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。 Not about giving answers. It finds every way to argue against you — then tells you which path wins.
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。
它只做三件事：
- 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
法律、量化、代码审查、学术论证、安全审计……任意领域，写一个 ~20 行的适配器就能用。
A domain-agnostic adversarial reasoning VM. It doesn't read your text, doesn't understand your domain, doesn't call any LLM.
It does exactly three things:
- Reason — Pure math MCTS tree search, exploring all possible paths
- Argue against you — Asymmetric multi-agent game, auto-generating counter-arguments
- Decide — Output the winning path + expected win rate + full search tree
Legal, quant, code review, academic debate, security audit… any domain. Write a ~20-line adapter and you're done.
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
o1/o3: "Let me think step by step" → 一条链
CritiGraph: → 一棵树
ROOT (X=0.6)
/ | \
提交证据 证人 举证完毕
/ \ | \
质证 要求原件 结束 排除非法证据(Ω=1→剪枝)
/ |
... 胜率0.82* ← 最优路径
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。
LLMs give you an answer. CritiGraph tells you how your opponent will counter-argue, and what your odds are after every counter.
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：
That's everything. No prompts, no embeddings, no API calls. Three parameters:
| 参数 Param | 含义 Meaning | 例 Example |
|---|---|---|
| X | 状态标量 State | 事实证明力 0.6 / 信号置信度 0.8 |
| θ | 非对称阈值 Threshold | 刑事 0.90 / 民事 0.75 / 量化 0.65 |
| Ω | 刚性约束 Hard gate | 程序违法=1（直接熔断） |
Agent₀ 和 Agent₁ 用不同的 θ，同一棵树，两种视角。这就是非对称博弈。
Agent₀ and Agent₁ use different θ values. Same tree, two perspectives. That's asymmetric gameplay.
150 次对抗推演，统计结果：
民事 (X=0.60, θ=0.75):
最优操作: 提交证据 → 期望胜率 0.82
访问分布: 提交证据(342) > 证人(118) > 举证完毕(40)
每一步都是 MCTS 搜索出来的，不是"想"出来的。
Every move is searched via MCTS, not "thought" via LLM.
# 控方操作: 提交证据(+X)、传唤证人(+X)
# 辩方操作: 质证(-X)、非法证据排除(Ω=1)
# 同一个 VM，两边轮流走——零和博弈，纳什均衡收敛你不需要写反方逻辑。引擎自己探索。 You don't write the opponent's logic. The engine explores it.
{
"top_actions": [
{"operator": "提交证据", "value": 0.82},
{"operator": "证人作证", "value": 0.71},
{"operator": "举证完毕", "value": 0.55}
],
"stats": {"nodes_explored": 342, "tree_depth": 8, "time_ms": 245}
}不只是"建议A"，是"A(82%) > B(71%) > C(55%)，搜索了342个节点，深度8层。" Not just "suggest A". It's "A(82%) > B(71%) > C(55%), searched 342 nodes at depth 8."
CritiGraph 不是黑盒。它是一个参数化的博弈引擎。
V = 1 / (1 + e^(-k * (X - θ))) * (1 - Ω)
引擎的"智商"取决于 5 个参���的精度：θ（阈值）、k（陡峭度）、操作子 δ（影响力）、Ω（硬闸门）、领域权重。
这与 LLM 训练有本质区别：
| LLM 训练 | CritiGraph 训练 | |
|---|---|---|
| 数据→能力 | 梯度下降 → 隐式权重 | 网格搜索 → 显式参数 |
| 可解释性 | 黑盒 | 每个参数都有物理含义 |
| 增量更新 | 需要全量重训 | 单条新数据即时更新 |
| 数据需求 | 万亿 token | 50-500 条标注案例 |
| 通用性 | 依赖语料库覆盖 | 任何能提供 (X, 操作, 结果) 的领域 |
数据越多 → 网格越密 → 参数越精确 → 推理越强。 这不是口号，是数学。
The more data you feed it, the more accurate its parameters become — and the stronger its reasoning gets. This is math, not marketing.
| 维度 | 学什么 | 数据来源 | 最少样本 |
|---|---|---|---|
| θ 校准 | 正/反方最优阈值 | 标注 (X, 结果) 对 | 20 |
| k 校准 | Sigmoid 陡峭度 | 结果分布方差 | 30 |
| 操作子 δ | 每个操作的真实影响力 | 操作→胜率统计 | 15/操作 |
| Ω 发现 | 硬闸门条件 | 100%失败案例 | 3/条件 |
| 领域权重 | (Se, Sl, Sa) 最优配比 | 多领域数据 | 20/领域 |
{"X": 0.6, "operator": "提交证据", "delta_X": 0.15, "outcome": 1, "domain": "legal"}任何领域都能提供这 5 个字段。 法律用证据强度、量化用信号置信度、代码审查用 PR 质量分——统一映射到 [0,1] 的 X。
from critigraph_vm import CritiGraphTrainer
trainer = CritiGraphTrainer()
trainer.load_jsonl("my_domain_cases.jsonl") # 批量导入
result = trainer.train("my_domain")
# → θ=0.78, k=80, accuracy=0.85
# 导出为 VM 预设，直接替换 agent_tool 的 _presets
preset = trainer.export_preset("my_domain")| ��域 | 样本数 | 学习后 θ | 准确率 | 自动发现的 Ω 规则 |
|---|---|---|---|---|
| 法律 | 50 | 0.45 | 98% | 非法证据排除(=1), X<0.2 熔断 |
| 量化 | 60 | 0.55 | 91.7% | 止损全败时熔断 |
| 安全审计 | 40 | 0.80 | 95% | 漏洞利用(=1) |
| 代码审查 | 35 | 0.70 | 97.1% | REJECT 硬约束 |
同一个引擎，4 个不同领域，数据自动调参。 不需要改一行代码。
Same engine, 4 different domains, parameters auto-tuned from data. Zero code changes.
# 初始训练
trainer.load_jsonl("legal_v1.jsonl") # 50 条 → θ=0.75
# 新案件来了，追加
trainer.add_sample(X=0.3, operator="质证", delta_X=-0.1, outcome=0, domain="legal")
# 即时重训（毫秒级）
result = trainer.train("legal")
# → θ=0.73, 准确率 85%→87%不需要 GPU，不需要重新部署。每一次交互都在改善参数。
No GPU needed. No redeployment. Every interaction improves the parameters.
同一个引擎，三个完全不同领域：
Same engine, three completely different domains:
# ⚖️ 法律: 证据对抗
class EvidenceAdapter(BaseAdapter):
def generate_ops(self, X, agent_id):
if agent_id == 0: # 控方
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)] # 辩方
# 📊 量化: 信号验证
class SignalAdapter(BaseAdapter):
def generate_ops(self, X, agent_id):
if agent_id == 0: # 多头
return [(min(1.0, X+0.10), 1, "加仓", False, False)]
return [(max(0.0, X-0.15), 0, "止损", False, False)] # 空头
# 💻 代码审查: PR 对抗
class CodeReviewAdapter(BaseAdapter):
def generate_ops(self, X, agent_id):
if agent_id == 0: # 审查方
return [(min(1.0, X+0.05), 1, "APROVE", X>0.8, False)]
return [(max(0.0, X-0.10), 0, "REQUEST_CHANGES", False, False)]三个适配器，每个 ~10 行。引擎不变。
Three adapters, ~10 lines each. Engine unchanged.
pip install critigraph-vm
critigraph demo # 民事诉讼对抗 Demo
critigraph benchmark # 公理熔断基准（20/20 通过）from critigraph_vm import CritiGraphVM
vm = CritiGraphVM(k_factor=50)
vm.configure_agent(0, threshold=0.75, is_primary_mover=True, name="正方")
vm.configure_agent(1, threshold=0.25, is_primary_mover=False, name="反方")
best_op, win_rate, stats = vm.search(0.6, 0, my_operators, iterations=500)
# → ("提交证据", 0.82, {"nodes_explored": 342, "time_ms": 245})| 推理 Reason | 对抗 Adversarial | 决策 Decide | 领域无关 Universal | 纯数学 Pure Math | 开源 Open | |
|---|---|---|---|---|---|---|
| ChatGPT/Claude | ✅ 链式 | ❌ | ❌ | ✅ | ❌ | ❌ |
| OpenAI o1/o3 | ✅ 深度链 | ❌ | ✅ | ❌ | ❌ | |
| AlphaGo/MuZero | ✅ 树搜索 | ✅ 游戏 | ✅ 游戏 | ❌ | ✅ | ❌ |
| DeepSeek R1 | ✅ 链式 | ❌ | ❌ | ✅ | ❌ | ❌ |
| CritiGraph VM | ✅ 树搜索 | ✅ 通用 | ✅ 排名 | ✅ | ✅ | ✅ MIT |
LLM 给答案。CritiGraph 给胜率。
LLMs give answers. CritiGraph gives odds.
在 Hermes 多 Agent 系统中运行，自动化对抗推演：
✅ 50 个基准测试全部通过 (20 公理熔断 + 15 价值排序 + 15 策略推荐)
✅ 4 Agent 庭审模拟 (控方/辩方/法官/鉴定人)
✅ 自动悖论检测 (状态指纹循环检测)
✅ 熔断机制 (年龄/时效/程序/证据四类硬约束)
✅ 纳什均衡收敛判定
私有化部署 · 领域定制适配器 · 数据训练服务 · SLA 保障
Private deployment · Domain-specific adapters · Data training service · SLA guarantee
| 版本 Edition | 价格 Price | 内容 Includes |
|---|---|---|
| 社区版 Community | 免费 Free (MIT) | 完整代码 + 5领域预设 Full source + 5 domain presets |
| 企业版 Enterprise | 联系询价 Contact | 私有部署 + 领域定制 + 数据训练 + SLA |
📧 Enterprise → Contact
MIT — 随便用。任何领域。任何规模。 MIT — Use it anywhere. Any domain. Any scale.