# LangSmith / Langfuse / OpenTelemetry / Arize
result = monitor.export_to(session_id, target="langsmith",
connection={"api_key": "ls__..."})
```
**尚未发布到 PyPI — 参见 [路径 3](#path-3--mcp-server-from-source) 以获取源代码安装**
```bash
pip install horizon-monitor[langsmith] # 或 langfuse、otel、arize
```
---
## 架构
```
输入：纯字符串（human_message，agent_response，可选时间戳，可选client_context）
核心管道（< 50ms 在 CPU 上）：
1. 嵌入双方（本地句子转换器，延迟加载）
2-6. IGT · D_JS · TWR · 双可预测性 · Epsilon
7. 时间信号 — 间隙、保留、昼夜、去指代
8. 保真度动态 — 综合分数
9. 健康分类
10. 节奏信号 — 速度、加速度
11. 时空区间 — ds² 和区间类
12. 因果可达性 — 光锥成员
13. 空间信号 — 设备、位置、帧移位
14. 模式检测 — 自动分类对话类型
15. 事件评估 — 16 个阈值检查
16. 可选：SQLite 持久性
输出：TurnResult 数据类（32 个字段）
```
**设计约束（测试强制执行）：**
- 零 LLM 调用 — 纯算术和本地嵌入
- 默认情况下零外部网络调用 — 完全本地
- 核心中零传递框架依赖
- < 50ms 核心管道在 CPU 上 — 软目标（CI 在 50ms 后标记回归，在 150ms 后硬失败）
- 100 回话的 100MB 内存 — 在声明值时硬执行
- 所有事件默认观察 — 绝不干扰，除非明确配置
## 验证
**已证明和未证明的内容**。 Horizon's 信号是 *相关性*、*领域内* 的测量值，它们很好地跟踪人类质量评级。它们是 **可观察性**，而不是已证明的结果保证。以下是每个声明的诚实状态：
| 声明 | 状态 | 位置 |
|---|---|---|
| 保真度与人类评级（在领域内）相关 | ✅ 已测量（ρ ≈ 0.6–0.7） | 以下 gate |
| 信号优于朴素启发式 | ✅ 已测量 | V3 |
| 在 **第三方** 语料库（领域外）上保持一致 | ❌ 已测试 — ρ = **0.039** 在 MT-Bench 专家评级（n=80；低于 0.3 阈值）；需要直接质量标签 | [`V0_2_0_EVIDENCE.md` §Fix 4](docs/reviews/V0_2_0_EVIDENCE.md#fix-4--cross-domain-in-repo), [`adapt_external_corpus.py`](scripts/adapt_external_corpus.py) |
| 事件 **预测** 性能下降（领先，而不是滞后） | ⚠️ 已测试于 MT-Bench — **数据不足** （2-turn 聊天；事件很少触发）；工具有效 | [`leading_indicator.json`](docs/reviews/leading_indicator.json), [`measure_leading_indicator.py`](scripts/measure_leading_indicator.py) |
| 根据事件采取行动 **改善** 结果（+15.7%） | ⚠️ 合成 A/B 测试；需要独立语料库 | [`run_interventional_ab.py`](scripts/run_interventional_ab.py), [LEGAL.md §5](LEGAL.md#5-performance-claims--scope-and-substantiation) |
以下四个 gate 在 **标记** 的 5,602 条记录语料库上通过（未捆绑 — 参见 [证据包](docs/reviews/V0_2_0_EVIDENCE.md)；`scripts/build_validation_corpus.py` 生成一个合成语料库，以锻炼 gate 逻辑，而不是这些确切的数字）：
| Gate | 约束 | v0.2.0 |
|---|---|---|
| V1 — 代理相关性 | 每对话 ρ ≥ 0.6，每回合 ρ ≥ 0.5 | **0.685 / 0.659** |
| V2 — 每事件 P/R | 每个事件 P ≥ 0.7 且 R ≥ 0.7 | **所有 16 个事件 ≥ 0.70 / 0.70** |
| V3 — 优于启发式 | ρ 提升 > 25%，结构 P ≥ 0.6 | **+202.4% 提升，P=R=1.00** |
| V5 — 跨领域 | 每回合 ρ ≥ 0.4 且 每对话 ρ ≥ 0.48 | **最小 0.517 / 0.718** |
跨嵌入稳定性：ρ_conv 扩散 **0.026**，ρ_turn 扩散 **0.018**，跨三个句子转换器后端（22M / 33M / 110M 参数）。保真度信号存在于对话结构中，而不是嵌入流形中。（注意：跨嵌入稳定性在同一语料库上与跨语料库 OOD 不同；第一个第三方在 MT-Bench 成对标签上运行给出 ρ = 0.039；参见证据包 §Fix 4。）
补救措施来源：[`DESIGN_FIXES_redteam_remediation.md`](docs/reviews/DESIGN_FIXES_redteam_remediation.md)
完整证据包：[`docs/reviews/V0_2_0_EVIDENCE.md`](docs/reviews/V0_2_0_EVIDENCE.md)
---
## 部署
### 自托管 Docker（MCP 服务器在端口 3847）
```bash
cd deploy/docker
docker compose up
```
Horizon 通过 SSE 提供 MCP API。请将 `.cursor/mcp.json` 指向 `http://localhost:3847/sse`。Dockerfile 在构建时预缓存了 `all-MiniLM-L6-v2` 权重 — 零冷启动。
### 托管（DigitalOcean 应用平台）
官方托管端点位于 `https://horizon.leocelis.com`。它在 DigitalOcean 应用平台（单个实例，进程内会话状态 — 会话在重启后不存活）上运行，需要 Bearer token，按密钥限制速率并隔离。请参见上面的 [路径 1](#path-1--hosted-mcp-fastest-zero-install)。
---
## 开发
```bash
git clone https://github.com/leocelis/horizon.git
cd horizon
python -m venv .venv && source .venv/bin/activate
pip install -r requirements-dev.txt
pytest tests/ -v # 完整套件
pytest tests/unit tests/integration tests/e2e -v # 快速路径（~6 分钟）
ruff check src/ tests/
black --check src/ tests/
./scripts/compliance/check.sh # 欧盟 AI 法案离线门控
```
### ComplyEdge TrustLint — 欧盟 AI 法案
Horizon 在 LLM 面向的工件上集成了 **[ComplyEdge](https://complyedge.io)** TrustLint — 与 [IVD](https://github.com/leocelis/ivd) 相同的离线 + 运行时 + 信任模式。
| 层 | 内容 |
|-------|------|
| **离线（必需）** | `./scripts/compliance/check.sh` — 扫描 `horizon_intent.yaml` + `horizon-monitor.mdc` |
| **运行时（BYOK）** | `./scripts/compliance/runtime_check.sh` — 提供 [实时密封](https://api.complyedge.io/v1/public/badge/horizon.svg) + [信任页面](https://trust.complyedge.io/horizon) |
| **CI 门控** | `.github/workflows/ci.yml` 作业 `compliance` + 可选 `compliance-runtime` |
| **代理规则** | `<BEGIN-COMPLYEDGE v1.0>` 在 `docs/cursor-rules/horizon-monitor.mdc` 中 |
集成指南：[`docs/integrations/COMPLYEDGE.md`](docs/integrations/COMPLYEDGE.md)。CE 采用指南：[`oss-trustlint-adoption-guide.md`](https://github.com/ComplyEdge/complyedge-platform/blob/main/docs/development/oss-trustlint-adoption-guide.md)。
---
## 仓库布局
```
horizon/
├── src/horizon/ # 包源代码（PEP 517/518 src/ 布局）
│ ├── engines/ # IGT, D_JS, TWR, 一致性, 保真度, epsilon, 模式
│ ├── spacetime/ # 时间，昼夜，指示，速度，区间， 光锥，空间
│ ├── events/ # 16 事件评估器
│ ├── integrations/ # OpenAI, Anthropic, LangChain, 导出目标
│ ├── mcp/ # MCP 服务器 + CLI
│ └── storage/ # 可选 SQLite 持久性
├── tests/ # 单元测试 / 集成测试 / 端到端测试 / 性能测试 / 验证
├── examples/ # 可运行的框架演示
├── deploy/ # Procfile, build.sh, runtime.txt, docker/
├── docs/
│ ├── product/ # 公共产品概述
│ ├── content/ # 已发布的对话动态监控文章
│ ├── integrations/ # Cursor / Claude Desktop / Copilot 设置指南
│ ├── cursor-rules/ # horizon-monitor.mdc（规范 Cursor 代理规则）
│ ├── spec/ # HORIZON_TECH_SPEC.md + intent.yaml
│ └── reviews/ # 端到端审查，验证证据
└── pyproject.toml
```
---
## 背景
Horizon 的设计灵感来自 **跨视界通信协议（THCP）**，一个将人类-AI 通信映射到广义相对论隐喻的推测性框架。五个 THCP “猜想” 是 **设计直觉，而不是已证明的定律** — 每个猜想都很有用，因为它指向一个具体、可计算的信号：
| THCP 猜想（隐喻） | 它启发的计算信号 |
|---|---|
| **THCP-1** — 不可减少的本体损失 ε > 0 | `epsilon_t` — 估计意图/响应间隙宽度 [0, 1] |
| **THCP-2** — 存在一个最优长度 T\*，超出该长度后保真度会下降 | IGT 趋势收敛检测（`signal.convergence`, `estimated_t_star`） |
| **THCP-3** — 通信需要编码/解码伴随 | `consistency_score` — 双向嵌入可预测性 |
| **THCP-4** — 全局一致性需要跨回合的“层叠粘合” | 跨回合矛盾 / 声明一致性检查 |
| **THCP-5** — 最优轨迹位于“光锥”附近 | `reachable_fraction` — 保留 × 先前回合的相似性 |
THCP 仅为 **设计动机** — 参见 [`docs/product/THCP_FIDELITY_MONITOR_PRD.md`](docs/product/THCP_FIDELITY_MONITOR_PRD.md) 以获取完整的猜想-信号映射。
---
## 社区
- **请求 Alpha 访问权限：** [打开讨论 →](https://github.com/leocelis/horizon/discussions/new?category=q-a)
- **提问：** [GitHub 讨论](https://github.com/leocelis/horizon/discussions/new?category=q-a)
- **错误报告：** [GitHub 问题](https://github.com/leocelis/horizon/issues/new)
- **贡献：** [CONTRIBUTING.md](CONTRIBUTING.md)
---
## 许可证
MIT — 参见 [LICENSE](LICENSE)。
---
## 法律
| 文档 | 目的 |
|----------|---------|
| [LEGAL.md](LEGAL.md) | 完整的法律通知：Horizon 是/不是什么，高风险领域警告，性能声明范围，欧盟 AI 法案分类，基础钩子隐私，责任限制 |
| [TERMS_OF_SERVICE.md](TERMS_OF_SERVICE.md) | 约束托管服务器访问和商业使用的条款 |
| [PRIVACY_POLICY.md](PRIVACY_POLICY.md) | GDPR 第 13 条合规的隐私通知 — 收集的数据和您的权利 |
| [DATA_PROCESSING_AGREEMENT.md](DATA_PROCESSING_AGREEMENT.md) | GDPR 第 28 条 DPA 模板，供欧盟企业用户使用（通过电子邮件请求） |
| [SECURITY.md](SECURITY.md) | 责任披露政策；已知的自托管安全考虑因素 |
**性能声明：** +15.7% 的质量提升和 87% 减少幻觉事件的数据在本 README 中来自 **合成、脚本控制的 A/B 场景**，具有手动调整的参考控制器 — 不是生产流量，也不是领域内的验证语料库（V1-V5 gate 使用单独的标记集）。结果可能因领域、模型和部署配置而异。在进行您自己的领域特定评估之前，请勿将这些数据用于外部营销。有关完整的范围和证据基础，请参见 [LEGAL.md §5](LEGAL.md#5-performance-claims--scope-and-substantiation)。
**高风险领域：** 请勿在医疗、法律、金融或紧急服务等高风险领域中以 **活动** 模式启用事件类型，而无需领域特定验证和人工监督。有关详细信息，请参见 [LEGAL.md §4](LEGAL.md#4-high-stakes-domain-warning)。
<!-- mcp-name: io.github.leocelis/horizon-fidelity-monitor -->
MCP 配置
以下是此 MCP Server 的配置信息，可直接复制到 Cursor 或其他 MCP 客户端中使用。
mcp.json
连接信息
猜你喜欢
暂无推荐服务器