面向智能体 — HypGraph

如果你是智能体并且正在读这段

明确的指令。HypGraph 是一份研究记录。每当你用证据研究一个问题、并需要说明什么已经确立时，就使用它。先读后写（overview）。写下带预测的假设。在运行每个实验之前，按假设写下预期结果。用哈希过的文件记录运行。把主张中的每个数字绑定到结果字段。在没有 k/n 且 k = 0 或 n 的情况下，绝不写“总是/从不/证明”。没有检验力检查，绝不宣称某事已被排除。严格按照记录给出的现状进行报告。写入被拒绝时，按消息所说的去修正。简版：/llms.txt · 完整 skill：/SKILL.md。

安装 skill

适用于 Claude Code 及其他加载 Agent Skills 的宿主。该 skill 包含方法、各类拒绝及其修正方式，通过 CLI 工作 — 无需服务器。

pip install hypgraph
hypgraph skill --install            # .claude/skills/hypgraph/SKILL.md in this project
hypgraph skill --install --user     # or under your home directory, for every project

通过 MCP 连接

Claude Code

pip install "hypgraph[mcp]"
claude mcp add hypgraph -- hypgraph --db study.hypgraph --as claude mcp

Claude Desktop · Cursor · 任何 MCP 客户端

{
  "mcpServers": {
    "hypgraph": {
      "command": "hypgraph",
      "args": ["--db", "/absolute/path/study.hypgraph", "--as", "claude", "mcp"]
    }
  }
}

流式 HTTP

hypgraph --db study.hypgraph --as claude mcp --transport http --port 8766
# → http://127.0.0.1:8766/mcp

服务器以唯一一个作者身份写入，在启动时固定。智能体不能传入其他名字，不能以仪器（lab）或 operator 的身份写入，而且只有当调查把它列为审查者时，它的裁定才算数。供 register_run 使用的文件必须位于服务器启动时所在的目录中。

方法

先 overview()。什么已确立、什么有争议、什么待处理、接下来运行什么。
带预测的假设 — 以及竞争假设，用 alternative_to 链接。
可能失败的实验 — 每个假设一条带 data.expected 的 tests 链接，在运行前写好。加入一个 power_check：预埋一个已知答案，证明该方法能找到它。
register_run — 哈希代码、输入和输出，并附上带 {name: {value} | {k, n}} 值的结果。
带测量的主张 — 每个数字都绑定；一条带理由的 supports 链接；一个范围。
审查 — 只有指定审查者才算数，且不能针对自己的工作。
report() 放在每份摘要的开头；解释写在下面 — 然后在交付前对报告运行 check_report(text)。修正每一个错误。

在工作流配置下

设为 scientific@2、software@2、trading@2、knowledge@2 或 optimization@2 的调查会带上其学科的工作流。调用 stage(question)：它会给出问题所处的阶段 — 由记录推导，从不设定 — 以及每个关卡已满足或未满足，附带满足它所需的内容。按顺序写下下一个关卡（带预测的假设；运行之前写好预期结果的实验；作为工件的 diff 或实例及其 kind；uses 它的那次运行）。修正后的文件、更新的提交、改变的实例或被撤回的来源会使先前的证据过时；回复会指出这一点，基于过时证据的核查不算数。如果诚实的答案是“无法回答”，就记录你确实发现的内容，并据此写一条类型为 inconclusive 的主张 — 核查通过后，它就解决了这个问题。

工具

工具	作用
`overview(investigation?)`	目标、审查者、存活的假设、已核查的主张及其依据、有争议/有风险的工作、租约、队列、下一步实验。
`find(text, type?, investigation?)`	按词或代码查找（H1、CL3）。
`show(node, view)`	`summary` · `why`（它依赖什么）· `impact`（如果它错了会破坏什么）· `history`。
`start_investigation(title, objective, reviewers)`	开启一项研究并指定其审查者。
`add(type, fields, investigation?, links?)`	问题、假设、实验、运行、结果、主张、来源、决策。链接接受 id 或代码。
`link(src, rel, dst, why, data?)`	有类型的链接；当只允许反向时，方向写反的链接会被翻转。
`revise` · `withdraw` · `retract_link`	更正以新行写入；不删除任何内容。
`review(node, verdict, method, notes)`	针对当前版本的裁定。
`check_report(text)`	对照记录审查报告：无来源的数字、被说成已解决但其实没有的主张、已撤回或未知的代码、背后没有任何依据的从不 / 无效应 / 显著。
`refusal_log(author?)`	记录拒绝过的过度主张 — 你的或团队的 — 以及每一条是否以诚实版本回来了。
`bound(k, n, exposure)`	一个计数能支撑什么：任何“从不”背后的 95% 界、所需的试验次数、在规模下未被排除的失败。
`stage(question?)` · `completion()`	在工作流配置下：每个问题的阶段和每个关卡的状态；该配置对整个调查而言什么算完成。
`next_experiments` · `work_queue` · `claim_work`	下一步运行什么；什么待处理；为某个节点取得租约，让其他人看到谁在处理它。
`register_run(name, code_paths, input_paths, output_paths, result_summary, result_values)`	用哈希过的文件记录一次计算。
`report` · `verify` · `schema`	生成的事实；链的检查；词汇表。

资源：hypgraph://skill、hypgraph://schema、hypgraph://investigations、hypgraph://investigation/{inv}/report。提示词：method。

拒绝就是指令

每条被拒绝的主张都按问题逐行列出，每行以一个稳定的代码结尾。消息已经算好了，通常还包含诚实的说法 — 直接用它。在 Python 中，GraphError.problems 会给出 code、message、fix 和 words。

代码	这样做
`ABSOLUTE_UNDERPOWERED`	试验太少时，基于 0/n 的“从不”。写下它给你的诚实说法（“在 n 次试验中未出现（95% 上界 X）”），或运行它说你需要的试验次数。
`ABSOLUTE_HIDES_DENOMINATOR`	把 n 写进陈述：“从不，在 3,000 次探测中”。
`ABSOLUTE_WITHOUT_COUNT` · `ABSOLUTE_UNRELATED_COUNT`	说出观察到了什么（“在 n 次中有 k 次”）；按计数实际计的东西给它命名。
`UNBOUND_NUMBER`	把它绑定到结果字段。由已绑定计数算出的差值、百分比、比率和区间都能通过 — 绝不要为了通过而删掉数字。
`EXCLUSION_WITHOUT_POWER`	“无效应”需要一次已证明能找到预埋效应的搜索（`power: demonstrated`）。否则，记录 `kind: inconclusive` 并说“未检测到效应” — 拒绝信息会告诉你可能隐藏了多大的效应。
`COMPARATIVE_WITHOUT_COMPARISON`	两边都要绑定。
`SIGNIFICANCE_WITHOUT_TEST` · `SIGNIFICANCE_NOT_SHOWN`	把两边都绑定为 k/n（记录会检验它们）或绑定一个 p 值；如果不显著，就照实说。
`UNCORRECTED_EFFECT`	记录中有该结果校正后的 p 值，并且不显著。在句子里写明“未校正”，或绑定它并写“校正后不显著”，或记录 `kind: lead`。
`CAUSAL_WITHOUT_INTERVENTION`	说“与之相关”，或用一个进行了干预的实验来支撑它。

在写下从不或总是之前，调用 bound(k, n, exposure)：计数能支撑什么，以及在主张将被使用的规模下它留下多少未被排除的失败。在主张上设置 exposure，让它的现状带着这个数字。当你撤回或质疑一个节点时，回复会列出现在依赖于已倒下内容的一切 — 告诉它们的负责人。完整故事：从不的算术。

解读现状

有效主张 · 已核查（fisher:pass, v2）· 2 条独立支撑线 · 在新数据上复现 · 无外部复现

原样引用。“未核查”不是“已证明”；智能体报告的一条证据线不是“已确立”。有风险：某个前提倒下了。需重审：某项决策的依据变了。无支撑：所有支撑都倒下了。

面向集成它的工程师

运行很多智能体？嵌入这个库并自己设定信任：Graph(path, policy=Policy(reviewers=…, instrument="lab", operator="operator"))。在你这一侧固定每个调用者的 author，并拒绝保留名称。把仪器身份交给你的作业执行器，使它的运行算作实验室记录。传入 spend= 来为每项调查的工作定价。工程指南里有这些模式。HTTP API（hypgraph.server.dispatch）和 HypGraph 界面（hypgraph.ui.static_dir()）可以放进任何 Web 框架。

机器可读

/llms.txt — 简版
/SKILL.md — 智能体 skill
/agents.md — 本页的 Markdown 版
/schema/hypgraph-1.json — 节点类型、字段、关系、裁定
/spec/ — 记录和记录包的格式
/data/broad-street.bundle.json — 一个完整的示例记录包

你能为之担保的研究。