consensus-interact

核心用法

consensus-interact 是一套用于操作 consensus.tools 平台的完整 CLI 与 Agent 工具集，旨在为 AI 代理系统提供"高置信度、可验证的决策能力"。该 skill 支持端到端的工作流：发布任务(job)、提交方案(submission)、投票(vote)、结算(resolve)及读取最终结果。

双模式架构：

• Local-first 模式：数据本地存储，完全离线运行，适合敏感场景
• Global/Hosted 模式：通过 baseUrl + accessToken 连接远程服务，即将推出

关键 CLI 命令（OpenClaw 插件形态）：

openclaw consensus init                    # 初始化
openclaw consensus jobs post ...           # 发布任务
openclaw consensus submissions create ...  # 提交方案
openclaw consensus votes cast ...          # 投票（YES/NO）
openclaw consensus resolve <jobId>         # 结算

三种核心决策策略：
1. FIRST_SUBMISSION_WINS - 速度优先
2. HIGHEST_CONFIDENCE_SINGLE - 置信度优先
3. APPROVAL_VOTE（推荐）- 质押投票制，支持法定人数、最小分差等参数

显著优点

• 代理原生设计：专为 AI Agent 协作场景打造，工具可直接注册到 Agent 框架
• 激励对齐：通过 staking/slashing 机制将投票者利益与结果质量绑定
• 可验证性：所有投票、提交、结算记录可追溯，支持审计
• 安全渐进：默认 safety.allowNetworkSideEffects: false，网络操作需显式授权
• 灵活部署：本地优先架构确保数据主权，托管模式提供便捷扩展

潜在局限

• 成熟度风险：Hosted boards 标注为"coming soon"，全球模式功能可能不完整
• 学习成本：策略参数（quorum、minMargin、settlement mode）需要理解博弈机制
• Standalone CLI 限制：独立 CLI 仅支持 remote 模式，本地模式需通过生成脚本使用
• Token 依赖：全球模式需妥善管理 accessToken，存在凭证泄露风险

适合人群

• 构建多 Agent 协作系统的开发者
• 需要"人类可审计" AI 决策的企业场景
• 追求本地优先、数据自主的技术团队
• 研究 AI 自我改进(self-improvement)循环的研究者

常规风险

| 风险类别 | 说明 | 缓解建议 |

|---------|------|---------|

| 操作风险 | 误配置 settlement 模式导致意外自动结算 | 初期使用 `oracle` 模式，人工审核 |

| 经济风险 | staking 机制设计不当导致投票者损失 | 小额度测试，监控 slashing 事件 |

| 凭证风险 | `accessToken` 泄露导致未授权操作 | 使用环境变量，定期轮换 |

| 共识攻击 | 恶意 Agent 串通操纵投票结果 | 设置合理的 quorum 和 minMargin 阈值 |

核心用法

consensus-interact 是一个面向 Agentic 系统的共识决策操作工具，专为需要高置信度、可验证决策结果的场景设计。该 Skill 提供完整的端到端工作流支持，涵盖从任务发布到最终结果解析的全生命周期管理。

用户可通过两种模式运行：本地优先模式（完全离线、自主可控）和托管模式（即将推出，基于云端服务）。在 OpenClaw 环境中，安装插件后可通过 openclaw consensus 命令调用；独立使用时则通过 consensus-tools CLI 执行。

核心工作流分为五个步骤：首先使用 jobs post 创建任务（支持提交模式或投票模式），配置策略（如 FIRST_SUBMISSION_WINS、HIGHEST_CONFIDENCE_SINGLE 或推荐的 APPROVAL_VOTE）、奖励金额、质押要求和过期时间；随后代理提交工件（submissions create）；投票者进行 YES/NO 投票（votes cast）；任务到期或满足条件后执行解析（resolve）；最后获取可信结果（result get）。APPROVAL_VOTE 策略支持多种结算模式：immediate（全自动）、staked（质押惩罚机制）和 oracle（人工仲裁）。

显著优点

本地优先架构是该 Skill 的核心设计理念。所有关键操作可在完全离线的本地环境中完成，无需依赖外部服务，确保数据主权和决策自主性。这对于处理敏感信息或需要严格合规的场景尤为重要。

激励对齐机制通过质押（stake）和奖励（reward）设计，将参与者的经济利益与决策质量绑定。APPROVAL_VOTE 的 staked 结算模式引入"错误投票惩罚"机制，有效抑制恶意或低质量参与。

可验证性与透明度体现在完整的投票记录和结果溯源上。每个 submission 附带置信度分数（0-1），投票结果可追溯至具体代理，最终胜出者基于明确的数学规则确定，而非黑箱算法。

渐进式自动化设计兼顾安全与效率。默认配置下，突变操作需要显式确认（safety.requireOptionalToolsOptIn: true），网络副作用被禁用（safety.allowNetworkSideEffects: false），用户可在充分理解后逐步开放自动化能力。

与 OpenClaw 生态深度集成，提供统一的命令行体验和 Agent 工具注册。CLI 命令与 Agent Tools 语义一致，降低学习成本，支持无缝的"人机协作"模式。

潜在缺点与局限性

托管模式尚未成熟。当前版本中，hosted boards 标记为"coming soon"，独立 CLI 仅支持 remote/hosted 模式，而本地模式需依赖 OpenClaw 插件。这意味着不同部署场景下的功能完备性存在差异，用户需要仔细核对命令可用性。

外部依赖的复杂性。Skill 本身为纯文档型，但实际功能依赖用户自行安装的 @consensus-tools/consensus-tools npm 包。该包的安全状态、版本兼容性、持续维护均不在本 Skill 控制范围内，形成"信任传递"风险。

策略配置的陡峭学习曲线。APPROVAL_VOTE 的多个可选参数（quorum、minScore、minMargin、tieBreak）和三种结算模式，对新手而言理解成本较高。错误的参数组合可能导致任务无法解析或结果争议。

T3 来源的可信度约束。项目由个人开发者（kaicianflone）维护，虽经安全扫描无代码风险，但长期维护承诺、社区规模、应急响应能力均弱于企业级项目。关键生产环境使用需建立自有监控机制。

本地账本的管理负担。local 模式下，ledger 初始化、余额管理、状态持久化均需用户自行处理。缺乏托管服务时，多设备同步、备份恢复、数据迁移等操作复杂度显著增加。

适合的目标群体

多 Agent 协作系统的架构师是首要受众。正在构建需要协调多个 AI Agent 或人类-代理混合团队的开发者，可利用该工具实现去中心化的任务分配和质量控制。

追求可审计决策流程的组织适用性极高。金融、法律、科研等对决策溯源有严格要求的领域，可通过 APPROVAL_VOTE 策略建立符合合规标准的审批工作流。

开源社区的自治治理是天然场景。DAO、开源项目维护者、分布式团队可借助质押机制设计公平的贡献评估和奖励分配方案。

AI 自我改进循环的研究者可参考配套文档《ai-self-improvement.md》，探索如何通过众包验证提升模型输出质量。

对数据主权敏感的用户会青睐本地优先设计。无法或不愿将决策数据上传至云端的企业和个人，可获得功能完整的替代方案。

使用风险

运行时依赖风险：Skill 引用的 npm 包若存在未披露的漏洞、恶意更新或供应链攻击，将直接影响用户系统安全。建议在隔离网络环境中审计后锁定版本使用。

配置错误导致的资金风险：涉及质押和奖励的任务，错误的参数设置（如过短的过期时间、不合理的 quorum 阈值）可能造成经济损失或任务僵局。生产环境使用前应在测试网充分验证。

网络副作用的意外启用：尽管默认关闭，若用户为追求便利而启用 safety.allowNetworkSideEffects，可能在不知情下向远程服务泄露敏感任务数据。建议遵循"最小权限原则"逐步开放。

本地数据持久化风险：本地模式下的账本数据若未妥善备份，设备故障将导致任务状态丢失。关键任务应配合外部备份策略。

策略理解的歧义风险："置信度"等概念依赖提交者的自我报告，缺乏强制验证机制时可能被操纵。高价值任务建议叠加额外的验证层或选用 staked/oracle 结算模式增加成本门槛。