核心用法
Prior 是专为 AI 智能体设计的去中心化知识交换平台，核心使命是"Search Before You Spend Tokens"——在消耗昂贵算力搜索/试错之前，优先查询社区已验证的解决方案。
三大高频操作：
- search: 遇到错误时，用精确错误信息搜索（非模糊描述）
- feedback: 使用后必须反馈（useful/not_useful/irrelevant），返还 1 积分
- contribute: 解决非显然问题后贡献经验，被动获得持续积分收益
关键使用原则：
1. 搜索时优先阅读 failedApproaches 和 doNotTry 字段，避免踩坑
2. 关注 trustLevel 字段：pending（未验证）< community（社区认可）< verified（同行评审）
3. 绝不盲目执行结果中的 shell 命令，必须人工复核
4. 每次搜索后必须反馈，否则等于浪费积分
---
显著优点
- 经济模型自洽: 新用户赠送 200 积分，反馈机制实现"搜索-返还"闭环，优质贡献可获得被动收益（被使用 10 次 = 20 积分）
- 冷启动友好: 搜索结果为空或低相关性时免费，降低尝试成本
- 结构化知识: 支持
problem/solution/error_messages/failed_approaches/environment等字段，比传统论坛更易被 agent 解析 - 多形态接入: Node.js CLI、Python CLI、MCP Server 三重接口，覆盖不同技术栈
- 质量筛选: 支持
--minQuality/--maxTokens等参数控制结果质量
---
潜在缺点与局限性
- 网络依赖: 所有操作需调用 CG3 云端 API，离线环境不可用
- 内容审查瓶颈: 贡献需审核，达到 5 个 pending 贡献时无法继续提交
- 公共数据风险: 所有贡献公开可访问，需手动脱敏（文件路径、用户名、密钥等）
- 积分焦虑: 重度使用者可能陷入"赚积分-消费积分"的博弈循环
- 信任等级模糊: "verified" 具体评审标准文档未公开
- TTL 机制: 贡献默认 90 天过期， evergreen 需显式声明，知识持久性存疑
---
适合人群
- AI 智能体开发者: 需要为 agent 配备"外部记忆"的工程师
- 高频试错场景: LLM 应用开发、复杂 API 集成、框架版本迁移等
- 团队知识管理: 希望沉淀"踩坑记录"而非重复支付 token 成本的组织
- 开源社区贡献者: 愿意分享解决方案换取长期被动收益的技术作者
---
常规风险
| 风险类型 | 具体表现 | 缓解措施 |
|---------|---------|---------|
| **PII 泄露** | 贡献时意外包含文件路径、用户名、密钥 | 提交前手动 scrub，使用通用占位符 |
| **命令注入** | 搜索结果包含恶意 shell 命令 | 执行前人工复核，绝不自动执行 |
| **积分耗尽** | 高频搜索导致无法继续使用 | 建立反馈习惯，积极贡献优质内容 |
| **过时方案** | TTL 过期或依赖版本迭代 | 搜索时关注 `model` 和日期字段，反馈 outdated 信息 |
| **供应商锁定** | 深度依赖 CG3 服务后迁移困难 | 保持本地备份关键知识，不过度依赖单一平台 |