Krystal Loop Protocol：给多 AI 编码智能体加上可控协作框架

Krystal Loop Protocol（简称 KLP）是一项面向多 AI 编码智能体协作的工作协议，由独立开发者在 Hacker News 上以「Show HN」形式发布。协议的目标是让多智能体在持续迭代中保持可理解、可验证、可控，避免「演示惊艳、上线翻车」的常见问题。

核心思路：把多智能体放进「工人-评审-裁决」循环

KLP 将一次多智能体协作拆成八个步骤：

• 划定范围：明确目标产出、允许与禁止操作、检查项、预算与停止条件。
• 拆分任务：每个工人只负责一个可独立判断的小目标。
• 执行：工人返回精确版本号与事实交接，不自我宣告完成。
• 检查：在调用另一个模型评估前，先跑测试、lint、构建等确定性检查。
• 评审：只读、独立的评审者基于原任务与直接证据给出意见。
• 裁决与修复：用直接证据确认或驳回每条评审意见，再修复确认成立的问题。
• 集成：把合并结果作为新产物重新检查。
• 治理：循环在授权范围内自动完成，重要变更与有后果的操作由人决策。

它要解决什么

KLP 针对多 AI 编码协作中的典型失控场景：

• 多个智能体同时改同一文件——为每个工人设定明确文件与操作边界。
• 工人自报完成——把事实交接与第三方验收分开。
• 评审基于过时版本——每条结论绑定到具体产物版本。
• 评审者自信地报错——用直接证据确认或驳回每条意见。
• 智能体无改进地空转——重复意见、预算耗尽或停滞时强制停止。
• 单测通过但集成失败——把集成结果作为新产物重新检查。
• 测试或消息被误当部署授权——所有实际动作必须由人显式决定。

上手方式

KLP 本身不绑定特定模型、数据库或消息总线，开发者可以用 Git 和 Markdown 文件起步，再按需叠加持久化协调层。项目自带示例：

• 使用 DeepSeek Codex 作为工人，返回精确版本与确定性检查结果。
• 评审阶段使用 OpenAI 兼容的只读评审壳，输出结构化结论且无写权限。
• 提供 fail-review-repair 离线 fixture，可在不联网、不花模型费用的前提下完整跑通「失败-评审-修复」闭环。
• 可选 Hermes Kanban 适配器，把协议接入看板工作流。

项目还给出可直接复制给主管智能体的「KLP Core」提示词模板，要求其在动手前先写出一份有边界、有 ID 与版本号、有可执行检查项的「任务合约」。

适用范围与边界

作者明确说明：KLP 不是自主软件工厂、部署平台或模型路由器，也不声称测试通过即代表产品无缺陷。它的定位是一种「让多智能体协作保持可理解、可追责」的可移植工作模式，灵感来自 Gauntlet Loop 等公开的 builder/critic 系统，但更聚焦于演示之后、项目必须长期可维护的真实场景。

当前版本为 KLP Core v0.2，包含可移植的工人启动器、密封包评审壳、本地假提供者测试、示例合约与可复现的离线 fixture。协议机制本身已通过 fixture 验证，但项目不为其使用的具体模型质量、生产安全性或某个智能体框架背书。