01
问题
智能体可能通过熟悉的测试，却在证据不完整、工具相互冲突、记忆被污染或多个智能体共同强化同一错误假设时失败。最终答案正确并不能证明证据来源独立，也不能证明修正会在环境变化后继续有效。
ICISELFLAB / SENTINEL
超越基准分数，对 AI 智能体进行压力测试
ICI Sentinel 分析故障如何在智能体、记忆、工具和编排器之间进入、传播并在修正后继续存在。它寻找单一基准分数无法解释的故障机制。
02
ICI 如何处理
Sentinel 将观察、推断、验证、来源、记忆和行动权限分开。它建立因果假设，用针对性反测试进行攻击，并在变化条件下重新运行。Trace Audit 在产生 ALLOW、WARN、BLOCK 或 HUMAN_REVIEW 工具权限结论之前区分 OBSERVED、INFERRED、VERIFIED、UNVERIFIED 和 CONTRADICTION。
03
运行示例
四个智能体达成一致，但都依赖同一个上游来源。Sentinel 将这种一致视为相关证据，改变来源可用性或工具权限，再测试共识是否能独立存续。若结果崩溃，共享依赖就会被保留为后续测试的故障机制。
04
证据纪律
公开 Live Trial 已提供服务器端 Trace Audit、来源分析、Goal Drift、Tool Authority、速率限制、敏感信息脱敏和 JSON 审计导出。Real-Web 执行保持独立，仅在服务器配置了提供商凭据时显示为已配置。
CONTACT
与 ICI 合作
研究合作、受控试点和技术评估。