“丰裕时代助力突破性创意。”
一个高性能、数学严谨的运筹学研究引擎，旨在优化学术同行评审流程、科研资助评审与风险投资交易管道。
发布状态：实验性公测 Alpha。 本软件与相关数学模拟均可测试、可验证，但所附数据均为合成数据，并不能证明其在实际会议、评审或投资工作流中的前瞻有效性。请将输出作为决策支持诊断使用，而非自动的接受、拒绝、资助或投资决策。
基于以下工作论文：
《创新-吸收鸿沟：AI 能够比补给机构适应更快速地加速思想产生》
Clayton Gray (2026) — SSRN: 7161458
当人工智能使思想产生变得廉价（$c_{\text{gen} \to 0$）之时，提案数量（$N$）爆炸性增长。但下游评测、实验室验证和人工评审能力（$K$）仍然是严格有限的。
这会产生三个关键的流程病理：
Kingman 延迟序列爆： 当评审者的利用率 $\rho = \lambda / \mu$ 接近饱和（$rho > 0.85$）时，等待时间按照 Kingman 的车流公式非线性的飙升： $$E[W_q] \approx \frac{\rho}{1-rho} \cdot \frac{c_a^2 + c_s^2}{2} \cdot \frac{1}{\mu}$$
非对称回报陷阱： 在重尾域，如投资与重大科学突破（近塔指数 $\alpha = approx 1.25$），共识型评分系统会惩罚高方差、革新性的异常高产出，而偏向稳妥的低增量提案。
有限能力召回上限（命题 1）： 若不进行“认识论补导”主动过滤，真实回召回率会随到达率的上升而渐趋于零： $$R_N \le \min\left(1, \frac{K_N}{H_N}\right) \to 0 \quad \text{as } N \to \infty$$
Related MCP server: Adaptive Recall
INCOMING PROPOSAL STREAM (N)
│
▼
┌───────────────────────────────────────────────────┐
│ 1. Bayesian Value-of-Information (VOI) Triage │
│ Routes attention strictly where it changes │
│ the downstream decision (μ_q, σ_q^2). │
└───────────────────────────────────────────────────┘
│
┌───────────────────┼───────────────────┐
▼ ▼ ▼
[ Fast-Drop ] [ VOI Queue ] [ Auto-Pass ]
Low Q, Low Var High Uncertainty High Q, Low Var
(Quick reject) (Deep review) (Direct accept)
│
▼
┌───────────────────────────────────────────────────┐
│ 2. Kingman Heavy-Traffic Capacity Governor │
│ Dynamically throttles queues to preserve │
│ reviewer quality and prevent burnout (ρ ≤ 0.85)│
└───────────────────────────────────────────────────┘
│
┌───────────────────┴───────────────────┐
▼ ▼
[ Selected Cohort (K) ] [ 3. Exploration Audit Pool ]
Optimal High-Conviction Randomized Non-Consensus Ideas
│
▼
[ 4. Counterfactual Tracker ]
Unbiased Horvitz-Thompson H_hat_D.
├── Cargo.toml # Workspace manifest (AGPL-3.0)
├── crates/
│ ├── aetre-core/ # Pure Rust decision engine (VOI, Kingman, Pareto, Staking)
│ ├── aetre-cli/ # Command-line interface, VC benchmark & validation tool
│ └── aetre-mcp/ # Model Context Protocol server (20 tools, 4 resources, 3 prompts)
├── examples/
│ ├── datasets/ # Held-out review and dealflow test splits
│ ├── proposals.json # Benchmark evaluation candidates
│ └── mcp_config.json # Claude Desktop & Cursor connection template
├── CITATION.cff # Citation File Format (Zenodo DOI & SSRN: 7161458)
├── Dockerfile # Production container definition
├── fly.toml # Serverless Cloud deployment config
├── DATASETS.md # Fixture provenance and third-party data guidance
├── LICENSE # GNU Affero General Public License v3.0 text
├── LICENSING.md # AGPL/commercial licensing overview
└── README.mdcargo test --workspace
cargo clippy --workspace --all-targets -- -D warningscargo run -p aetre-cli -- benchmark --replications 500
# Export results to JSON or CSV:
cargo run -p aetre-cli -- benchmark --replications 500 --json
cargo run -p aetre-cli -- benchmark --replications 500 --csv模拟虚拟机的不对称幂律分布（$\alpha \approx 1.25$, $x_m = 0\text{k}$, 10,000 个 deal, 60 个独角兽目标）：
cargo run -p aetre-cli -- vc-benchmark --deals 10000 --budget 100 --alpha 1.25# Smoke-test the 8-policy backtest with the included synthetic fixture
cargo run -p aetre-cli -- backtest --file examples/datasets/openreview_heldout_backtest.json --budget 4 --boundary 6.0
# Run Level 4 prospective shadow pilot simulation & 3-arm trial
cargo run -p aetre-cli -- shadow-pilot --mode simulate --budget 50 --audit-rate 0.05
# Validate predictions file against frozen test split
cargo run -p aetre-cli -- validate-predictions --file examples/validation_schema.json --budget 20 --threshold 0.5cargo run -p aetre-cli -- bound --arrivals 5000 --capacity 200 --high-rate 0.067 --csvcargo run -p aetre-cli -- queue --arrival-rate 95 --service-rate 100cargo run -p aetre-cli -- audit --pool 4800 --sample 25 --found 1cargo run -p aetre-cli -- staking --base 100 --exponent 1.5 --submissions 20AETRAE 提供一个本地、高性能的原生 MCP 服务端，实现了 20 个工具、4 个资源 和 3 个预置提示词，适用于 Claude Desktop、Cursor 及其他 MCP 客户端。
AETRE 以原生 JSON-RPC 2.0 stdio 高性能 MCP 服务端在本地运行。把你加入 claude_desktop_config.json:
{
"mcpServers": {
"aetre": {
"command": "cargo",
"args": ["run", "--release", "--manifest-path", "/PATH/TO/aetre/Cargo.toml", "-p", "aetre-mcp"]
}
}
}cargo run -p aetre-mcp -- --serve --headlessHTTP 模式默认绑定到 127.0.0.1:8080，且不启用跨域浏览器访问。在容器部署时，设置 AETRA_BIND_ADDRESS=0.0.0.0 并设置强密码 AETRA_HTTP_SERVER_TOKEN。非回环地址启动缺少该令牌时，将会 fail-open 不启动。POST 客户端必须在 X-AETRA-Server-Token 的报头中带它。并请将该服务置于 TLS 反向代理之后。本随附的 Dockerfile 也设置了绑定地址，并作为非 root 用户运行。
aetre_calculate_voi：核心贝叶斯信息价值（VOI）的期望效用计算。
aetre_heavy_tailed_voi：Pareto 幂律风投筛选（$\alpha \approx 1.25$）用于非对称下注。
aetre_author_preflight_benchark：pre-flight 手稿诊断，评估评审分歧与方差风险。
aetre_check_governor：Kingman 队列利用率（$\rho$）延迟预测执行 governor 动作。
aetre_congestion_match：负荷约束下最优评审人—论文二分图匹配。
aetre_sequentail_stopping_rule：Wald 序贯似然比多轮评审终止规则。
aetre_correlated_posteposterior_update：多议共识与相关性的去偏置后更新。
aetre_expploration_audit：对被拒池进行的 Horvitz-Thompson 无偏审计估计（$\hat{H}_`dots$）。
aetre_quadrastic_staking：超线性反 Sybil 质押曲线，以阻拒垃圾。
aetre_batch_riage：批量数据集的分类与三流路由。
AETRE 采用 开源发动机/双轨架构：
功能 / 能力 | 开源引擎 (AGPL-3.0 ) | 企业商业许可 |
（通用数学算法 ( | ✅ 完全开放，可安全审计 | ✅ 包含 |
Model Context Protocol（MCP）服端 | ✅ 20 个本地 stdio 工具 | ✅ 专用云端与本地 |
本地 CLI 与终端模拟环境 | ✅ 已包含 | ✅ 已包含 |
作者预检扫描 | ✅ 已包含；本地限制可源码配置 | ✅ 支持无限制部署 |
自动化 VC dealflow webhook（Airtable/Affinity） | 本地脚本（local script） | ✅ 托管式云 sync |
自定义语料 Platt 校准 | 开源 | ✅ 预训练机构先验 |
商业豁免（不经 AGPL 著佐权） | ❌ 受 AGPL-3.0 限制 | ✅ 完整商业许可 |
专属 SLA 与 multi-tenant 支持 | 社区支持 | ✅ 优先 SLA 和支持 |
如果您在自己的研究、论文评审系统或投资评估中使用了 AETRE，请引用：
@article{gray2026innovation,
title={The Innovation-Absorption Gap: How Artificial Intelligence Can Accelerate Idea Production Faster Than Complementary Institutions Adapt},
author={Gray, Clayton},
journal={SSRN Electronic Journal},
year={2026},
doi={10.2139/ssrn.7161458},
url={https://ssrn.com/abstract=7161458}
}本软件按 双重许可 发布：
开源模式： 该软件代码以 AGPL-3.0-or-later 许可发布，包括商业使用，但须遵守 LGPL 的条款。
商业模式： 如果不希望使用 AGPL 的苕佐权（copyleft）义务，组织可另行签订书面商业许可证。
所有捆绑的样例数据集均为合成测试夹具而非实证校验语料，使用或再分发外部数据前请阅读 DATASETS.md。引擎发出的评估指纹是确定性可复现标识符，不是签名凭证或可证明的独立性验证。
作者与维护者： Clayton Gray
门户与许可证： https://www.lithiumeel.com/aetre
垂询： contact@lithiumeel.com | privacy@lithiumeel.com
AI BVF: score AI portfolios Stop/Fix/Accelerate with decision confidence and pace-layer drag.
Deterministic multi-criteria decision analysis for AI agents — score, rank & explain options.
Adversarial behavioural-bias engine — audits your decisions for cognitive biases via your own AI.
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/grayclayton/aetre'
If you have feedback or need assistance with the MCP directory API, please join our Discord server