Spec7

Spec7（中文常稱為7格架構或5W2H 結構化 JSON 規約）是一種專門面向大語言模型（LLM）與人工智能智能體（AI Agent）設計的**強類型數據結構化協議**。它將傳統管理學中的 5W2H 分析法進行了「機器對齊」改造，將其演進為 7 個嚴格定義的 JSON 格子（Fields）。

在 Agent 爆發 與 Harness（AI 馬具）生態中，Spec7 被廣泛應用作智能體之間、以及智能體與外部環境交互時的**數據通信協議**。通過將模糊的自然語言指令強制轉化為符合 Spec7 規範的 JSON 數據，能夠將大模型的狀態轉移概率硬性收斂，從根本上**治理 Agent 幻覺，並將 AI 對任務的理解與執行準確度提升至工業級標準**。

Spec7（7格）的 JSON Schema 欄位定義

在 Spec7 規範中，一個標準的任務或知識節點被嚴格解構為以下 7 個格子。以下是其標準的 JSON Schema 定義與 AI 機器理解邏輯：

```json {

 "\$schema": "https://jwjp.com",
 "title": "Spec7TaskFormat",
 "type": "object",
 "properties": {
   "what": {
     "type": "string",
     "description": "實體與核心動作。必須包含唯一的、無歧義的操作目標或對象，嚴禁使用模糊代詞。"
   },
   "why": {
     "type": "string",
     "description": "意圖與邊界約束。告知 AI 此任務的終極願景，用作防止『行動鏈路跑偏』的全局錨點。"
   },
   "who": {
     "type": "string",
     "description": "執行主體與權限邊界。明確定義當前的 Agent 身份標識、調用憑證（Token）及受控作用域。"
   },
   "when": {
     "type": "string",
     "description": "時間戳與觸發時機。包含嚴格的 ISO 8601 時間格式或觸發條件，攔截『時間線錯錯亂』幻覺。"
   },
   "where": {
     "type": "string",
     "description": "物理/數字環境上下文。指明操作發生的具體伺服器、數據庫、Obsidian 庫路徑或 API 終端。"
   },
   "how": {
     "type": "array",
     "items": { "type": "string" },
     "description": "有限步長原子操作序列。將複雜任務拆解為不可分割的順序執行步驟，嚴禁 Agent 自主泛化。"
   },
   "how_much": {
     "type": "object",
     "description": "度量指標與資源消耗上限。明確定義 Token 消耗上限、API 調用次數上限、預算成本（如金額）或執行超時時間。"
   }
 },
 "required": ["what", "why", "who", "when", "where", "how", "how_much"]

} ```

Spec7 治理 Agent 幻覺的實際應用機制

傳統的自然語言 Prompt（如：「*幫我分析一下剛才的數據並發封郵件*」）極易觸發 Agent 的 Agent 幻覺。而將其轉化為 Spec7 JSON 後，Harness 系統會通過以下三種機制硬性壓制幻覺：

1. 利用 `why` 欄位進行全局注意力錨定（反鏈路跑偏）

當任務步驟過長時，Agent 的短期記憶容易被中間步驟產生的垃圾日誌污染。

• 應用機制：Spec7 系統在每一步工具調用前，會強制將 JSON 中的 `why`（意圖約束）作為不可覆蓋的 System Prompt 重新注入。這就像給 Agent 的眼睛上貼了兩片擋板，迫使它的 Attention 機制始終聚焦在終極目標上，徹底解決了行動鏈路跑偏的難題。

2. 利用 `how` 欄位進行原子化步驟校驗（反工具誤用）

Agent 幻覺的一大特徵是喜歡憑空捏造 API 參數或任意調用未授權的工具。

• 應用機制：在 Spec7 格式下，`how` 被定義為一個強類型的字符串數組（序列）。AI 必須按順序完成數組中的步驟。Harness 沙箱在每執行完一格（Step）後，會自動比對執行狀態，一旦發現 Agent 試圖調用 `how` 數組之外的工具，立刻觸發安全回滾，解決了工具誤用與參數捏造的問題。

3. 利用 `how_much` 設置硬性數字邊界（反偽造結果與死循環）

當 Agent 遇到執行錯誤時，常會陷入無限重試的死循環，或者乾脆偽造執行結果。

• 應用機制：`how_much` 欄位為 AI 圈定了嚴格的物理邊界（例如 `"max_retry": 3`, `"max_tokens": 5000`）。一旦 Agent 幻覺發作試圖瞞報錯誤並無限重試，Harness 控制端會在 `how_much` 觸發臨界點的瞬間，直接從系統底層切斷進程，並報出強類型異常。

實戰對比：自然語言與 Spec7 JSON 差異

指令維度	傳統自然語言 Prompt	Spec7 結構化 JSON 數據
機器理解複雜度	高（需要進行語義解析和概率盲猜）	極低（精準映射到對應的 Key-Value，概率 100% 收斂）
幻覺觸發概率	高（容易因為長文本干擾產生漂移）	趨近於零（不符合 Schema 的數據會被預先攔截）
與馬具（Harness）適配度	差（無法進行自動化形式驗證）	完美適配（可直接進行 JSON Schema 自動校驗與沙箱隔離）

參見

• Agent 幻覺
• Harness
• Obsidian
• Boardline
• 數據要素