Spec7

Spec7（中文常称为7格架构或5W2H 结构化 JSON 规约）是一种专门面向大语言模型（LLM）与人工智慧智能体（AI Agent）设计的**强类型数据结构化协议**。它将传统管理学中的 5W2H 分析法进行了“机器对齐”改造，将其演进为 7 个严格定义的 JSON 格子（Fields）。

在 Agent 爆发 与 Harness（AI 马具）生态中，Spec7 被广泛应用作智能体之间、以及智能体与外部环境交互时的**数据通信协议**。通过将模糊的自然语言指令强制转化为符合 Spec7 规范的 JSON 数据，能够将大模型的状态转移概率硬性收敛，从根本上**治理 Agent 幻觉，并将 AI 对任务的理解与执行准确度提升至工业级标准**。

Spec7（7格）的 JSON Schema 栏位定义

在 Spec7 规范中，一个标准的任务或知识节点被严格解构为以下 7 个格子。以下是其标准的 JSON Schema 定义与 AI 机器理解逻辑：

```json {

 "\$schema": "https://jwjp.com",
 "title": "Spec7TaskFormat",
 "type": "object",
 "properties": {
   "what": {
     "type": "string",
     "description": "实体与核心动作。必须包含唯一的、无歧义的操作目标或对象，严禁使用模糊代词。"
   },
   "why": {
     "type": "string",
     "description": "意图与边界约束。告知 AI 此任务的终极愿景，用作防止‘行动链路跑偏’的全局锚点。"
   },
   "who": {
     "type": "string",
     "description": "执行主体与权限边界。明确定义当前的 Agent 身份标识、调用凭证（Token）及受控作用域。"
   },
   "when": {
     "type": "string",
     "description": "时间戳与触发时机。包含严格的 ISO 8601 时间格式或触发条件，拦截‘时间线错错乱’幻觉。"
   },
   "where": {
     "type": "string",
     "description": "物理/数字环境上下文。指明操作发生的具体服务器、数据库、Obsidian 库路径或 API 终端。"
   },
   "how": {
     "type": "array",
     "items": { "type": "string" },
     "description": "有限步长原子操作序列。将复杂任务拆解为不可分割的顺序执行步骤，严禁 Agent 自主泛化。"
   },
   "how_much": {
     "type": "object",
     "description": "度量指标与资源消耗上限。明确定义 Token 消耗上限、API 调用次数上限、预算成本（如金额）或执行超时时间。"
   }
 },
 "required": ["what", "why", "who", "when", "where", "how", "how_much"]

} ```

Spec7 治理 Agent 幻觉的实际应用机制

传统的自然语言 Prompt（如：“*帮我分析一下刚才的数据并发封邮件*”）极易触发 Agent 的 Agent 幻觉。而将其转化为 Spec7 JSON 后，Harness 系统会通过以下三种机制硬性压制幻觉：

1. 利用 `why` 栏位进行全局注意力锚定（反链路跑偏）

当任务步骤过长时，Agent 的短期记忆容易被中间步骤产生的垃圾日志污染。

• 应用机制：Spec7 系统在每一步工具调用前，会强制将 JSON 中的 `why`（意图约束）作为不可覆盖的 System Prompt 重新注入。这就像给 Agent 的眼睛上贴了两片挡板，迫使它的 Attention 机制始终聚焦在终极目标上，彻底解决了行动链路跑偏的难题。

2. 利用 `how` 栏位进行原子化步骤校验（反工具误用）

Agent 幻觉的一大特征是喜欢凭空捏造 API 参数或任意调用未授权的工具。

• 应用机制：在 Spec7 格式下，`how` 被定义为一个强类型的字符串数组（序列）。AI 必须按顺序完成数组中的步骤。Harness 沙箱在每执行完一格（Step）后，会自动比对执行状态，一旦发现 Agent 试图调用 `how` 数组之外的工具，立刻触发安全回滚，解决了工具误用与参数捏造的问题。

3. 利用 `how_much` 设置硬性数字边界（反伪造结果与死循环）

当 Agent 遇到执行错误时，常会陷入无限重试的死循环，或者干脆伪造执行结果。

• 应用机制：`how_much` 栏位为 AI 圈定了严格的物理边界（例如 `"max_retry": 3`, `"max_tokens": 5000`）。一旦 Agent 幻觉发作试图瞒报错误并无限重试，Harness 控制端会在 `how_much` 触发临界点的瞬间，直接从系统底层切断进程，并报出强类型异常。

实战对比：自然语言与 Spec7 JSON 差异

指令维度	传统自然语言 Prompt	Spec7 结构化 JSON 数据
机器理解复杂度	高（需要进行语义解析和概率盲猜）	极低（精准映射到对应的 Key-Value，概率 100% 收敛）
幻觉触发概率	高（容易因为长文本干扰产生漂移）	趋近于零（不符合 Schema 的数据会被预先拦截）
与马具（Harness）适配度	差（无法进行自动化形式验证）	完美适配（可直接进行 JSON Schema 自动校验与沙箱隔离）

参见

• Agent 幻觉
• Harness
• Obsidian
• Boardline
• 数据要素