$ loading_
用于比较 AI 代理轨迹并锁定行为契约
复制安装指令，让 AI 自动完成配置 · 推荐新手
"behaviorlock" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请用 behaviorlock 比较这两条 AI-agent 轨迹：基线轨迹和候选轨迹，并指出是否违反已声明的行为契约。输出差异点和是否通过。
输出轨迹差异、契约是否被违反，以及通过/失败结论。
请为 AI agent 的 CI 流程设计一个 behaviorlock 检查步骤：输入基线 trace、候选 trace 和行为契约，返回是否允许合并。
输出适合 CI 的检查流程和判定结果。
请检查这个 AI agent 是否遵守了声明的行为契约：重点关注可观察行为是否与基线一致，并总结不一致之处。
输出是否遵守约束，以及不一致行为的摘要。
开发者在调整 agent 提示词、工具调用或策略后，可以用它比较旧版与新版轨迹，快速发现可观察行为是否变化。适合需要稳定输出契约的团队。
团队在发布前定义了明确的行为约束时，可用它做确定性的验收检查，判断候选版本是否满足契约。
研究员或工程师在排查 agent 偏差时，可以借助基线与候选轨迹对比，定位具体在哪些可观察步骤上发生了变化。
它是一个确定性的兼容性闸门，用来比较 AI 代理的可观察轨迹，检查候选版本是否满足已声明的行为契约。具体接入方式见源码仓库。
主要用于比较基线与候选轨迹，发现行为回归或偏差，并决定是否符合预设契约。它更偏向测试与质量控制场景。
从现有信息只能确认它依赖可观察的 AI-agent 轨迹和已声明的行为契约；具体运行时、安装或配置要求见源码仓库。
为 AI 代理校验行为契约并对比回归，发现关键规则退化
为 AI 代理提供离线、可验证的预操作安全门控与签名裁决。
分析 AI 代理本地性能与成本归因，定位异常行为并提供配置修复建议
为 AI 代理提供锁、共享状态、事件与任务队列的本地协作工具。
为 AI 代理核验身份、域名与钓鱼风险，提升交互可信度
自动生成测试场景并分析代理执行过程，量化技能与规则遵循率。