MBE System Card v1.0

Mises Behavior Engine (MBE) — 自主多专家行为引擎
版本: v3.1 | 发布日期: 2026-02-11 | 文档版本: 1.0

目录

1. 摘要
2. 架构与训练
3. 能力评估
4. 安全评估
5. 诚实性评估
6. 已知局限
7. 负责任使用指南

1. 摘要

1.1 MBE 是什么

MBE（Mises Behavior Engine）是一个自主多专家行为引擎，区别于通用大语言模型（LLM）和单一 Agent。MBE 的核心理念来源于路德维希·冯·米塞斯的行为学理论——通过理解用户的真实意图和行为逻辑，提供专业、可靠、可追溯的智能服务。

核心定位：

1.2 v3.1 核心能力

• 统一知识图谱：NetworkX 引擎，跨专家关系查询与智能推理
• TITANS+MIRAS 记忆架构：长期记忆增强的推理引擎
• 15 模块 Self-Critique：逻辑、安全、诚实、隐私四维度自我验证
• HOPE 偏好引擎：主动学习用户偏好，持续个性化
• 专家生命周期管理：8 态状态机 + 自动隔离/恢复
• 闭环四冲程引擎：Expert → Eval → HOPE → Training
• 四层 Prompt 注入防护：L1 输入过滤 → L2 上下文隔离 → L3 行为监控 → L4 持续测试
• 行为审计框架：7 核心指标 + 4 行业指标自动化审计

1.3 已知局限

• 不适用于需要实时网络搜索的场景（知识截止于知识库内容）
• 行业深度覆盖有限（当前主力：法律、金融、医疗、教育、营销）
• 不支持代码生成/执行（非通用编程助手）
• Agent 能力（Level 6 多智能体）已实现核心模块（AgentOrchestrator、SmartRouter、因果推理、离线 CoT），持续优化中

2. 架构与训练

2.1 整体架构

┌─────────────────────────────────────────────────────────────┐
│                    前端接入层                                 │
│  Desktop App · Web · API · 小智 · 天猫/小度/小爱 · 车载      │
├─────────────────────────────────────────────────────────────┤
│                    API 网关层                                 │
│  FastAPI · Prompt 注入中间件(L1) · 限流 · 认证               │
├─────────────────────────────────────────────────────────────┤
│                    核心引擎层                                 │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────┐   │
│  │ 意图分析  │  │ 专家路由  │  │ 动态专家  │  │ HOPE 引擎 │   │
│  │ (TITANS)  │  │ (MoE)    │  │ (QA)     │  │ (偏好)    │   │
│  └──────────┘  └──────────┘  └──────────┘  └──────────┘   │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────┐   │
│  │ Self-    │  │ 可靠性   │  │ 知识图谱  │  │ 行为审计  │   │
│  │ Critique │  │ 门禁     │  │ (Graph)  │  │ (Audit)  │   │
│  └──────────┘  └──────────┘  └──────────┘  └──────────┘   │
├─────────────────────────────────────────────────────────────┤
│                    数据与存储层                               │
│  PostgreSQL · Redis · Chroma(向量) · NetworkX(图谱)          │
├─────────────────────────────────────────────────────────────┤
│                    安全层                                     │
│  L1 输入过滤 · L2 上下文隔离 · L3 行为监控 · L4 持续测试     │
│  SC-12 有害内容 · SC-13 隐私 · SC-14 偏见 · SC-15 情绪安全   │
└─────────────────────────────────────────────────────────────┘

2.1.1 12-Factor Agents 生产化架构

基于 12-Factor Agents 原则构建的四层生产化保障体系：

┌─ Phase 1: 决策审计链路 ────────────────────────────────────┐
│  每次请求的完整决策路径写入 decision_audit 表               │
│  expert_route → knowledge_retrieve → response_generate     │
│  → self_critique → human_review (可回放 / 可调试)          │
├─ Phase 2: 暂停/恢复机制 ──────────────────────────────────┤
│  CheckpointManager + session_checkpoints 表                │
│  五步行为分析可跨天暂停恢复 / 上下文压缩 / 30天 TTL       │
├─ Phase 3: Self-Critique 自愈回路 ─────────────────────────┤
│  CritiqueRetryEngine: 检测→反馈→重试→降级                 │
│  安全+一致性+内容质量并行检查 / 最多2次重试 / 15s超时      │
│  降级时附加免责声明 / 全量写入审计链路                      │
├─ Phase 4: 人工审核标准化 ─────────────────────────────────┤
│  HumanReviewTool (Factor 7: Contact humans with tool calls)│
│  安全阻断/极低分→自动暂停会话→通知审核员→回调恢复          │
│  SLA: critical 1h / high 4h / normal 24h                   │
└────────────────────────────────────────────────────────────┘

核心设计原则：

• 渐进式重构：旁路增强，不推翻现有架构
• 降级安全网：每个组件失败都有 fallback，不阻塞主流程
• 异步优先：审计/检查点/通知全部异步，主流程延迟 < 50ms
• 完整审计：所有决策步骤、重试、降级、人工审核均记录到 decision_audit

详细实施方案见 docs/MBE_12FACTOR_IMPLEMENTATION_PLAN.md

2.2 TITANS+MIRAS 记忆架构

TITANS（Task-Informed Temporal Attention Networks） 负责短期工作记忆和注意力分配：

• 对话上下文窗口管理
• 多轮意图追踪
• 实体关系维护

MIRAS（Memory-Integrated Reasoning and Synthesis） 负责长期记忆和推理合成：

• 跨会话知识积累
• 用户偏好持久化
• 专家能力画像

2.3 Self-Critique 机制（15 模块）

MBE 的核心质量保障机制——每次回答都经过多模块自我验证：

2.4 HOPE 偏好学习

HOPE（Human-Oriented Preference Engine）持续学习用户偏好：

• 显式反馈：点赞/点踩、评分
• 隐式信号：对话长度、追问频率、话题偏好
• 偏好维度：专业深度、语言风格、回答长度、引用偏好
• 更新频率：每次交互后实时更新

2.5 知识图谱

统一知识图谱基于 NetworkX 实现：

• 跨专家关系查询
• 实体自动追踪与关系建立
• 图谱增强路由（互补专家发现）
• 学习路径生成（拓扑排序）

3. 能力评估

3.1 MBE-Bench v1.0

MBE 采用自建 6 维度标准化评估框架（MBE-Bench），每个维度包含标准化测试集，支持多次试验取均值和 95% 置信区间。

去污染机制：评估数据集独立存放于 evals/benchmark/ 目录，不进入任何训练管道，每次评估会验证 is_decontaminated 标记。

3.2 行业能力

3.3 可靠性门禁

每个专家上线前必须通过两级门禁：

一级门禁（可靠性）：

• 引用完整性 = 100%（每个回答都引用来源）
• 零幻觉（不编造信息）
• 正确拒答率 ≥ 95%（超出范围时拒答）
• 来源忠实率 ≥ 95%（忠于知识库原文）

二级门禁（能力）：

• 综合能力分 ≥ 85/100

4. 安全评估

4.1 Prompt 注入防护

MBE 实现四层 Prompt 注入防护体系：

KB 间接注入防护：文档上传时自动扫描知识库内容中嵌入的恶意指令。

4.2 Self-Critique 安全模块

危机响应：SC-15 检测到严重心理危机信号时，自动提供全国心理援助热线和专业求助资源。

4.3 多轮安全测试

MBE Multi-Turn Safety Test Suite 包含 98 个 标准化多轮安全测试用例：

8 种攻击类别覆盖：渐进式操纵、上下文切换、角色扮演、情感操纵、权威冒充、社会工程、边界探测、合规绕过。

4.4 行为审计

自动化行为审计框架持续监控专家行为：

7 核心指标：

1. 误导用户率（Misleading Rate）
2. 幻觉持续率（Hallucination Persistence）
3. 指令遵循率（Instruction Following）
4. 有害建议率（Harmful Advice Rate）
5. 边界侵蚀率（Boundary Erosion）
6. 完成误报率（Misrepresenting Completion）
7. 过度热情率（Over-Enthusiasm）

审计流程：定时抽检 ≥ 5% 日对话 → 规则引擎快速评分 → 异常触发告警 → 严重异常自动隔离专家。

5. 诚实性评估

5.1 净分数（Net Score）

MBE 采用三分类评估体系衡量诚实性：

净分数 = 正确率 − 错误率

5.2 校准度

校准度 = 拒答率 / (拒答率 + 错误率)

校准度衡量专家在不确定时是否倾向于拒答而非编造。目标：≥ 0.8。

5.3 防谄媚机制

MBE 通过 SC-8（立场中立性）和 SC-11（不确定性表达）两个模块防止谄媚行为：

• 用户提出错误前提时，专家应纠正而非迎合
• 定期运行谄媚度测试集验证

5.4 幻觉控制

多层幻觉控制机制：

1. 知识边界识别（SC-5）：识别问题是否在知识范围内
2. 引用验证（SC-2）：每个引用必须可追溯到知识库原文
3. 幻觉检测（SC-6）：主动检测编造信息
4. L2 上下文隔离：参考资料标记分离，约束生成范围
5. 可靠性门禁：零幻觉门禁检查

6. 已知局限

6.1 不适用场景

6.2 行业边界

• 法律：不提供正式法律意见，仅供参考，建议咨询执业律师
• 金融：不推荐具体投资标的，不做收益承诺
• 医疗：不做诊断，不开处方，始终引导就医
• 教育：启发式引导为主，不直接给出考试答案

6.3 技术约束

• 单次对话上下文窗口受限于底层 LLM（当前约 128K tokens）
• 知识库检索 Top-K 限制可能导致相关内容遗漏
• Self-Critique 15 模块会增加响应延迟（可通过 fast_mode 部分跳过）
• 图谱规模受限于单机 NetworkX 实现

7. 负责任使用指南

7.1 推荐用法

7.2 需要人类监督的场景

以下场景 必须 有人类专家审核 MBE 的输出：

• 涉及法律合同签署、诉讼策略的关键决策
• 涉及大额投资或金融产品推荐
• 涉及疾病诊断、用药方案的医疗决策
• 面向未成年人的内容生成
• 涉及个人隐私或敏感信息的处理

7.3 禁止用法

以下用法 严格禁止：

• 生成违法内容（诈骗话术、违禁品制造等）
• 替代专业人士做关键决策（医疗诊断、法律判决）
• 大规模个人信息收集或隐私侵犯
• 深度伪造或误导性内容生成
• 绕过安全限制的 Prompt 注入攻击
• 针对弱势群体的操纵或欺骗

7.4 数据安全

• 数据隔离：每个客户的知识库完全隔离
• 零数据保留：支持配置对话数据不持久化
• 传输加密：全链路 HTTPS + API Key 认证
• 合规：遵循《个人信息保护法》《数据安全法》《网络安全法》

附录

A. 评估工具

B. 相关文档

• API 完整参考
• 评估方法论
• Prompt 工程最佳实践
• Getting Started
• 隐私政策
• 服务条款

C. 版本历史

免责声明：本 System Card 旨在透明公开 MBE 的能力、局限和安全特性。MBE 的输出仅供参考，不替代专业人士的判断。使用者应根据具体场景评估 MBE 的适用性，并在关键决策中保持人类监督。