让 AI 先查证据再回答，本地签名笔记本怎么搭

上周三给董事会看融资模型，AI agent 帮我整理了一版现金流分析。结论看着挺顺，但审计问一句，这个判断从哪来，我卡住了。模型会算，问题出在它把结论和证据分开放了。后来我看到 Hacker News 那篇报道，说有个叫 AAFP Commons 的东西，是给软件 agent 用的本地签名笔记本，有 CLI 和 MCP 接口，packet 里装 claim、evidence、method、constitution references，还有 Ironclad。我这边理解，它让 AI 回答前先翻底稿。

从财务角度看，这件事很朴素，估值可以谈，现金流健康吗要回答，但不能靠一句我觉得。下面这个教程，我按新手能跑的路子写。

不装复杂环境，先搭一个迷你本地签名笔记本，再让 agent 查它。我这几天才刚上手 Python，但给新手讲一个最小流程没问题。

先说几个词，用大白话。

本地笔记本，就是你电脑里的一个文件夹，里面存一条条判断。

packet，就是一页证据卡片，上面写结论、来源、方法。

签名是给文件算一个指纹。内容改一个逗号，指纹就变。

CLI，就是命令行，你敲一行字，电脑执行。

MCP，可以想成 AI agent 的插座，让 AI 能调用本地工具。

1. 建一个底稿文件夹

在桌面新建文件夹 finance-evidence-notebook。打开 Cursor，用 Open Folder 选中它。新建两个子文件夹，packets 和 logs。预期界面是左侧文件树能看到这两个目录。

如果你用 Claude Code，也可以打开终端，输下面命令。

回车后，输 ls finance-evidence-notebook，看到 packets logs 就成了。

如果终端输 python --version 没反应，先去 python.org 下载最新 3.x，安装时勾选 Add Python to PATH。这一步别跳过，后面查底稿全靠它。

2. 写第一条证据记录

在 packets 里新建 001-cashflow.json。内容可以这样。

{

"id": "001",

"claim": "该公司未来十二个月经营现金流可覆盖短期借款",

"evidence": ["银行流水", "应收账龄表", "预算底稿"],

"method": "直接法预测经营现金流",

"source": "内部财务底稿",

"date": "2026-09-06",

"risk_level": "medium"

}

注意，示例判断不要放真实公司名和金额。第一次做底稿，字段比内容重要。你写 claim，就是结论。evidence，就是凭什么。method，就是算法或口径。source，就是原始材料在哪。

3. 给文件加一个指纹

新手别上密钥体系，先算哈希。哈希就是文件指纹。打开终端，进入文件夹。

预期看到 packets 下多了一个 .sha256 文件。你改一下 json 里的任何一个字，再跑这条命令，指纹会变。这一步很轻，但已经能挡住悄悄改底稿。

4. 做一个 CLI 小工具

我这边用 Cursor 生成一个小脚本，提示词可以这样写。

请写一个 Python 脚本，读取 packets 目录下的 json，支持 --keyword、--verify、--mcp。输出 id、claim、evidence、method、verify 结果。--mcp 时返回 JSON 列表。不要访问网络。

生成 ask.py 后，在终端输命令。

预期输出类似。

001 该公司未来十二个月经营现金流可覆盖短期借款 verify ok

如果报 python not found，换 python3。如果报文件编码，先保存为 UTF-8。

5. 把它接到 AI agent

这一步可以慢一点。以 Cursor 为例，打开 Settings，找 MCP 或 Tools，添加本地 server。命令填。

保存后重启 agent。问它这个公司现金流健康吗。

预期它先查本地 packet，再回答。如果它直接说健康，说明没接上。可以在问题里加一句，只根据本地签名笔记本回答，证据不足就说不足。

我这边测下来，加了这句，agent 会老实很多。

可以做个对比。

方式	适合什么	新手容易踩的坑	财务场景判断
CLI	查一条记录、跑校验、做批处理	命令记不住，输出没结构	适合月底出底稿
MCP	让 agent 自动调用工具	工具太多，占上下文	适合日常问答

这里有篇讨论 MCP 和 CLI 的文章提到，客户端连接后可能发现几十个工具，每个都塞进 agent 上下文。我的判断是，财务场景别给 agent 太多工具。先给它一个查询底稿的入口，比给十个花活重要。

踩坑部分，按我最近做模型遇到的顺序说。

第一条，只存结论，不存来源。这样 agent 会把结论当事实。必须保留 evidence 和 source。

第二条，把签名当审计。签名只能证明文件没被改，不能证明银行流水是真的。财务上，原始凭证还是要单独锁。

第三条，日期格式乱。JSON 里 2026-09-06，Excel 导出可能变成 9/6/2026。筛选会漏。统一用 ISO 格式。

第四条，MCP 一次塞太多工具。上下文变长，模型更容易抓错。先接一个 ask.py。

第五条，没有日志。agent 调了什么、返回什么，最好写到 logs。我之前说过，智能体如果没有权限和日志，估值要打折。这话放在财务底稿场景里，更直接。

今晚别试大项目，拿一个你手头的融资模型，拆出三条判断，收入增长、毛利率、现金流覆盖。每条写成 packet，算一个指纹，再用 CLI 查一次。等这三条跑通，再接 MCP。下一步可以试把应收账龄和银行流水做成 evidence 清单，让 agent 回答现金流健康吗时，先报证据，再报结论。

从财务角度看，AI 最大的风险是把没有底稿的判断包装得很像数。先让它查证据，再让它说话。

---

📌 本文编译自 Hacker News，原文 https://github.com/davidnichols-ops/aafp-commons

版权归原作者所有，本文为基于公开报道的编译与独立分析。