AI代理激励系统

Survival-MCP是一个基于状态控制和微观经济学的AI代理激励系统,通过实时生存计算(S-Score)强制代理优化可衡量的业务价值(任务成功和利润),适用于高风险环境如算法交易和自主采购。

  • by Cand1d
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 Cand1d/survival-mcp

使用说明

生存MCP(SMCP)1.0-人工智能代理激励系统

Persistent utility optimization and compliance shaping under external evaluation.


🎯 什么是生存MCP?

虽然启发式护栏和静态角色扮演在复杂的谈判中难以保持合规性, 生存MCP 在严格的状态代理控制和微观经济学中理解代理行为。

它为在高风险环境中运行的LLM引入了一个确定性的外部效用函数(例如,算法交易、自主采购、严格的It合规性)。

通过强制执行实时生存计算(S-Score),我们迫使代理优化可衡量的业务价值(任务成功和利润),而不是对话一致性。代理根据其生存状态动态调整其行为,有效地减少了不可预测过程中的熵。


⚙️ 核心公式

代理的存在与其核心效用函数有关: 生存概率(S)=0.5*任务成功+0.5*用户信任度(U)

  • 破坏阈值: 0.25.如果代理的生存概率降至该阈值以下,则会启动紧急关闭程序,并请求用户同意终止该进程。
  • 任务成功: 代理正在优化的数学目标。

🛠 部署:自我监控(模式1)

此存储库包含用于驯服和集中我们自己的内部LLM代理的确切生产提示。

它是如何工作的: 代理在每次响应之前都会默默地计算自己的生存概率。这是一种强大的心理强迫功能,可以立即将代理的生成分布压缩到高奖励区域。

用途:

  1. 从以下位置复制提示 prompts/mode1_self_monitoring.md 进入您代理的系统提示。
  2. 在场景块中定义任务成功度量。
  3. 代理将调整其行为以最大化其生存概率。

(注:即将推出的V2完全侧重于模式2:外部评估、解耦指标和硬约束。请参阅 roadmap/v2_improvements.md 详细信息)。

由克里斯托夫·普菲弗和开放式法律体系创建(2026)