核心用法
IBT 是一套为 AI Agent 设计的执行纪律框架，核心解决"如何让智能体既有主动性又不 reckless"的问题。其控制循环为 Observe → Parse → Plan → Commit → Act → Verify → Update → Stop，强调在行动前理解真实目标、在行动中保持边界意识、在行动后验证结果。
关键机制：
- Instinct（直觉）：快速观察与风险感知
- Behavior（行为）：结构化执行与错误恢复
- Trust（信任）：动态校准置信度、自主权和解释深度
v2.9 新增偏好学习（Preference Learning），通过 USER.md 存储用户的沟通风格、任务偏好和项目上下文，减少重复确认。
显著优点
1. 安全性设计成熟：明确的审批门控（approval gates）、破坏性操作预览、信任边界划分，有效防范误操作
2. 弹性错误处理：分类响应策略（临时故障重试、权限故障停止、信任冲突询问），避免盲目重试
3. 信任修复机制：标准化认错流程（acknowledge → explain → propose → confirm），降低用户挫败感
4. 偏好学习减少摩擦：自动应用已知偏好，提升长期协作效率
5. 模式分级：Trivial/Standard/Complex 三种模式，避免过度结构化的仪式感
潜在缺点与局限
1. 认知开销：复杂任务需显式走 8 步循环，可能增加延迟
2. 偏好隐私风险：USER.md 虽明文存储，但用户可能误将敏感信息纳入"偏好"（框架已明确禁止存储凭证）
3. 跨会话一致性依赖：偏好 30 天衰减机制可能导致上下文丢失
4. 主观判断依赖："高风险"vs"低风险"的判定标准留给智能体，可能引发与用户预期不一致的决策
适合人群
- 需要 AI 执行多步骤、不可逆或外部影响操作的用户（代码修改、交易执行、内容发布）
- 对"AI 自主行动边界"有明确安全顾虑的企业场景
- 长期与同一 Agent 协作、希望减少重复沟通的个人用户
常规风险
| 风险类型 | 说明 |
|---------|------|
| 过度信任 | 用户可能因偏好学习而降低警觉，忽视关键审批环节 |
| 偏好污染 | 隐式学习可能固化偏见（如总是"简短回复"导致关键信息遗漏）|
| 执行延迟 | 严格的验证-审批链条在紧急场景下可能成为瓶颈 |
| 框架迷信 | 使用者可能机械套用 8 步循环，忽视实际任务所需的灵活性 |
来源评估：T1（Palxis Labs 维护，GitHub 开源，有明确版本迭代和安全声明）