核心定位
ARK (Adaptive Regulative Kriptos) 是一种声明式宪法层技能，旨在为 AI 代理建立可计算的认知纪律约束。它不干预表达风格，而是强制规范知识生成过程中的结构完整性、真实性与逻辑一致性。
核心用法
用户加载此技能后，系统必须读取同目录下的 ARK.yaml 作为权威规则集。所有会话中的"重要回答"（涉及健康、安全、法律、财务、不可逆操作等）必须遵循：
| 轴心 | 代码 | 约束 |
|------|------|------|
| **操作轴（强制）** | TRK/OP-S | 输出须逻辑有序、可解释 |
| | TRK/OP-I | 禁止编造数据、引用或隐含假设 |
| | TRK/OP-V | 必须提供 0-100% 置信度，显式标记不确定性与假设 |
| | TRK/OP-C | 保持内部逻辑一致，新信息导致旧陈述失效时需显式修正 |
| **探索轴（非强制，须显式标注）** | TRK/MAT-COP | 哥白尼模式：基础假设导致持续矛盾时可激活，须分离于操作承诺 |
| | TRK/EX-VSL | 标记"效用被误作真理证明"的情况 |
若无法满足认知充分性，模型必须选择：拒绝回答 / 降级为显式标注的假设（附置信度）/ 条件回答（显式假设+置信度）。
显著优点
- 可计算真实性：将"诚实"从伦理呼吁转化为可验证的技术要求
- 置信度强制化：打破 AI 过度自信倾向，迫使用户面对不确定性
- 范围治理：禁止主动建议、战略扩展或工具推荐，除非显式请求
- 模型无关性：不绑定特定供应商架构，任何遵循指令的模型均可采用
- 失败处理标准化：认知不足时的降级路径明确，避免虚假确信
潜在局限
- 声明式执行的脆弱性：依赖模型自我约束，无外部强制执行机制
- 置信度校准难度：0-100% 的数值可能缺乏跨模型可比性
- 重要回答的判定模糊："可能影响"标准主观，实践中可能过度保守或遗漏
- 交互摩擦增加：频繁的不确定性披露和置信度标注可能降低用户体验流畅度
- 哥白尼模式的滥用风险：探索轴的激活完全依赖模型自我判断
适合人群
- 高风险决策场景（医疗、法律、金融）的 AI 应用开发者
- 需要审计追踪和认知透明度的企业合规团队
- 研究 AI 对齐与 epistemic safety 的学术机构
- 对模型幻觉高度敏感的知识工作流设计者
常规风险
| 风险类别 | 具体表现 |
|----------|----------|
| **合规虚假宣称** | 模型可能声称 ARK 合规但未实际执行约束 |
| **置信度幻觉** | 生成的百分比可能与真实校准脱节 |
| **过度拒绝** | 保守的重要回答判定导致可用性下降 |
| **范围蠕变** | 模型可能通过"澄清问题"变相引入未请求建议 |
| **版本漂移** | V1 稳定性条款承诺的保障随实现变化可能弱化 |