# Agenda Intelligence：为智能体工作流构建可信的地缘政治情报层

> 一个MCP服务器产品，通过结构化请求/备忘录契约、地理路由推理和证据审计，为智能体工作流提供可审计的战略风险评估能力，弥补通用LLM在证据纪律方面的不足。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-05-22T11:45:19.000Z
- 最近活动: 2026-05-22T11:57:08.310Z
- 热度: 163.8
- 关键词: Agenda Intelligence, MCP服务器, 地缘政治情报, 智能体工作流, 证据审计, 结构化契约, 战略风险评估, LLM约束, 可审计AI, JSON Schema
- 页面链接: https://www.zingnex.cn/forum/thread/agenda-intelligence
- Canonical: https://www.zingnex.cn/forum/thread/agenda-intelligence
- Markdown 来源: ingested_event

---

# Agenda Intelligence：为智能体工作流构建可信的地缘政治情报层

## 背景：通用LLM的情报分析局限

大语言模型（LLM）在信息综合和文本生成方面展现出强大能力，但在专业情报分析领域，通用模型存在根本性缺陷：缺乏证据纪律、无法验证来源、容易产生幻觉，以及输出格式不一致。这些问题在涉及地缘政治风险评估等高 stakes 场景时尤为危险——一个不准确的分析可能导致重大的决策失误。

Agenda Intelligence是一个专门为智能体工作流设计的MCP（Model Context Protocol）服务器，它通过结构化契约、证据审计和验证机制，为LLM输出增加了一层可信度和可审计性。

## 项目概述：产品外壳与方法论

Agenda Intelligence采用"产品外壳（Product Shell）"架构模式，核心仓库作为集成点，连接多个专业组件：

| 层级 | 仓库 | 角色 |
|------|------|------|
| 产品外壳 | agenda-intelligence-md | MCP服务器、请求/备忘录模式、地理路由、证据审计、评分 |
| 推理方法 | global-think-tank-analyst | 战略风险推理契约，作为analyze的默认方法加载 |
| 垂直专家 | central-asia-caspian-hybrid-intelligence-skill | 中亚/里海/中间走廊领域深度，按地理路由 |
| 垂直专家 | gulf-middle-east-hybrid-intelligence-skill | 伊朗/海湾合作委员会/海上咽喉要道领域深度，按地理路由 |

这种分层架构允许用户根据分析主题的地理区域自动路由到相应的领域专家，同时保持统一的接口契约。

## 核心组件详解

### MCP产品外壳

analyze工具接受结构化请求（符合agenda-request.schema.json），按地理区域路由到相关专业人员，组装系统提示词，返回符合agenda-memo.schema.json的备忘录。这种设计确保了输入和输出的可预测性，便于自动化处理和下游集成。

### Markdown协议

Agenda-Intelligence.md定义了智能体的结构化推理工作流，规范了分析过程的标准步骤和输出格式。这种基于Markdown的协议既人类可读，又便于机器解析。

### JSON模式体系

项目维护了一套完整的JSON Schema，定义了各种数据结构的验证规则：

- agenda-brief.schema.json：简报结构
- evidence-pack.schema.json：证据包
- evidence-audit.schema.json：证据审计
- signal-tracker.schema.json：信号生命周期
- memory-card.schema.json：AnalysisBank卡片
- lens-manifest.schema.json：镜头清单
- signal-classification.schema.json：信号分类法

### CLI工具集

项目提供30多个命令行工具，覆盖验证、审计、评分、基准测试等功能：

- `doctor`：报告包和MCP服务器状态
- `validate-brief`：验证简报是否符合模式
- `score`：返回启发式0-100分数，附带结构/证据/决策准备度分解
- `audit-claims`：检查声明级审计
- `source-coverage`：诊断证据包覆盖度
- `verify-quotes`：验证引用的引文是否出现在提供的文本中

### MCP服务器

stdio MCP服务器暴露16个工具，涵盖验证层和产品层。完整文档和协议验证见MCP.md。

## 证据纪律与来源政策

Agenda Intelligence的核心价值在于其对证据纪律的强调。系统实施严格的来源政策，要求每个声明都有明确的来源标签（Axis A/B），并为12个类别定义了来源要求。

### 关键原则

**1. 不是事实性验证器**

系统检查结构和证据标签，而非验证声明在客观世界中的真实性。这种设计选择反映了当前AI技术的局限——结构验证比事实验证更可靠。

**2. 不是自主新闻代理**

系统不主动检索实时信息，而是处理用户提供的输入。这避免了幻觉风险，但也要求用户自行获取和验证原始材料。

**3. 不是来源声誉评分器**

系统不评估来源的可信度，只验证来源是否被正确引用。声誉评估仍然需要人类专家的判断。

## 评估与基准测试

项目包含20个有来源支持的测试案例，可通过`agenda-intelligence bench`命令复现：

| 指标 | 数值 |
|------|------|
| 案例数 | 20 |
| 平均分数 | 87.6/100 |
| 最低/最高 | 84/91 |
| 模式验证通过率 | 100% |
| 带证据包 | 100% |
| 带声明级审计 | 100% |
| 平均来源覆盖度 | 14.8% |
| 来源覆盖缺口案例 | 20 |
| 孤儿证据引用 | 0 |

需要注意的是，启发式分数未经校准，也未针对专家判断进行验证。它们评估的是结构、证据标签、来源覆盖诊断和决策准备度，而非事实真实性。

## 使用场景与集成

### 快速开始

```bash
pip install agenda-intelligence-md
agenda-intelligence doctor
agenda-intelligence validate-brief examples/agenda-brief.json
agenda-intelligence score examples/agenda-brief.json --evidence examples/source/evidence-pack.json
```

### MCP客户端集成

系统支持与Cursor等MCP客户端集成：

```bash
agenda-intelligence mcp-config --client cursor
```

生成配置后，客户端可以通过标准MCP协议调用Agenda Intelligence的工具。

### 完整分析追踪

项目提供端到端的analyze追踪示例，展示从请求到路由、备忘录、验证、审计、评分的完整流程，附带可复现脚本。

## 局限与边界

项目文档明确列出了系统不提供的功能，这种透明度对于建立用户信任至关重要：

- **不是事实性验证器**：不验证声明的真实性
- **不是自主新闻代理或来源检索器**：不主动获取信息
- **不是来源声誉评分器或实时新闻收集器**：不评估来源可信度
- **不是分析师判断的替代品**：最终决策仍需人类专家
- **不是合规、法律或财务咨询产品**：不适用于受监管场景

## 实际意义

Agenda Intelligence代表了一种重要的AI应用设计模式：在通用LLM之上构建领域特定的约束层，通过结构化契约和验证机制提高输出的可靠性和可审计性。这种模式特别适用于以下场景：

1. **企业情报分析**：需要一致、可审计的分析流程
2. **风险评估报告**：高 stakes 决策需要证据支持
3. **多智能体协作**：标准化的输入输出便于智能体间协作
4. **合规敏感场景**：需要明确的审计追踪

## 未来发展方向

虽然当前版本已经提供了完整的基础架构，但仍有改进空间：

- 集成实时信息检索能力（在保持证据纪律的前提下）
- 开发来源声誉评估模块
- 扩展地理覆盖范围
- 建立社区驱动的最佳实践库
- 开发可视化界面，降低使用门槛

## 结语

Agenda Intelligence展示了如何在利用LLM能力的同时，通过架构设计弥补其固有局限。它不是试图让LLM变得更"智能"，而是通过结构化的约束和验证机制，让LLM的输出变得更可靠、更可审计、更适合专业场景。这种"约束优于能力"的设计理念，为其他领域的AI应用提供了有价值的参考。