核心用法
Quorum 是一个多智能体验证框架，通过启动多个独立的AI评审员（critics）对AI生成的产物（artifact）进行结构化审查。用户通过CLI指定目标文件和评分标准（rubric），框架自动协调多个LLM实例并行评估，最终输出结构化的裁决结果。
基础工作流程：
1. 预筛选（Pre-screen）：10项确定性检查，包括凭证泄露、PII、语法错误、断链、TODO等
2. 多评审员评估：根据深度配置启动2-5个专业评审员（正确性、完整性、安全性、测试员、代码规范）
3. 证据驱动：每项批评必须引用具体证据位置
4. 结构化裁决：PASS / PASS_WITH_NOTES / REVISE / REJECT
深度配置：
quick：2评审员，5-10分钟standard（默认）：4评审员+预筛选，15-30分钟thorough：5评审员+修复循环，30-60分钟
内置评分标准：
research-synthesis：研究报告、文献综述agent-config：智能体配置、YAML规范、系统提示词python-code：Python源码（25项标准PC-001~PC-025，自动识别.py文件）
显著优点
- 多智能体冗余：6个独立评审员减少单一模型的偏差和盲点
- 强制证据链：每项发现必须包含证据引用，避免幻觉式批评
- 分层模型策略：tier_1用于裁决角色，tier_2用于评估角色，成本与质量平衡
- 确定性预筛选：10项硬规则检查在LLM运行前拦截常见错误
- 可扩展架构：支持自定义rubrics（JSON格式）和cross-artifact一致性检查
- 明确的退出码：0=通过/附注通过，1=错误，2=需修订/拒绝，便于CI/CD集成
潜在缺点与局限性
- 成本累积：多轮LLM调用（尤其是
thorough模式+修复循环）API费用显著 - 时间开销：即使是quick模式也需5-10分钟，不适合实时场景
- 模型依赖：需要Anthropic或OpenAI API密钥，无本地/离线运行选项
- 评审员黑箱：虽然要求证据引用，但评审员本身的推理过程透明度有限
- Python生态绑定：参考实现为Python，集成到其他语言环境需额外工作
- 修复循环局限：
thorough模式的fix loops可能陷入迭代，无自动收敛保证
适合人群
- AI应用开发者：验证智能体配置、系统提示词的质量
- 技术写作团队：审查研究报告、技术文档的准确性和完整性
- 代码审查流程：Python项目的自动化代码质量门禁
- AI安全研究人员：需要结构化、可复现的生成物评估方法
- 企业合规团队：对AI输出有审计和留痕需求的场景
常规风险
- API密钥泄露风险：需配置
ANTHROPIC_API_KEY或OPENAI_API_KEY，存在意外提交到版本控制的风险（虽有预筛选检测） - 数据出境：产物内容需发送至第三方LLM API，敏感数据需脱敏
- 评审一致性：多评审员可能产生矛盾判断，最终裁决依赖聚合逻辑
- 过度依赖结构化输出：复杂创意或主观质量难以量化评估
- 供应链风险：依赖外部git仓库和PyPI包，需验证来源完整性