Critigraph Vm

用纯数学 MCTS 与多智能体对抗博弈做领域无关的推理搜索，输出最优路径、期望胜率与完整搜索树，并给出约 20 行的领域适配器示例。文档称不调用 LLM，仅含说明文档，未附带可执行引擎代码或训练数据。

lybang972314

热度 16.02

最近更新 2026-06-26 23:29:01

分类：数据依赖：代码执行应用场景：研究 / 报告撰写 / 概念解释

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add critigraph-vm

Metadata

name: critigraph-vm
description: 对抗式推理虚拟机 — 纯数学 MCTS 博弈树搜索。不是给答案，是找出所有反驳你的路径，然后告诉你哪条路能赢。
version: 0.2.0
metadata: {"openclaw":{"requires":{"bins":["python3"]},"homepage":"https://github.com/lybang972314/critigraph-vm","emoji":"⚔️"}}

CritiGraph VM ⚔️

不是回答问题。是找出所有反驳你的路径，然后告诉你哪条路能赢。

一个领域无关的对抗式推理虚拟机。它不读你的文本，不懂你的领域，不调任何 LLM。

只做三件事

推理 — 纯数学 MCTS 树搜索，探索所有可能路径
对抗 — 非对称多智能体博弈，自动生成反方视角
决策 — 输出最优路径 + 期望胜率 + 完整搜索树

核心引擎

V = 1 / (1 + e^(-k * (X - θ))) * (1 - Ω)

这就是全部。没有 prompt，没有 embedding，没有 API 调用。三个参数：状态标量 X、非对称阈值 θ、刚性约束 Ω。

为什么不是又一个 LLM 包装器

LLM:      "这个证据应该有效"          → 一个回答
CoT:      "因为A所以B所以C"           → 一条思路  
CritiGraph:                            → 一棵树
                    ROOT
                   /    \
             提交证据    质证
             /      \
          通过     非法证据排除(Ω=1→剪枝)

LLM 告诉你答案。CritiGraph 告诉你对手会怎么反驳，以及你被反驳后赢的几率还剩多少。

竞品全景

	推理	对抗	决策	领域无关	纯数学	开源
ChatGPT/Claude	✅链	❌	❌	✅	❌	❌
o1/o3	✅深链	❌	⚠️	✅	❌	❌
AlphaGo/MuZero	✅树	✅游戏	✅游戏	❌	✅	❌
CritiGraph	✅树	✅通用	✅排名	✅	✅	✅MIT

任何领域，~20行适配器

# ⚖️ 法律
class EvidenceAdapter(BaseAdapter):
    def generate_ops(self, X, agent_id):
        if agent_id == 0: return [(min(1.0, X+0.15), 1, "提交证据", False, False)]
        return [(max(0.0, X-0.20), 0, "质证", False, False)]

# 📊 量化
class SignalAdapter(BaseAdapter):
    def generate_ops(self, X, agent_id):
        if agent_id == 0: return [(min(1.0, X+0.10), 1, "加仓", False, False)]
        return [(max(0.0, X-0.15), 0, "止损", False, False)]

v0.2 新增：数据训练引擎

数据越多 → 参数越精确 → 推理越强。不是黑盒，每个参数都有物理含义。50-500 条标注案例即可训练。

生产验证

✅ 50 基准测试全通过
✅ Hermes 多 Agent 系统运行
✅ 4 领域适配器（法律/量化/代码审查/安全审计）

GitHub · MIT License · Enterprise → Contact