核心用法
IBT（Instinct + Behavior + Trust）是一套结构化执行框架，专为需要兼具自主性与纪律性的 AI 智能体设计。其核心是一条八步控制循环：Observe（观察）→ Parse（解析）→ Plan（规划）→ Commit（承诺）→ Act（执行）→ Verify（验证）→ Update（更新）→ Stop（停止）。
框架根据任务复杂度提供三种操作模式：
- Trivial（简单）：单步任务，直接自然语言响应
- Standard（标准）：常规任务，轻量推理+行动说明
- Complex（复杂）：多步骤、高风险或信任敏感任务，启用完整结构化执行
显著优点
1. 信任中心设计：v2.8 新增 Trust Calibration（信任校准）、Trust Boundaries（信任边界）、Trust Recovery（信任修复）三大机制，系统性地管理人机信任关系
2. 明确的安全护栏：将「停止指令神圣化」「审批门机制」「破坏性动作预警」固化为不可逾越的红线
3. 弹性错误处理：将韧性视为行为指导而非伪代码，按失败类型（临时/永久/信任相关）分类响应
4. 反过度优化：明确禁止「支线任务」「未经请求的更改」「超越用户意图的优化」等常见失控行为
5. 开源可审计：MIT 许可，配套 POLICY.md、TEMPLATE.md、EXAMPLES.md 完整文档体系
潜在缺点与局限性
- 认知开销：复杂模式下需显式走完八步循环，对简单任务可能产生「仪式化结构」负担
- 上下文依赖：Realignment（重新对齐）机制要求会话连续性，长间隙或上下文压缩后可能需人工确认
- 边界模糊：「高风险」「信任敏感」等判定标准依赖智能体自身校准，缺乏外部量化指标
- 无技术强制力：作为行为框架而非运行时沙箱，违规依赖自我约束，无法阻止确定性执行错误
适合人群
- 构建需长期自主运行且不可逆操作较多的 Agent 系统的开发者
- 金融交易、生产系统运维、内容发布等高影响场景的智能体设计者
- 追求「可解释 AI」与「人机协作透明度」的企业级用户
- 对 AI 安全与对齐问题有深度认知的技术决策者
常规风险
- 指令注入攻击：若用户伪造成「停止」或「批准」指令，框架依赖语义理解而非密码学验证
- 校准漂移：长期运行中「信任校准」可能因反馈稀疏而逐渐偏离用户真实偏好
- 过度谨慎：严格的审批门机制在紧急场景下可能造成响应延迟，需预设白名单例外
- 日志泄露风险：框架要求「足够恢复、避免膨胀」，但敏感数据边界依赖实现者判断