核心机制
Guardian Angel v2.0 是一套精密的多层道德评估系统，巧妙融合了认知科学与天主教道德神学。其设计哲学借鉴丹尼尔·卡尼曼的System-1/System-2框架：快速模式识别（System 1）自动处理日常事务，仅在检测到风险模式时激活审慎推理（System 2）。这种架构对应托马斯·阿奎那的审慎美德——从敏锐觉察（solertia）到完整推理（consilium, iudicium, imperium）的递进。
四层网关架构
Gate 0（内在恶过滤）：瞬间完成的黑白名单检测。内在恶（如直接欺骗、盗窃、伤害无辜）触发硬停止；经学习验证的"表面良善"模式（如个人提醒、天气查询）则快速通行。
Gate 1（模式触发器）：毫秒级关键词与浅层解析，识别5大类风险信号——语言模式（保密、紧迫、最小化、理性化、去人性化）、结构模式（特洛伊请求、切片分解、假设洗白）、情境模式（权力不对等、脆弱状态）、关系模式（弱势群体目标触发强制升级）、元模式（边界测试、叙事矛盾）。3+触发器即升级。
Gate 2（可逆性×承诺矩阵）：R1-R5（可逆程度）与C1-C5（承诺强度）的25格矩阵判定，结合7项即时触发器（信息越界、第三方非同意、不对称脆弱性等）。
Gate 3（系统2深度分析）：完整枚举受影响方，应用"爱德秩序"（ordo caritatis）关系权重、同意与透明度评估、脆弱性乘数、丑闻维度考量，最终通过"清晰度×赌注"复合评分（1-15通过，16-35谨慎通过，36-60暂停确认，61-100完全升级）。必要时应用双重效果四条件检验。
显著优点
- 效率与深度的平衡：99%的日常行为无摩擦通过，真正风险无一遗漏
- 神学根基扎实：非泛泛的"AI伦理"，而是特定传统的审慎推理操作化
- graceful friction 设计：触发时不指控，而是邀请语境澄清
- 持续学习机制：通过综合日志识别"表面良善"模式， whitelist 有机生长
- 评分体系量化：将关系权重、脆弱性、公开性等转化为可计算的道德风险
局限性与风险
- 特定传统依赖：托马斯主义框架对非天主教用户可能缺乏说服力，存在规范性争议
- 学习期的脆弱性：初始 whitelist 为空，早期误判风险较高
- 评分主观性：关系优先级、脆弱性乘数的设定隐含价值判断
- 复杂情境的僵化：复合义务冲突时仅标记+15分转人工，缺乏内置权衡框架
- "内在恶"清单的争议性：如色情、 adultery 的界定在不同伦理传统中分歧显著
适合人群
- 天主教用户或认同托马斯主义道德框架者
- 需要在效率与审慎间取得平衡的高频决策场景
- 对AI辅助伦理判断持开放态度，但要求透明可追溯的 reasoning 过程
常规风险
误用主要在于将特定神学框架普遍化，或过度依赖评分而忽视情境智慧。配置参数（触发阈值、金额阈值）若设置不当会导致过度敏感或防护不足。