lajosdeme/mole

解决的问题

mole 是一个专为解决 AI 驱动研究常见陷阱而设计的深度研究代理：不可控的 API 成本、无证据的幻觉（声称无依据）、以及分析本地数据时的隐私风险。它确保研究报告中的每一个主张都基于来源的原文引用，并且研究运行的总成本永远不会超过用户定义的预算。

工作原理

该代理遵循一个结构化流程：将问题分解为子问题，搜索来源，提取主张，并与原始文本进行验证。它使用主张图来仲裁矛盾，并合成带有引用的最终答案。

关键机制包括：

• 预算强制：每次模型调用在执行前都会在账本中预留，执行后结算，确保支出有硬性上限。
• 验证：如果支持的引文在源页面中未完全一致出现，相关主张将被丢弃。
• 隐私边界：对于本地数据（CSV、JSON 等），模型仅选择模板和列名；mole 在本地渲染并运行 SQL，仅将聚合结果（计数、均值等）返回给模型，原始行数据永远不会离开机器。
• MCP 集成：可作为独立代理运行，或通过 Model Context Protocol (MCP) 以「工具包模式」运行，允许其他编码代理使用其确定性工具进行研究和数据分析。

适用人群

需要高保真、可验证的 AI 研究，同时具备严格成本控制能力，并能分析本地数据集而不泄露数据隐私的研究人员、开发者和分析师。

主要亮点

• 硬性预算上限：支出限制零超支。
• 原文引用验证：每个主张均与来源核对，彻底消除幻觉。
• 隐私保护型本地分析：在本地运行 SQL 分析您的数据，仅向 LLM 传递聚合结果。
• 支持 MCP：可由其他代理驱动，或作为一组研究工具使用。
• 学术集成：提供专门用于查询 Crossref、OpenAlex、arXiv 和 PubMed 的代理。
• 数据集模式：可从研究中构建结构化数据集，而不仅仅是生成文本。