reverify — Stop your AI from making things up（reverify：让 AI 不再胡编，确定性工具来裁决）

📅 2026-09-06 | 🏷️ 值得研究的仓库 | ⭐ 923（7天爆发窗口）· Python
🔗 原文：https://github.com/2akouwu/reverify

是什么

一个刚发布一周就冲到 923 star 的开源项目，定位是「别让你的 AI 编造事实」：它把智能体的工作流切成两半——模型只负责提议（propose），而由确定性工具（deterministic tools）负责裁决（decide）。AI 产出的每一条声明都要对照 ground truth（基准真值）逐一检验并保留证据；经过验证的事实与上下文可以在会话重置后继续存活。项目提供 MCP server 和 CLI 两种接入形态，并以逆向工程作为主打验证场景（proving ground）。

🔍 小白解读

先说几个词

• 幻觉（hallucination）：AI 一本正经地说假话——编造不存在的函数、报错信息或结论，语气还特别自信。
• ground truth（基准真值）：拿铁证对答案。不是问 AI「对不对」，而是查数据库、跑测试、看真实文件，用事实说话。
• 确定性工具：同样的输入永远得到同样输出的程序（比如脚本、查询引擎），不像大模型每次回答都可能不一样。好比计算器 vs 一个爱蒙答案的学生。
• MCP（Model Context Protocol）：让大模型应用连接外部工具/数据的标准协议，类似 AI 世界的 USB 接口。
• 逆向工程：拿到一个软件或协议，反过来分析它内部是怎么工作的——AI 特别容易在这种「没有标准答案」的场景里瞎猜。

这篇到底在说什么

打个比方：现在的 AI 像一个特别自信的实习生，让他调查一件事，他会把「查到的」和「自己脑补的」混在一起汇报给你。reverify 的做法是给这位实习生配一位一丝不苟的审核员：实习生只能提想法，每一条「我发现了 XX」的说法，都必须由审核员去现场核实、盖章留底，没证据的说法不许进报告。而且核实过的结论会记在正式台账上，就算实习生换班（会话重置），台账还在，下一班接着用。项目选了逆向工程作为第一个「考场」，因为那是最容易瞎编、也最容易验证真伪的场景。上线一周 923 颗 star，说明「治幻觉」的需求相当旺盛。

这跟普通人有什么关系

用 AI 查资料、写分析报告最怕的就是被「一本正经的胡说」坑。这种「提议与验证分离」的思路意味着未来的 AI 工具会自带事实核查，输出更可信；对小团队来说，也意味着可以用便宜模型干活、用确定性校验兜底，而不必迷信更贵的模型。

为什么值得架构师关注

• 幻觉治理的架构化路径：把「生成」与「验证」解耦成独立组件，验证环节用确定性代码实现——这是可以写进架构规范的模式，比「换个更强模型」更可控、更可审计。
• 证据链即审计：每条声明对照 ground truth 并保留 evidence，天然满足合规与事后追责需求，适合金融/医疗等强审计场景。
• MCP 生态集成成本低：提供 MCP server + CLI 双形态，主流 agent 框架可直连，试点成本低。
• 状态持久化：经验证的事实与上下文跨会话存活，缓解 agent 长任务中的「记忆清零」问题。

核心内容

• 核心原则：模型 propose，确定性工具 decide——每条声明对照 ground truth 验证并附带证据（据仓库描述）。
• 状态管理：经过验证的事实与上下文在会话重置后依然存活（grounded facts and context survive resets）。
• 接入形态：MCP server + CLI，Python 实现。
• 主打场景：逆向工程（proving ground）——无标准答案、高瞎猜风险的领域。
• 热度信号：⭐923，创建于 2026-08-31，7 天爆发窗口。

行动建议

• 评估试用：在自家 agent 的输出侧加一道 reverify 式校验（先从有明确 ground truth 的场景入手：数据库状态、接口返回、文件内容），测量幻觉拦截率与误报率。
• 架构参考：即使不用该项目，其「提议/裁决分离 + 证据留存」的结构也值得抄进内部设计文档。
• 了解即可：不做 agent 落地的团队，可将其视为「AI 输出可信度工程化」趋势的风向标。