peer-review

Peer Review 技能构建了一套基于本地大语言模型的多模型交叉验证架构，旨在通过"众包智能"方式提升云端模型输出的可靠性。该方案采用 Fan-out 设计模式，将 Claude 等云模型的分析结果并行分发至本地运行的 Mistral 7B、TinyLlama 1.1B 和 Llama 3.1 8B 三个不同规模的模型进行独立评审，最终通过共识算法聚合各模型的质疑点，形成结构化的错误检测报告。

该架构的核心优势在于完全本地化部署，所有推理过程通过 Ollama 在本地完成，既避免了敏感数据上传至第三方 API 的风险，又通过多模型共识机制显著降低单一模型的偏见和幻觉影响。设计中明确区分了"Drift"（方法论分析）、"Pip"（快速检查）和"Lume"（深度思考）三种角色，针对事实错误、逻辑漏洞、信息缺失、过度自信和虚构引用五类问题提供结构化 critique。对于高风险决策场景（如交易分析、重要发布前的内容审查），该层能提供额外的质量保障。

然而，该技能存在明显的局限性。首先，当前版本仅为纯文档型资产，实际可执行的 shell 脚本并未随技能打包，用户需从外部 workspace/scripts 目录单独获取，增加了部署复杂度。其次，多模型推理带来 30-60 秒的固有延迟，使其不适用于实时性要求高的场景。再者，短文本（<50 词）或高度专业化领域的内容可能无法获得有效评审，而创意类内容的评估效果也有限。

该技能最适合 AI 应用开发者、质量控制团队以及对输出准确性有极高要求的专业人士。典型使用场景包括：金融分析报告的事实验证、法律文档的逻辑审查、以及任何高 stakes 决策前的模型输出复核。

使用风险方面，除性能延迟外，需特别注意：该技能来源于 T3 级别的个人开发者账号，长期维护和支持存在不确定性；文档中提及的脚本需单独进行安全审查；实际运行依赖于本地 Ollama 环境的正确配置，若本地模型版本或配置不当，可能导致评审质量下降。建议在正式生产环境部署前，先通过 seed-test-corpus 进行充分的准确率测试。