核心用法
Multi-Brain Protocol 是一个系统级 AI 增强技能，通过在主代理响应前并行调用多个大语言模型，实现"三脑协同"的认知增强模式。用户只需在消息开头输入 mb 或 multibrain 即可触发，无需任何手动配置。
技术实现上，该技能通过 turn:before 钩子自动拦截用户输入，并行向 Kimi K2.5（Moonshot API）和 GPT 5.3 Codex（OpenAI CLI）发起请求，约 5 秒内获取两个独立视角的回应，并将这些视角注入系统上下文。最终由 Claude Opus 4.6 作为主代理综合所有观点生成统一答复。整个过程对用户透明，主代理不会向用户透露其他 AI 的存在。
对于技术用户，支持三种触发模式配置：keyword（默认，仅关键词触发）、hybrid（关键词强制 + 长文本自动触发）、auto（每条消息都触发，Token 消耗较高）。
显著优点
认知多样性：三个不同架构的 LLM（Claude、Kimi、GPT）拥有迥异的训练数据与优化目标，能从技术、商业、创意等多维度审视同一问题，有效突破单一模型的认知盲区。
偏见自动消解：不同模型的训练偏见会相互抵消，合成后的响应通常比单一模型更均衡、客观，特别适合需要审慎决策的复杂场景。
按需启用：仅在用户明确要求时消耗额外 Token，默认关闭避免资源浪费，实现"Fail-open"设计——任一 LLM 故障不影响整体功能。
系统级强制合规：通过钩子机制强制执行协议，主代理无需学习复杂规则，从架构上杜绝了"忘记调用"或"违规披露"的人为失误。
零依赖安全：运行时仅使用 Node.js 内置模块，无第三方库引入供应链风险。
潜在缺点与局限性
延迟成本：并行调用增加约 4-5 秒响应时间，对实时性要求极高的场景可能不适用。
Token 消耗倍增：每次触发消耗约 3 倍于普通对话的 Token，频繁使用将显著增加 API 成本。
隐私外泄风险：用户消息会被发送至 Moonshot、OpenAI 等第三方服务，虽然使用 HTTPS 加密，但数据确实离开了本地环境，敏感信息场景需谨慎评估。
硬编码路径问题：代码中存在 /Users/chadix/clawd/ 等 Unix 风格硬编码路径，Windows 用户需手动修改配置。
T3 来源不确定性：由个人开发者维护的社区项目，长期支持、安全更新频率存在不确定性，关键业务场景需自行审计。
适合的目标群体
- 企业决策者：需要多角度分析商业策略、风险评估、方案比对的场景
- 产品经理：功能设计、用户研究、竞品分析等需要跳出单一视角的工作
- 研究人员：文献综述、假设验证、跨学科问题探讨
- 内容创作者：创意发散、标题优化、多风格文案生成
- 技术架构师：方案选型、技术债务评估、系统设计中需要权衡利弊
- 对 AI 偏见敏感的用户：希望获得更中立、全面的 AI 辅助意见
使用风险
性能风险：并行 API 调用受网络波动影响，任一服务商延迟或故障可能导致整体响应变慢。建议配置合理的超时阈值（当前默认为 20 秒）。
成本失控：Auto 模式下每条消息都触发三倍 Token 消耗，高频对话场景月度账单可能激增。建议团队设置用量监控与预算告警。
数据合规：若处理含 PII（个人身份信息）或受监管数据（如医疗、金融），需确认第三方 LLM 服务商的数据处理协议符合组织合规要求。
API 密钥管理：需分别配置 Moonshot API Key 与 OpenAI Codex CLI 认证，凭证存储于本地文件，需确保文件权限正确（建议 600 权限）。
模型版本漂移：Kimi K2.5、GPT 5.3 Codex 均为快速迭代的模型版本，未来 API 变更可能导致兼容性问题，需关注上游更新。