核心用法
Governed Agents 为 AI 子代理提供确定性验证 + 声誉评分机制，解决"幻觉成功"问题——即代理声称任务完成但实际未达成的场景。
两种验证模式：
1. 确定性验证（编码任务）：4 道自动关卡——文件存在性、测试通过、代码规范、AST 语法检查，全部通过才算成功
2. 委员会验证（开放式任务）：3 层管道（结构检查→事实核查→LLM 评审），支持短路机制节省成本
声誉系统：基于 EMA（指数移动平均）的评分，范围 -1.0（幻觉惩罚）到 +1.0（首次成功），自动触发分级监督策略——高分代理自主运行，低分代理强制升级模型或被暂停。
显著优点
- 零依赖：纯 Python 标准库实现，无外部依赖风险
- 防幻觉设计：独立验证代理声明，而非信任其自我报告
- 成本优化：开放式任务的结构/事实层先过滤，避免无效 LLM 调用
- 渐进式信任：声誉积累机制鼓励代理长期可靠表现
- 灵活集成：支持 Codex CLI、OpenClaw 代理等多种引擎
潜在缺点与局限性
- 验证盲区：复杂业务逻辑仍需人工终审，4 道代码关卡无法捕捉语义正确性
- 委员会主观性：LLM 评审层存在一致性波动，3 票制可能产生边缘误判
- 冷启动问题：新代理默认中等声誉，高价值任务仍需预设信任
- Python 局限：AST 关卡仅支持 Python，其他语言需扩展
- 状态持久化：SQLite 声誉数据库需定期备份，无内置高可用方案
适合人群
- 需要批量生成代码并自动质检的开发者团队
- 运行多代理协作系统的 AI 工程师（如 OpenClaw、AutoGPT 类架构）
- 追求可观测 AI 行为的企业合规场景
- 对幻觉成本敏感的生产环境（如自动化 PR 生成、文档更新）
常规风险
1. 误报信任：测试通过但功能错误时，声誉系统会错误奖励
2. 评分操纵：代理可能针对性优化可测量指标而非真实质量
3. 权限扩散：subprocess-capable 和 network-capable 标志意味着代理可执行任意 CLI 和网络请求，需配合沙箱使用
4. 数据残留：工作目录和状态文件需手动清理，存在敏感信息泄露风险