核心用法
Quorum 是一个多代理验证框架，用于评估 AI Agent 生成的各类产物（文档、配置、代码、研究报告等）。用户通过 CLI 指定目标文件和评估标准（rubric），框架会生成多个独立的 AI 评审员（critics）并行审查，最终输出结构化的裁决结果。
工作流程
1. 配置初始化：首次运行自动创建 quorum-config.yaml，指定模型层级和深度配置
2. 选择评估标准：内置 research-synthesis（研究报告）和 agent-config（代理配置）两种标准
3. 设置深度级别：quick（3评审员，5-15分钟）、standard（6评审员+1轮修复，15-30分钟）、thorough（9评审员+外部验证+2轮修复，45-90分钟）
4. 执行验证：并行生成评审报告，每个发现必须附带证据引用
5. 获取裁决：PASS / PASS_WITH_NOTES / FAIL 三档结果
显著优点
- 循证评估：每条批评必须引用原文具体位置，避免空泛评价
- 多视角交叉验证：独立评审员减少单一模型偏见
- 可配置深度：从快速检查到深度审计，适应不同场景
- 结构化输出：统一的严重级别分级（CRITICAL/HIGH/MEDIUM/LOW）和修复建议
- 开放架构：支持自定义 rubric 和模型配置
潜在局限
- 依赖外部 API：需配置 Anthropic/OpenAI 密钥，存在成本和可用性风险
- 无本地模型支持：当前仅支持云端大模型，无法离线运行
- Python 环境依赖：需要 Python 3 和 pip 环境，对非技术用户有门槛
- 评审质量上限：最终效果受限于底层模型能力，复杂逻辑错误可能漏检
- 时间成本： thorough 模式可能耗时 90 分钟，不适合实时场景
适合人群
- AI Agent 开发者验证输出质量
- 技术文档审核、代码审查场景
- 需要第三方验证的合规性检查
- 多模型交叉验证以消除幻觉的研究场景
常规风险
- API 密钥泄露：需在环境变量中配置密钥，存在误提交风险
- 评审一致性：不同模型可能对同一问题判定严重级别不一
- 成本不可控：多评审员+多轮修复可能产生高额 token 消耗
- 证据幻觉：评审员引用的"证据位置"可能是虚构的，需人工复核