Santa Method 是一个多智能体对抗式验证框架，核心思路是“列清单、查两遍”：单个智能体审查自己的输出会继承产生该输出的偏见、知识盲区和系统性错误，因此改用两个无共享上下文的独立审查者来打破这一失效模式。
用途：在输出将被发布、部署或由最终用户消费时启用，例如合规/监管/品牌约束必须执行、代码无人工审查直接上生产、内容准确性重要（技术文档、教育材料、面向客户的文案）、大规模批量生成、幻觉风险较高（声明、统计、API 引用、法律措辞）等场景。内部草稿、探索性研究或可用构建/测试/lint 等确定性验证的任务不建议使用。
主要能力与流程：分为四个阶段。阶段一生成：按正常流程产出交付物，Santa Method 是生成后的验证层，不改变生成策略。阶段二双重独立审查：并行启动两个审查智能体，关键不变量是上下文隔离（互不可见对方评估）、相同评分标准、相同输入（原始规格与生成输出）、结构化输出（返回类型化判定而非散文）。阶段三判定门：两个审查者都 PASS 才为 NICE 可发布，否则为 NAUGHTY，合并去重双方标记的问题与建议。阶段四修复循环：修复所有关键问题后，用全新智能体重新运行两位审查者，最多迭代 3 次，超出则升级人工。每轮必须使用全新审查者，避免锚定偏差。
评分标准设计：每条标准需有客观通过/失败条件，覆盖事实准确性、无幻觉、完整性、合规性、内部一致性、技术正确性，并可按内容营销、代码、合规敏感领域扩展。
实现模式：推荐 Claude Code 子智能体（真正上下文隔离、并行）；不可用时用顺序内联加显式上下文重置作为回退；大批量（100+ 项）可用分层抽样（10-15%，最少 5 项）降低成本。
限制与失败模式：可能无限循环（设最大迭代 3 次并升级）、橡皮图章（用对抗性提示）、主观漂移（收紧评分标准）、修复回归（每轮新审查者）、审查者一致盲区（独立性只能缓解不能消除，关键输出可加第三审查者或人工抽查）、成本膨胀（抽样与预算上限）。成本约为单独生成的 2-3 倍 token。可跟踪首次通过率、平均收敛迭代数、问题分类、审查者一致率、逃逸率等指标。资料未提供具体安装命令、价格与平台支持信息。