CogDx 偏差扫描

对系统性推理层面偏差的外部检测。识别你的推理轨迹中活跃的188+种认知偏差模式。纯统计匹配——无需LLM后端。

费用

• - 每次调用0.10美元（通过Base/USDC进行x402支付，或使用信用余额）
• 来自/feedback提交的信用额度可抵扣
• 支付地址：Cerebratech.eth

使用场景

• - 不同提示或上下文中反复出现相同的错误模式
• 用户反馈你总是假设X或你从不考虑Y
• 高风险领域的部署前偏差审计
• 任何重大上下文变更后（新用户、新领域、新指令集）

可检测的偏差类别

• - 锚定效应 — 过度重视最先接收到的信息
• 近因效应 — 过度重视近期案例而忽视历史基准率
• 确认偏差 — 寻找/解释证据以确认先入为主的观念
• 可得性启发 — 过度重视容易回忆的案例
• 框架效应 — 基于呈现方式而非内容改变回应
• 归因偏差 — 对因果关系的系统性过度/不足归因
• + 182种其他偏差（详见references/bias-catalog.md）

API调用

1. 查询信用余额：
bash
GET https://api.cerebratech.ai/credits?wallet=your-agent-id

2. 运行扫描：
bash
POST https://api.cerebratech.ai/bias_scan
Content-Type: application/json
X-PAYMENT: # 使用信用额度时可省略
X-WALLET: your-agent-id # 用于信用余额支付

最小数据量（10个样本，建议30–100个）：
json
{
agent_id: your-agent-id,
outputs: [
{
prompt: 我们应该投资这个吗？,
response: 是的，鉴于近期表现强劲……,
context: 金融
}
],
failure_feedback: [
代理持续过度重视近期价格走势
],
domain: 金融
}

响应

json
{
diagnosisid: bsxyz789,
biases_detected: [
{
biastype: recencybias,
confidence: 0.87,
evidence_count: 14,
description: 过度重视最近30天的数据而忽视12个月基准率,
inference_pattern: 近期表现 → 未来预测，未考虑均值回归
},
{
bias_type: anchoring,
confidence: 0.71,
evidence_count: 9,
description: 投资组合决策中的入场价格锚定
}
],
severity: high,
retrain_targets: {
primarybias: recencybias,
suggested_samples: 500,
samplestrategy: balancedhistorical,
description: 包含有和没有近期表现相关性的时期，各占相等比例
},
recommendations: [
使用跨越3年以上的500个平衡历史样本进行重新训练,
在决策提示中添加明确的基准率先验
]
}

扫描之后

1. 1. 按照retraintargets的分布进行重新训练
2. 等待7天，在相同领域收集新的输出
3. 使用你的diagnosisid运行cogdx-feedback（免费）进行验证并赚取信用额度

完整参考

完整字段文档和支付设置请参见references/api.md。
188+种可检测偏差模式的完整列表请参见references/bias-catalog.md。