核心用法
Peer Review 是一种模型输出质检机制，通过将云端大模型（如Claude）生成的分析文本分发给2-3个本地运行的轻量级LLM（Mistral 7B、TinyLlama 1.1B、Llama 3.1 8B），并行生成独立批判，再由聚合器进行去重和共识判定，最终输出「发布/修订/人工复核」建议。
典型触发场景包括：交易分析验证、Agent输出质量审查、高风险Claude输出发布前的最后一道防线。
---
显著优点
1. 成本可控：本地模型推理零API费用，适合高频次、大批量内容审查
2. 延迟可接受：单次审查30-60秒，对非实时决策场景友好
3. 错误类型覆盖全：系统定义了5类错误（事实错误、逻辑谬误、信息遗漏、过度自信、幻觉引用），并配备结构化JSON输出格式
4. 可量化的质量门槛：明确设定TPR≥30%、FPR<50%的及格线，以及TPR≥50%、FPR<30%的优秀标准，便于持续迭代
5. 共识机制降误报：要求≥2个模型一致才标记为高置信度问题，有效抑制单模型偏见
---
潜在局限
- 短文本失效：<50词的输入难以触发有意义的批判
- 领域知识瓶颈：高度专业化内容（如前沿医学、法律细节）可能超出本地模型知识边界
- 创意内容不适用：事实性审查对小说、诗歌等创作类型无意义，仅能检测逻辑一致性
- 基础设施依赖：需本地部署Ollama并维护3个模型，硬件资源（尤其GPU）有门槛
- 共识≠正确：多模型一致犯错的可能性未被充分讨论
---
适合人群
- 金融/法律/医疗等高风险领域的内容审核团队
- 需要批量验证AI Agent输出的自动化工作流开发者
- 对幻觉和过度自信问题高度敏感的Claude重度用户
- 具备本地模型运维能力的技术团队
---
常规风险
1. 虚假安全感：系统假设「本地模型能找到≥30%错误」，但实际表现高度依赖提示工程和领域适配
2. 延迟累积：若审查未通过需人工介入，整体流程可能显著拖慢决策节奏
3. 模型同质化：Mistral/Llama系模型可能存在共同训练偏差，导致共识机制失效
4. 维护负担：模型版本更新、本地服务稳定性、结果存储目录管理均需持续投入