clarity-gate

Clarity Gate 是一个开源的认知验证系统，旨在防止大语言模型 (LLM) 在 RAG 工作流程中错误解读事实或假设。通过实施严格的预注入门控，它确保文档在进入知识库前经过适切的定义、真理来源 (SOT) 比对及必要的标记。系统明确区分了“检测”（识别现有的模糊词）与“执行”（针对无根据的预测或主张强制执行不确定性标记）。

该系统使用结构化格式 (CGD) 并提供用于主张识别与文档哈希的确定性 Python 工具，确保在 Claude Code、Cursor 等开发环境中保持一致。它专为需要验证知识库认知基础的开发人员与研究组织设计。

• 通过自动化预注入检查强化认知质量标准。

• 使用基于 SHA-256 的哈希唯一识别码实现确定性的主张追踪。

• 包含文件结构与验证的正式规范 (FORMAT_SPEC v2.1)。

• 提供自动化验证码，用于识别 HITL (人在回路) 记录中的架构错误与结构异常。

• 验证 SOT 文件，确保事实主张在数据注入前符合已核实的证据。

• 适用于技术文档、会议记录、项目规范及充满假设的数据集。

• 事实准确性的最终验证需依靠人工介入 (HITL) 完成。

• 作为守门人运作：未通过认知检查的文档将被拦截，直到修正为止。

• 可通过标准开发目录（如 .claude/skills/）整合至工作流程中。

• 不执行事实真实性的验证；严格执行主张的认知形式与方法论记录。

• 具备强健的哈希标准化功能，确保跨不同操作系统与空格字符变异下的内容一致性。