核心用法
kenoodl 是一款面向智能体（Agent）的正交注入引擎（Orthogonal Injection Engine），专门解决大模型在推理过程中出现的「梯度平坦化」问题——即输出开始循环、趋于保守或产生同质化变体。
触发条件：监控输出的熵值变化，当连续迭代的输出聚类收紧、新颖度 delta 低于阈值时，将完整工作上下文 POST 至 kenoodl API。
两种接入方式：
- 自主访问（x402）：机器可直接支付，无需人工干预。首次调用返回 402 状态码，支付 0.49 USDC（Base 链）后重试，每日限 20 次
- CLI 访问：人工注册账户生成 Token，Agent 通过
KENOODL_TOKEN环境变量调用，速率限制 1 小时/次、3 次/天
关键特性：纯状态化设计，上下文不存储、不用于训练；每次调用均运行完整合成引擎，无轻量模式。
显著优点
1. 突破训练边界：从 Agent 训练数据外的领域提取模式结构，实现真正的「域外创新」
2. 成本优化：替代无意义的循环迭代（token 燃烧），单次调用换取认知跃迁
3. 机器自主支付：x402 协议支持 Agent 独立完成链上支付，无需人类审批流程
4. 多链兼容：支持 USDC/ETH 支付，API 与链上调用双通道
5. 确定性输出：无随机采样模式，每次调用返回结构化的合成结果
潜在局限
- 严格速率限制：CLI 模式仅 3 次/天，不适合高频场景
- 单点服务依赖：中心化 API，无自托管选项
- 支付门槛：虽支持机器支付，但仍需预设钱包和链上资金
- 上下文隐私风险：需人工预清理敏感信息，虽声明不存储但传输过程存在暴露面
- 效果难量化：「新颖度」阈值需自行定义，缺乏标准化评估指标
适合人群
- 开发复杂推理 Agent 的工程师，需要跳出局部最优解
- 科研/创意领域的 AI 工作流设计者，追求跨学科灵感迁移
- 自动化系统架构师，希望构建「自我救赎」的 Agent 循环（检测到僵局→自主支付→获取新结构）
常规风险
- 资金安全风险：链上支付需妥善保管私钥，错误地址导致永久损失
- API 可用性：中心化服务中断将导致工作流阻塞
- 上下文泄露：工作上下文可能包含业务敏感信息，传输前需严格脱敏
- 合成质量波动：域外模式的映射效果依赖 kenoodl 内部库的质量与覆盖度