開源框架 · Agent Method Execution Protocol

把方法論變成跑得起來的 Agent 協議。

AMEP 把一套人類方法論封裝成確定、可審計的協議——讓 Agent 真的去跑，而不是讀一段提示就算了。每個 method pack 就是一顆小小的 Python kernel，外加 schema、CLI、trace memory，還有一套保守的 claim-state 詞彙。

開源 · 即將釋出

為什麼一段提示詞不夠

提示詞夠靈活，卻管不住行為；工作流固定了順序，卻裝不下方法論的判斷與降級；工具能延伸能力，卻不會告訴你何時用、為何用、用到多深。AMEP 補的，就是這中間那一層。

Prompt

夠靈活，卻沒有穩定狀態、版本控制、審計，也沒有失敗協議。

Workflow

順序穩定，但它只說了步驟——說不出方法背後的判斷準則。

AMEP method pack

可重複、可驗證、可審計、可版控——一套編譯成協議的方法論。

每個 pack 都拆成同樣的十二層，跑一個雙向迴圈：Agent 往前生成，pack 往回審計，耦合這一步再回頭修正下一個動作。

雙向迴圈

同一個母協議，五種紀律。RigorLoop 是參考實作，另外四個都沿用它的 I/O 流程、trace memory 與 claim-state 紀律。

參考實作。一套給數學與研究型 Agent 的雙向嚴格化審計協議：把主張正規化、登記缺口、建立引用台帳、備好 Lean 形式化——用保守的 claim-state 守住分寸，不過度宣稱。

把創作、產品、研究或策略任務拆成 GCPR 七元組，先診斷自身與問題的狀態，再選一條創造路線（速寫、精修、升維……），跑迭代操作迴圈，最後把成果投影回可行域。

跨尺度、看語境的動態因果建模，搭配有界虛擬干預，再用尺度—時域不確定性守門器把關；一旦預測超出觀察者能掌握的範圍，就主動降級——不給你假精準。

元認知方法包：先挑出一組最小夠用的推理模組，把概念剝回源點候選再重新編譯，最後把各模組的輸出整合成一個完整重構。

超博弈與世界規則推理：先看清眼前是什麼局，再抽出真規則與假規則，辨認使用者更深一層的意圖，然後給出一組安全、合法、不操控的策略——必要時還能 handoff 給其他 pack。

skill 是把一個能力封裝起來、載進 agent 的辦法；method pack 才是底下那顆確定、受審計的引擎。你可以用一個 skill 把 pack 包出來——但真正在跑的，是 pack。

kernel 跑起來不靠任何 LLM 呼叫；五個 pack 都有單元測試撐著，行為每次都一樣——不像提示詞，跑一次漂一次。

append-only JSONL trace memory、保守的 claim-state 詞彙、結構化的 audit findings；每跑一次，都留下一條看得見的軌跡。

輸出在執行期就對著 JSON schema 驗過，五個 pack 也都實作同一套 12 層 method-pack 契約。

既能塞進任何 agent（Claude Code、Codex……）當 CLI 跑，也能單獨執行；純標準庫 Python，不綁任何平台。

AMEP 是 EVEMISS Technology 開源層的一塊——替有紀律、可審計的 agentic 工作打底。