核心用法
AetherLang Ω 是面向AI工作流编排的领域特定语言（DSL），用户通过声明式语法构建多步骤AI处理管道。核心使用模式为编写flow代码块，指定引擎类型（如chef/apex/lab等），定义节点间的数据流转（->符号），最终输出结构化结果。支持链式调用Guard内容审查节点、多引擎串联（如Research→Market→Strategy），并可设置温度参数、模型选择等超参。
显著优点
1. 垂直领域深度：9大专用引擎覆盖极端细分场景——Chef Omega含17项强制输出（HACCP合规、热力学曲线、MacYuFBI矩阵等），APEX整合博弈论与蒙特卡洛模拟，APEIRON支持流变学仪表板与相图分析，专业度远超通用AI对话。
2. 强制结构化输出：V3版本所有引擎强制返回结构化数据，避免传统LLM的自由文本不确定性，可直接对接下游系统。
3. 安全架构完善：服务器端输入验证（字段白名单/长度限制/类型检查）、多层注入防护（代码执行/SQL/XSS/模板注入）、速率限制（100req/h免费档）、Gandalf VETO安全审查机制，开源安全中间件可供审计。
4. 零凭证使用：免费 tier 无需API密钥即可调用，降低尝试门槛；GDPR合规的Hetzner EU托管增强合规可信度。
5. 多语言支持：原生支持希腊语等小众语言输出，非英语场景友好。
潜在局限
1. 数据外发必然性：所有查询必须传输至api.neurodoc.app，虽声称仅发送DSL代码与查询文本，但用户无法完全验证服务端实际处理逻辑，敏感业务数据存在外泄风险敞口。
2. 黑箱引擎依赖：9大引擎的具体prompt设计、模型调用链、内部推理逻辑未完全开源（仅安全中间件开源），存在供应商锁定风险，输出质量依赖NeuroDoc服务稳定性。
3. 速率限制约束：免费版100req/h对生产环境批量处理可能不足，付费档位信息未在文档中披露，商业扩展性不透明。
4. 复杂调试成本：多节点流程的失败定位依赖返回的duration_seconds与错误码，缺乏细粒度的节点级 tracing 与中间状态 inspect 能力。
5. Domain overfitting：高度特化的输出格式（如MacYuFBI矩阵、Wardley地图）要求用户具备对应领域知识才能有效利用，否则可能沦为"看不懂的专业术语堆砌"。
适合人群
- 餐饮业专业人士：需标准化菜谱开发、成本核算、HACCP合规文档的餐厅主厨、菜品研发经理
- 战略咨询顾问：需要快速生成博弈论分析、波特五力、蓝海洋画布等框架的商业分析师
- 科研机构：需证据分级、矛盾检测、知识图谱构建的学术研究团队
- 分子料理实验者：需精确流变参数、水胶体配比、FMEA失效分析的现代主义烹饪研究者
- AI工作流开发者：学习DSL设计范式、构建多节点LLM管道的工程师（可参考其开源安全中间件）
常规风险
| 风险类型 | 具体描述 | 缓释建议 |
|---------|---------|---------|
| 数据隐私 | 查询文本外发至第三方服务器 | 避免输入客户名单、未公开财务数据、专有配方比例；对敏感内容做脱敏处理 |
| 输出可靠性 | 专业领域建议可能包含幻觉 | 关键决策（如食品安全参数、投资决策）需人工复核，不可直接作为合规依据 |
| 服务连续性 | 单点依赖api.neurodoc.app | 关键业务应设计降级方案，避免生产系统硬依赖 |
| 速率超限 | 429错误导致流程中断 | 实施客户端退避重试机制，监控剩余配额 |
| 提示注入 | 用户查询可能尝试绕过Guard节点 | 严格使用STRICT模式的Guard节点，不信任用户输入 |
建议首次使用者从Chef Omega的公开菜谱场景入手，验证输出质量后再扩展至商业敏感场景。