核心用法
Governed Agents 是一个用于监督 AI 子代理执行质量的验证框架，采用双轨验证机制：
编码任务（确定性验证）：通过 Files、Tests、Lint、AST 四道硬闸门自动验证代理产出。若代理声称成功但任一道闸门失败，立即判定为幻觉并施加 -1.0 声誉惩罚。
开放式任务（LLM 委员会）：三层管道逐级过滤——Structure（结构完整性）→ Grounding（事实可验证性）→ LLM Council（多数表决），实现成本与精度的动态平衡。
声誉系统：基于 EMA（指数移动平均）持续追踪代理可信度，自动触发分级监督策略（自主/标准/严格/暂停）。
显著优点
- 零依赖设计：纯 Python 标准库实现，无外部包风险
- 幻觉免疫：独立的代码闸门机制，不轻信代理自我报告
- 成本优化：开放式任务支持短路机制，Layer 1 失败直接拦截，避免昂贵 LLM 调用
- 灵活集成：原生支持 Codex、OpenClaw 等 CLI 工具链
潜在局限
- 验证逻辑高度依赖本地工具链（pytest、ruff、flake8、pylint）的可用性与版本一致性
- 开放式任务的 LLM Council 仍受基础模型偏见影响，非完全客观
- SQLite 本地状态存储，无分布式声誉同步能力
- 需预设
TaskContract模板，对探索性任务不够灵活
适合人群
- 运行多代理协作系统的团队，需量化代理可靠性
- 高 stakes 代码生成场景（如金融、医疗软件原型）
- 需要防止"假阳性完成"的自动化工作流编排者
常规风险
- 环境漂移风险：CLI 工具版本差异可能导致闸行为不一致
- 声誉操纵风险：代理可通过"诚实报告失败"策略缓慢修复分数
- 委员会共识风险：LLM Council 可能因模型同质性产生系统性偏见
- 文件系统写权限：需在用户目录创建状态数据库，存在误写风险