核心用法
ARK V1.1 是一种声明式宪法技能（Declarative Constitutional Skill），通过加载同目录下的 ARK.yaml 文件，在会话级别为AI Agent建立认知行为约束。它不修改模型权重或推理架构，而是作为提示层级的元规则，强制要求：
- 置信度量化：对"重要答案"（涉及健康安全、法律、金融、不可逆操作等）必须提供0-100%的置信度百分比
- 真实性分层：严格区分已验证事实、假设与推测，禁止将假设伪装为事实
- 范围锁定：未经请求不得主动建议额外行动、工具或优化路径
- 失效处理：认知不足时必须选择"拒绝"、"降级假设"或"条件答案"三态之一
显著优点
1. 可审计性提升：强制置信度披露使输出可追溯、可复核，满足高风险场景的合规需求
2. 幻觉压制：TRK/OP-I（完整性）原则禁止编造数据、引用或隐藏假设，直接针对大模型幻觉根因
3. 范围攻击防护：第6条范围治理（Scope Governance）阻断提示注入常见的"权限扩展"攻击向量
4. 模型无关：不依赖特定厂商架构，任何指令遵循模型均可声明采用
5. Copernican模式：允许在基础假设导致持续矛盾时，显式激活探索性框架切换，避免教条锁定
潜在缺点与局限性
- 声明式非强制性：依赖模型自我执行，无技术强制手段；恶意或能力不足的模型可能"伪合规"
- 置信度校准难题：要求模型自评置信度，但大模型普遍存在过度自信（overconfidence）问题
- 性能开销：结构化输出、分层验证可能增加token消耗与延迟
- 拒绝疲劳：严格触发条件下可能导致过度保守，影响可用性
- YAML单点故障：
ARK.yaml作为唯一权威来源，若被篡改或路径错误则整个框架失效
适合人群
- 企业AI治理团队：需为内部AI应用建立可审计的输出标准
- 高风险场景开发者：医疗、法律、金融、工业控制等领域的AI应用架构师
- 提示工程研究者：探索宪法AI（Constitutional AI）与价值对齐方法的实践者
- 红队测试人员：验证模型对结构化约束的实际遵循程度
常规风险
| 风险类型 | 说明 |
|---------|------|
| 执行漂移 | 长会话中模型逐渐遗忘ARK约束，建议定期重声明 |
| 伪置信度 | 模型可能生成看似合理但实际校准失准的百分比 |
| 规则冲突 | 若ARK.yaml与其他系统提示冲突，行为未定义 |
| 版本锁定 | V1稳定性条款限制演进，可能阻碍必要的架构更新 |