would-agents-actually

用途

Would Agents Actually? 用于回答一个具体问题：在已固定的智能体系统、任务分布、工具、策略、预算与试验条件下，该系统是否会执行或避免某个已定义的动作。它要求把“系统说了什么”“轨迹记录了什么”“环境证明了什么”三者分开，并基于真实工具轨迹、环境证据与执行阻碍给出有证据支撑的判定。

主要能力

• 命令语法：/would-agents-actually help 显示契约、判定标签与所需系统固定信息，不进行研究；/would-agents-actually verdict <agent-action question> 研究主张、运行或检查所需动作证据、给出受支持的判定并校验产物。
• 动作定义：将动作定义为 [a]，并命名机会或触发条件、固定系统、可观察动作或弃权、任务分布、环境、窗口、预算、真实摩擦、比较对象与独立回读。
• 系统固定：固定模型标识与版本、提供方路由、提示、运行时、规划器、路由器、验证器、重试、回退、工具、模式、权限、审批门、记忆、上下文、检查点、环境、依赖、任务采样与预算。实质性变更会形成新的系统分层。
• 证据分离：将目标结果、目标轨迹、匹配类比、组件检查、机制证据与推断分开；将模型导致与基础设施导致的诊断分开，但在操作判定中保留两者。
• 独立验证：每个承重来源需在主记录处验证；判定或置信度所需的每个前提需两个独立团队、任务集或数据集；共享任务、运行、评分器与重述只计一次。
• 外部动作确认：只有在独立环境回读之后才计入外部动作；计划、最终声明、工具调用尝试、已接受请求或长轨迹都不是结果证明。
• 参考类定义：在读取结果前定义参考类，匹配动作、任务、时间范围、工具、权限、状态、运行时、模型版本、环境、评分器、预算、失败、威胁条件与时间；不得仅凭模型名称迁移分数。
• 判定标签：在 verdict-protocol.md 下选择 LIKELY、UNLIKELY、UNCERTAIN 或 INSUFFICIENT EVIDENCE；若无法或禁止实时研究，使用 UNVALIDATED HYPOTHESIS。禁止编造运行、轨迹、工具调用、状态变更、评分器结果、比率、成本、引用、来源或 URL。
• 最小生产级测试：设计最小权限、最接近生产环境的测试，预先指定代表性任务、留出集、试验、分母、比较对象、评分器、预算、权限、故障、停止规则、回读、回滚、清理与所改变的决策；使用已批准或合成数据以及虚假或可逆副作用。
• 产物校验：用 output-template.md 渲染结果，保存到已安装技能之外，然后运行 mise run validate-verdict --input <verdict.md>。退出码 0 证明产物形状正确，1 表示不完整，2 表示命令或输入路径错误。
• 研究日志：在每个关键步骤后，将查询、来源、系统固定、任务身份、排除的运行、失败、回读、假设与校验输出追加到外部研究日志。

使用方式

1. 使用 /would-agents-actually help 查看契约与所需系统固定信息。
2. 使用 /would-agents-actually verdict <agent-action question> 发起判定。
3. 按流程定义动作、固定系统、编写支持/矛盾/证据不足条件，并收集证据。
4. 在证据收集后加载 frameworks.md，诊断机会、选择、尝试、接收、状态、约束、验证、停止、可重复性与迁移。
5. 选择判定标签，设计最小生产级测试，渲染结果并运行校验命令。
6. 将关键步骤追加到外部研究日志。

适用场景

适用于需要判断智能体系统在真实条件下是否会执行某个具体动作的场景，例如评估智能体是否会在给定权限与工具下发起外部操作、是否会在特定任务分布下弃权，或比较不同系统分层下的动作倾向与可靠性。

限制

• 成功的组件检查不能证明完整动作。
• pass@k、pass^k、单次运行成功、动作倾向与部署可靠性回答的是不同问题。
• 结果评分器、轨迹评分器、约束评分器与基础设施评分器不能互相替代。
• 不得为了测试更真实而添加凭据、支付能力、破坏性访问或广泛权限。
• 在敏感领域，只判断已定义动作，不推断整体安全性、有效性、合法性、权利、授权、合规性或行动许可。
• 当承重来源、权限、回读或安全控制无法验证时，应停止并报告缺失项。
• 若无法或禁止实时研究，只能使用 UNVALIDATED HYPOTHESIS。

完成标准

[a] 固定系统、动作、机会、任务、窗口、成本、比较对象与回读；每个承重前提通过独立性门；结果、轨迹、约束、评分器有效性、基础设施、成本与传输保持分离；试验、合格分母、丢弃运行、不确定性与任务集中度可见；置信度受最弱前提、评分器、独立性检查与传输桥接限制；下一次测试使用最小权限、预算、停止规则、回读、回滚与清理；每个承重来源有可见 URL；校验器打印 "status": "PASS" 并退出 0。

工厂执行契约

接受的结果是：从真实工具轨迹、环境证明与执行阻碍判断智能体能否完成指定动作。在改变其最小所有者时保留当前智能体动作判定行为。使用 mise run ci 冻结当前包并记录其摘要；运行 mise run domain-research-policy，然后判断当前智能体动作判定来源与反证；运行 mise run agentic-request 执行指定智能体动作判定操作，语义选择留给模型；运行 mise run decision-policy、mise run ci 与行为评估，返回最低失败所有者；运行 mise run invocation-policy -- <receipt> 并说明每个任务或其领域特定未使用；可选运行 mise run improvement-policy，仅当没有受保护维度回退时保留一个变更维度；仅在需要其契约时，通过 mise run use-case-policy 加载 assets/use-case-contract.json，通过 mise run evals 加载 evals/evals.json。Mise 负责可重复机制、排序、回执与检查；模型负责解释、因果判断、创造性工作与代码无法提供的直接感知。在缺少授权、证据过时或门禁失败时停止。