核心用法
Quorum 是一个多智能体验证框架，旨在通过生成多个独立的 AI 评审员（critics）来审查 AI 代理的输出。用户通过命令行工具指定目标文件（artifact）和评估标准（rubric），系统将自动调用配置的大语言模型进行并行评估。
基本工作流：
1. 克隆仓库并安装 Python 依赖
2. 配置 API 密钥（Anthropic 或 OpenAI）
3. 运行 quorum.cli run 命令，指定 --target 和 --rubric 参数
4. 系统输出结构化裁决（PASS / PASS_WITH_NOTES / FAIL）及带证据引用的详细发现
关键特性：
- 三档深度配置：
quick（3 评审员，5-15 分钟）、standard（6 评审员+1 轮修复，默认）、thorough（9 评审员+外部验证，45-90 分钟） - 内置标准：支持研究报告验证（
research-synthesis）和代理配置检查（agent-config） - 证据锚定：每个发现必须引用原文具体位置，杜绝幻觉
- 分级严重度：CRITICAL / HIGH / MEDIUM / LOW 四级问题分类
显著优点
1. 系统性缺陷捕获：多评审员交叉验证显著降低单一模型幻觉导致的漏检风险
2. 可审计的输出：结构化裁决附带精确证据引用，便于人工复核
3. 灵活配置：深度档位和模型层级（tier_1 判断层/tier_2 评估层）可按需调整成本-质量权衡
4. 开源透明：SPEC.md 完整公开架构设计，社区可扩展自定义标准
潜在局限
1. 成本累积：thorough 模式调用 9+ 个评审员及多轮修复，Token 消耗可能显著
2. 模型依赖：当前仅支持 Anthropic 和 OpenAI 系列模型，对本地或开源模型支持有限
3. 标准覆盖有限：内置标准仅两种，复杂领域需自行开发 rubric
4. 延迟敏感：即使 quick 模式也需 5-15 分钟，不适合实时验证场景
适合人群
- AI 应用开发者：验证代理配置和系统提示的安全性
- 研究团队：交叉审查文献综述和技术报告的事实准确性
- 企业内容审核：高价值文档（合同、政策、医疗建议）的发布前检查
- 提示工程师：迭代优化系统提示的健壮性
常规风险
1. API 密钥泄露：quorum-config.yaml 或环境变量中存储的密钥需严格保管
2. 评审员一致性偏差：多模型架构可能因底层训练差异产生分歧，需人工仲裁
3. 过度自信风险：PASS 裁决不代表绝对正确，仅表示未检出显著问题
4. 供应链安全：从 GitHub 直接 pip 安装依赖需验证仓库可信性