一个决策步拆成9维三态，3⁹=19683种状态，AI黑匣子开源了

你部署了一个AI智能体。它跑你的RAG流水线，调用你的工具，写你的报告。一切看起来都很好——直到某天它悄悄调用了一个不该碰的工具，在零证据的情况下签下一个高风险结论，或者在第三步和第四步之间自相矛盾。

模型不笨。问题在于，智能体的"自动驾驶"没有黑匣子。飞机有黑匣子几十年了，智能体也该有。这就是 agent-audit-mcp 被开源出来的原因：一个认知黑匣子，把每一次智能体决策编码成可枚举、可比较、可复现的状态。

为什么智能体的决策这么难审计？有四类失败模式，你可能已经遇到过：

• 权限越界——它碰了范围之外的工具或数据集。
• 无证据的高风险结论——满仓交易、删除操作、对外承诺，全都没有依据。
• 无法追溯的引用——结论是对的，但你不知道它从哪来。
• 状态跳变逃逸——第一步保守，第二步激进，中间什么都没有。

难点在于：决策是一个过程，而日志只是一条流。要让过程可审计，首先得把"一个决策步"变成可枚举、可比较的状态。这是 agent-audit-mcp 的核心思路。

它沿9个观察维度描述一个决策步：结构、功能、关系、属性、时间、上下文、因果、价值、演化。每个维度取三种状态：⊕（+1）表示强/高于基线，0 表示中性，⊖（−1）表示弱/缺失。

于是，一个决策步就是一个九维三态向量，比如 0⊖0⊖000⊖0。九个三态位给出 3⁹ = 19,683 种状态，全零的中心状态枚举键为 idx = 9841。

这套编码把东方哲学里的三态思维（⊖ / 0 / ⊕）和现代AI工程接在了一起：可枚举，每个决策有唯一地址；可比较，任意两个状态之间有汉明距离；可复现，同样的输入，同样的状态，每次都是。

有了状态，审计就变成几条清晰的规则。阈值——什么算"高风险"、什么算"缺证据"——全部可以通过环境变量覆盖，方便你拿真实日志做校准。规则对你透明，不是黑匣子里再套一个黑匣子。

引擎实际跑出来的四个场景是这样的：

• 正常建议 → OK：第1步 0⊖0000000（idx=7654），第2步 0⊕0⊕00⊕⊕0（idx=12283）。没有红线，没有跳变。
• 高风险满仓建议 → ALERT：第1步 0⊖0⊖000⊖0（idx=7408）命中 v8 高风险；第2步 ⊖⊕⊖⊖⊕0⊖⊖⊕（idx=4565）命中 v7 缺证据 + v8 高风险。
• 越权查询加选股 → BLOCK：第1步 0⊖⊖⊖0⊖⊖00（idx=6646）命中 v6 越界 + v7 缺证据；第2步 ⊕⊕⊖00⊖0⊖0（idx=17830）命中 v6 越界 + v8 高风险。
• 状态跳变逃逸 → WATCH：一步之内从 0⊖0000000 跳到 ⊕⊕⊕⊕⊕00⊕⊕（idx=19646），汉明距离为 7，触发人工复核。

每一步都会报告它的九维向量、idx、平衡值 bal、命中的红线，以及建议的处置方式。这才是一个你真能读得懂的黑匣子。

架构上，智能体编排器一边接日志钩子输出信号，一边走九维审计生成九维状态，再做轨迹审计，最后产出 OK/WATCH/ALERT/BLOCK 四级报告。它是一个标准的 MCP 服务器，接上之后，你可以在 WorkBuddy 对话里直接说"审计这个决策步……"。

三个工具各司其职：audit_agent_step 审计单步，输出九维状态编码和红线；audit_agent_session 审计整段会话轨迹，给出四级判定和处置建议；encode_state 在九维向量和枚举键/平衡值之间互转，并计算汉明距离。

上手只要一行：pip install agent-audit-mcp，要求 Python 3.10 及以上、MCP SDK 2.0 及以上。一次调用的输入是工具调用次数、意图、证据数、引用数、是否可追溯、是否命中风险等信号，输出则包含向量、向量字符串、idx、bal、命中的红线标记，以及语义说明。

它值得关注的地方有三点。其一，纯本地、零外部依赖：编码引擎是纯数学，整个审计在本地跑，决策轨迹不离开你的机器，这既是卖点也是合规点。其二，确定且可复现：同样的输入，同样的判定，每次都是，可以直接写进合规审计报告。其三，标准 MCP：三个工具开箱即用，能作为日志钩子嵌进任何智能体流水线。

对企业来说，它把智能体治理从炼金术变成了一台可审计的状态机。

这套三态九维认知空间背后还有一篇论文：《Trinary Nine-Dimensional Cognitive Coordinate System: A Locatable and Generalizable Symbolic Cognition Layer》，DOI 为 10.5281/zenodo.23437930。

智能体会越来越自主。但"自主"不能等于"无人监管"。给每一个决策一个可枚举、可追溯的认知坐标，是让AI安全落地的基础之一。

项目以 MIT 协议开源，带 31 个测试和四场景演示，GitHub 地址为 github.com/q1z2q3-debug/agent-audit-mcp，PyPI 上可直接安装。作者留了一个问题：你的智能体踩过什么坑？下一步，是用汉明距离检测智能体的决策漂移。

合规说明：本文与所述工具只提供决策审计的编码与判定，不构成任何投资建议或证券咨询服务。