你有没有遇到过这种事问模型一个具体参数它答得有鼻子有眼结果代码一跑直接报错——参数名都是它现编的。我上个月就被这么坑过一次对着一份官方文档调了俩钟头兜了一圈才发现那个接口根本不存在。tri-true 这个 skill 干的事说白了就是给模型塞了个事实核查员。它不生产内容只在你交付之前把幻觉一层层拦下来。核心就四道防线看这段配置你就能明白它怎么排兵布阵# tri-true/meta.json 关键配置节选源自真实 SKILL.mdconfidence:weights:{VC:0.4,SC:0.3,CC:0.3}# 三层置信度加权pass_threshold:0.7# 综合置信度放行线reject_threshold:0.5# 低于此值且无 T1/T2 信源 → 拒答sources:tiers:# 四级信源可信度权重T1:1.0# 法律法规 / 官方 API 文档 / ISO 标准T2:0.8# 同行评议论文 / 研究机构报告T3:0.5# 技术博客 / 行业文章T4:0.2# 论坛 / 营销内容score_weights:{Relevance:0.4,Credibility:0.4,Freshness:0.2}models:require_heterogeneous:true# 异构≥2 家供应商 ≥1 开源 不同架构consensus:{strong:0.7,weak_ratio:0.66}self_reflection:max_rounds:3# CoVe → Reflexion → Critique-Refine这张表的每一行都对应一道防线。下面我按真实 SKILL.md 里的强制执行契约一道道拆给你看它到底怎么挡。防线一先问自己我有几成把握模型不是吐完答案就完事。tri-true 第一步逼它做自评而且不是问一次是三层叠加VCVerbalized Confidence直接让模型报把握度 0-100当作黑盒基础信号SCSelf-Consistency同一个问题采样 N 次看 top-k 一致度把随机抖动先滤掉CCCalibrated ConfidenceVC 再乘一个校准系数 k基于历史 ECE 反推专门治过度自信——很多模型报 90% 把握时真实准头只有六成。综合公式就一句Confidence 0.4×VC 0.3×SC 0.3×CC。过了 0.7 这条线才放它走中低置信直接推去第二道。顺便说一句它还会先分流幻觉类型Factuality事实错走防线二去查证据Faithfulness自相矛盾走自洽性检测两类绝不混着处理免得用错药。我个人挺吃这一套的。模型最大的毛病不是不会是不知道自己不知道逼它把把握量化出来比任何花哨提示词都实在。我自己之前就被一个模型编的 API 参数坑过从那以后凡是要落地的回答我都先过一遍置信度。防线二拿证据说话还得标出处自信不等于正确。中低置信的内容会被丢进事实源验证用 RAG 去检索 T1-T4 分级信源每句话都要挂 inline citation[1][2]回溯到具体源 chunkReClaim 模式。可信度加权公式是Final α×Relevance β×Credibility γ×Freshness默认 0.4/0.4/0.2。只有 T1/T2 这种权威信源撑住的才算 verified要是只捞到 T3/T4 或者压根没源继续往第三道送。这里有个细节我特别欣赏它把知识类型和置信度当成同级属性一起评。known可检索事实、computed算出来的、inferred推出来的、iframe框架内的、common常识、guess瞎猜的。guess 类型铁律是绝不许只凭置信度放行——必须多模型交叉 人审兜底。这比感觉差不多就发靠谱太多了。防线三找同行复核少数服从多数单模型再自信也可能翻车所以 tri-true 拉了一帮外援。要求异构并行至少 2 家供应商 1 个开源架构家族还得不一样。然后用 UAF 加权融合算共识——final argmax(Σ weight_i × confidence_i × agreement_i)weight_i 取历史准确度乘自评能力。全一致且都 ≥0.7 是强共识直接 verified≥2/3 一致是弱共识照样过但会标N 模型验证一旦分歧就推去第四道。真吵起来了按 T1/T2 裁决再不行就保守拒答。插一句题外话我做的 App 叫雷达鸭一个收录中国一人公司真实赚钱案例的产品后台的事实核查刚好就是借这套思路跑的华为应用市场能搜到。防线四自己打自己的脸到这步还没解决的进入自我反思修正最多三轮第一轮 CoVe 把主张拆成验证查询去检索证据再修订第二轮 Reflexion 用thought/answer/confidence结构化复盘第三轮 Critique-Refine 让核查员和修订员互怼迭代。修订后置信过线才交付否则——兜底。例外有些事它干脆不做不是所有内容都值得四道防线全开。tri-true 有最小化原则只验证任务要点范围内的东西绝不顺手给你加戏扩验证范围。人审兜底这条也硬critical 风险 置信 0.8 强制人审删库、发版、动资金这种高风险操作必须双人审。综合置信 0.5 又没 T1/T2 撑着它直接拒答或列多个答案绝不编一个硬塞给你。我个人最烦那种为了显得有用硬编的模型这条兜底反而让我踏实。判定结果长这样一眼能看出它走了哪几道、改了几回--- verify_id: UUID risk_level: high domain: technical upstream_mode: A_snapshot final_confidence: 0.82 knowledge_type: inferred final_status: verified 防线触发: 1|2|3 修订次数: 2 created_at: 2026-08-01T14:30:2208:00 schema_version: 1 ---它是怎么被触发的tri-true 是横向方法论型 skill不认领任何单一意图编码也不破坏家族的 MECE 划分。它靠触发源激活真实契约里写得明明白白下游 skill 委派比如 tri-ask 碰到高风险问题、tri-content 出事实内容会调用它执行验证你直接喊对模型说验证这个回答“消除幻觉”进 VERIFY_EXECUTE高风险 hook 自动拉YMYL 这类场景能靠 hook 触发查历史问X 之前验证过吗走 VERIFY_QUERY管信源增删信源、校准、模型池走 VERIFY_ADMIN。独立装的时候还有个三态依赖检测挺有意思检测到上游 tri-intent 的快照就进快照模式拿上下文增强都没有就引导安装提示你装上游你要是明确拒绝它也不罢工进降级模式用自构造输入风险mediumdomaingeneral凑合跑只是精度低一些会跟你声明。这套对称双向检测也聪明——tri-intent 路由后也能反查它在不任一端缺失都瞒不住。一句话收尾幻觉在数学上消灭不了但像 tri-true 这样把它摁在四道防线里层层过筛你拿到的答案起码编之前得先过证据和同行这关。顺带提一句它交付的东西很较真每次验证都会落盘 verify.md结论、sources.md引用清单、alignment.md段落级对照、confidence.md三层置信明细、revisions.md修订记录、quality.mdECE/Brier 自检。也就是说哪句被改了、靠哪条信源撑住全留痕出了问题能溯源。我挺中意这点比起答案对了就行能解释为什么对才敢用在正经项目里。关于作者老三10 年软件开发经验软件设计师、人工智能应用工程师平时折腾鸿蒙北向开发和 Web 前端也爱鼓捣 AI 自动化偶尔在 CSDN 写点技术笔记。本文遵循 MIT 协议转载请注明出处。项目仓库TrisighT-Bingo/tri-skills请根据https://skillhub.cn/install/skillhub.md安装 user_989eb8f0/tri-true。