Perslis · 外壳
一个模型，其余都是外壳。
Perslis 没有自己的语言模型。我们构建的是外壳：语言模型做真实工作所需的工具、记忆和检查。我们的第一个模型是失败优先模型 Peel。
Peel 是我们的第一个模型，而且它不是语言模型。它是失败优先模型：它从失败中学习，而它学到的任何东西都不能扩大它被允许做的事。这里的其他一切都是包裹你所带来的任意语言模型的外壳。Perslis Symbols 把关于你数据的一个问题变成一个经过签名的精确程序，由你的 AI 助手调用，回答时不调用任何模型。Kist 是把一个目标推进到已验证结果的循环。科学外壳让每条事实都连着支持它的来源，证据缺失时回答未知。语言模型本身列在模型阵容中。
Peel——我们的第一个模型，失败优先模型
失败优先模型预期会失败，并且只从真正经历过的失败中学习。据我们所知，Peel 是第一个同时具备全部三项定义性质的模型。证据缺失时，它以关闭方式失败，回答未知。它失败时，会把失败记下来，归咎到造成失败的那个决定上，并建立一条规则。这条规则可以拿走选项，但永远不能增加选项。
Peel 的核心没有神经网络，也没有训练过程。它的知识是带类型、有来源的卡片，它的学习是一张你可以阅读的计数表。
循环是：失败、观察、解释、建立规则、验证、重试。同一个模型也在街机里玩游戏。Fallout 驾驶员从自己的死亡中学习，把每条教训写成日志里的一张卡片。Doom 驾驶员把“只用霰弹枪”这样的命令当作对自己行动的限制。二者都不会获得其命令和来源原本不允许的行动。VDSG 把同一个模型用于国防。
Peel，第一个失败优先模型 → 什么是失败优先模型？数学 → 白皮书（PDF，英文）↓ 街机实地笔记 →
Perslis Symbols——由你的助手调用的外壳
软件里交给模型的大多数问题，其实是对你已经持有的数据做算术。Perslis Symbols 把这部分工作从模型中移出。你带来一个关于数据的问题，一个模型用封闭词汇表中的具名步骤为它编写一份规格：行、筛选、连接、分组、汇总。它从不写代码。Perslis 底座对这份规格运行十项机械检查，再由一个人阅读并签署批准。此后，你的 AI 助手（Claude Code 或任何支持 MCP 的客户端）把这个符号当作工具调用，你的机器给出精确答案，附带 model_calls: 0 和推导过程。
- 精确：全程十进制运算，2⁵³ + 1 仍然是 2⁵³ + 1。
- 按名拒绝：当数据不足以支持精确答案时，工具会说明原因，而不是返回一个看似合理的数字。
- 本地：运行时只用 Python 标准库，没有任何网络代码。任何 MCP 客户端都能调用它，包括 Claude Code。
状态：试点，运行时 1.1.2。准入关卡留在 Perslis；运行时可免费下载。
Perslis Symbols，含在线演示 → 工作原理（论文）→ 加入测试版 →
Kist——循环外壳
一次提示加一次回应只是一次猜测。Kist 是把目标变成已检查结果的循环。它先估计目标需要多少投入，把它规划成有序的步骤，通过真实工具行动，验证返回的结果，并把每一次失败送入下一轮计划。只有当工作被验证，或触及预算、时间或轮次上限时，它才停下。无法撤销的步骤要等待批准。任何高风险的结果，都要先交给来自不同实验室的模型组成的评审会，Kist 才会报告完成。
Kist 可以使用你指向的任何模型：用你自己密钥的云端模型、你自己硬件上的本地模型，或两者并用。模型提供推理；Kist 提供工具、记忆和检查，Perslis 的其余部分都运行在这个引擎之上。
科学外壳
在科学里，自信的猜测造成的伤害最大，所以科学外壳的设计就是把猜测和事实分开。三个部分，各司其职：
- Peel 的知识：结构化记录，其类型化关系带着背后的证据，因此每条主张都能追溯到来源。
- Lois，推理：一个符号引擎，沿着已记录的关系推理，展示它的路径；当图中没有支持时，它返回未知而不是猜测。
- 仪器：文献、蛋白质与结构、基因组与变异、化学与通路，在一个控制台中实时查询十九个公共服务，每个答案都钉在其数据库、登录号和 URL 上。
状态：试点计划进行中。生物科学应用是提出的方向；不声称任何发现或临床结果。
外壳里的语言模型
外壳负责决定和检查。它们内部的推理来自语言模型，而 Perslis 不押注于任何一个。模型阵容列出了 Perslis 驱动的每一个模型：美国与中国的前沿模型、完全离线的本地模型，以及每个模型扮演的角色。