- 🚢 CiteGuard v0.1.1 已上 PyPI 与 MCP 官方 registry(
pip install citationguard)— AI 写作的"多疑审稿人",核验引用是否存在、元数据是否正确、是否真支持论点;可被 Claude Code / Codex / Cursor 以 MCP 工具直接调用 - 🚀 FAR 正朝论文推进 — 让 RAG Agent 主动追问"什么证据能证明当前答案是错的"
- 🌱 持续打磨 VeraRAG(可验证 Agentic RAG,791 个测试)与 agentic-os-core(零依赖的 Agent 记忆/规划引擎)
- 💬 可以和我聊:引用幻觉与核验、可验证 RAG、Agent 弃权设计、MCP 工具开发
- ⚡ 一条贯穿所有项目的原则:宁可说"查不准",也不编一个答案
西南财经大学 AI 方向本科生。我做的是生产级的可信 AI 系统——不是 notebook、不是 demo:有 CI、有发布门禁、有几百个测试守住行为边界的那种。
我最关心的问题是:AI 说错话的时候,系统怎么兜底? 围绕这个问题做了一条"证伪优先"主线——CiteGuard 用真实学术库证伪每一条引用;FAR 把"哪里可能错"转成可检索的证据需求;VeraRAG 让 Agentic RAG 的每步推理可审计。它们共享同一套设计哲学:弃权优于猜测,证伪优于自证,源不可达只降置信度、绝不升级成指控。
工程上我在意:测试纪律(CiteGuard 548 / VeraRAG 791 / agentic-os-core 330 个测试)、零依赖核心、机器可读的输出契约。
| 项目 | 一句话 |
|---|---|
| 🔍 CiteGuard | 证伪优先的引用核验:存在性 / 元数据 / 论点支撑三重检查,支持中文文献(GB/T 7714 + DOI 注册表) · PyPI + MCP registry |
| 🧪 FAR | 证伪引导检索,让语言 Agent 自我纠错(研究项目) |
| ✅ VeraRAG | 可验证的 Agentic RAG 推理系统,每一步可审计 |
| 📊 struct-viz | 408 考研四科算法动画可视化平台 ⭐106 |
| 🛒 CartCompass | 多模态电商导购 Agent,商品事实零幻觉(iOS + FastAPI) |
| 🧠 agentic-os-core | Agent 记忆与规划引擎:图存储 + MCTS + 分层规划,零依赖 |
| 📬 MailAI | 接入多 LLM 的 iOS 智能邮件应用(SwiftUI) |
宁可说"查不准",也不乱指控 · Verify, don't trust.