核心用法
AetherLang Ω V3 是一款面向 AI 工作流编排的领域专用语言（DSL），用户通过声明式语法构建多节点处理管道。核心交互模式为：
1. 定义 Flow：使用 flow <Name> { ... } 语法声明工作流
2. 指定引擎：从 9 个 V3 引擎中选择节点类型（chef/molecular/apex/assembly/oracle/consulting/marketing/lab/analyst）
3. 链式编排：通过 NodeA -> NodeB -> NodeC 串联多节点
4. 提交执行：将 Flow DSL 代码与用户查询发送至 api.neurodoc.app/aetherlang/execute
典型应用场景：
- Chef Omega：17 项强制输出的专业菜谱开发（成本%、HACCP、热力学曲线、配酒、摆盘蓝图）
- APEX Strategy：博弈论 + 蒙特卡洛模拟的商业战略分析
- GAIA Brain：12 神经元投票系统的多智能体决策
- Research Lab：证据分级、矛盾检测、可重复性评分的学术研究辅助
显著优点
- 结构化输出强制：V3 引擎均要求结构化输出，避免 LLM 常见的自由发挥
- 零凭证门槛：免费 tier 提供 100 req/hour，无需 API key 即可使用
- 专业深度：如 Chef 引擎的 MacYuFBI 质地矩阵、Oracle 引擎的贝叶斯更新与凯利准则投注规模计算
- 安全透明：安全中间件源码公开（GitHub），Hetzner EU 托管 GDPR 合规
- 多语言支持：原生支持希腊语等本地化输出
潜在缺点与局限性
- 外部 API 依赖：所有请求必须发送至
api.neurodoc.app，存在单点故障与网络延迟风险 - 数据出境：用户查询内容需传输至德国 Hetzner 服务器，对高度敏感场景不适用
- 速率限制严格：免费 tier 仅 100 req/hour，高并发场景需付费升级
- DSL 学习曲线：声明式语法虽简洁，但 39 种节点类型的参数体系需时间掌握
- 引擎黑箱性：虽安全中间件开源，但 9 个 V3 引擎的内部 system prompt 未完全公开
适合人群
- 专业厨师 / 餐饮创业者（需要标准化菜谱与成本核算）
- 战略咨询师 / 投资人（需要博弈论与蒙特卡洛模拟支撑决策）
- 学术研究者（需要证据分级与矛盾检测辅助文献综述）
- 数据分析师（需要自动化统计测试选择与因果推断）
常规风险
| 风险类别 | 具体表现 | 缓解措施 |
|---------|---------|---------|
| 数据隐私 | 查询文本上传至第三方服务器 | 避免在 query 中嵌入 PII、密码、商业机密 |
| 内容安全 | GUARD 节点可配置 STRICT/MODERATE/PERMISSIVE 三档过滤 | 敏感场景启用 STRICT 模式 |
| 依赖风险 | 服务中断或 API 变更 | 关注 GitHub 仓库更新，保留本地备份方案 |
| 输出可靠性 | AI 生成的 HACCP/财务预测需人工复核 | 关键决策必须交叉验证 |
技术实现
- 后端：FastAPI + Python 3.12
- AI 层：GPT-4o via OpenAI
- 解析器：39 节点类型，字段白名单验证（仅 code/query/language）
- 安全层：注入防护（eval/exec/SQL/XSS/OS 命令/模板注入），请求体限制 50KB