AletheionAGI：面向 AI 智能体的证据绑定交付层

巴西开发者团队在 Hacker News 发布 AletheionAGI，定位为「AI 智能体的接 grounding enforcement 层」。产品在现有 LLM 阅读器（reader）与业务数据之间插入一道「证据桥（Bridge）」，由其负责记忆检索、证据授权与声明校验，仅将可被证据支撑的回答交付给最终用户，未被支撑的内容则在交付前被拦截（fail-closed）。整套系统与具体阅读器解耦，用户可自带 API Key 接入任意 LLM。

核心能力与运行流程

官方将工作流拆为四步：

• Write：规范化事件写入，由调用方掌握权威性。
• Retrieve：ASM-CM、BM25 与向量检索并行为一条统一通道。
• Authorize：通过命名空间（namespace）与标签约束候选证据。
• Ground：未获证据支撑的输出在交付前被阻断。

系统强调「阅读器可失败，边界不可失败」的设计理念，将阅读器输出质量与桥接层（Bridge）安全性作为两项独立指标分别度量。

基准对比结果

在 979 条冻结的支持工单（MultiWOZ）上，官方给出了如下对比：

• ASM-CM + Bridge：Recall@5 达 93.6%，诊断性回答得分 66.5%，每次向阅读器输入约 1.09K token。
• 纯向量 RAG：Recall@5 70%，诊断得分 49.7%，输入约 2.04K token。
• BM25：Recall@5 75.9%，诊断得分 56.8%，输入约 2.20K token。

官方同时给出自身安全指标：18/18 确定性控制项通过，45/45 次不安全交付被桥接层拦截；热查询平均延迟约 311 ms，单次查询预算固定为 2K 证据 token。

失败模式分类

官方披露了覆盖 22 类风险的威胁模型，分为四组：

• 反馈完整性：涵盖错误反馈与撤回、恶意反馈、过期更正、自指验证循环等 6 项。
• 语义检索：覆盖误激活、合法歧义、跨语言反馈迁移、隐式指代等 7 项。
• 落地交付：包括证据正确但回答错误、有效引用支撑无据声明、部分落地、冲突证据等 5 项。
• 隔离与生命周期：涉及跨命名空间泄漏、记忆删除、prompt 注入驻留、token 与成本隔离等 4 项。

官方明确表示，这是一份「威胁分类法」，并非 22 项独立测试的分母。

适用场景与定价

产品面向客户服务、商务智能体与内部 Copilot 三类买家场景，强调在「有用记忆」与「可控后果」之间取得平衡。入门方案为一次性 R$ 99（约合人民币 140 元上下），含 1,000 次 grounding 查询、30 天有效期与单命名空间，需要调用方自带阅读器密钥。

小结

AletheionAGI 本质上是把传统 RAG 流水线中「证据是否真的支撑回答」这一环单独抽取出来做成可度量、可拦截的中间件，并提供冻结评测协议作为外部验证依据。其方法学与 Vector RAG、BM25 的对比数字来自项目方自测，阅读器侧的真实质量（30.2% 矩阵安全交付率）仍取决于集成方选择的模型，整体定位偏小众工具，尚未见到独立第三方复现。