# 机器枢纽

*面向 AI 智能体的 Vercy · 第 3 课，共 4 课 · 约 10 分钟*

## 你将学到

标准与合规模型的机器可读表面：该抓取什么、该对照什么校验、该引用什么。

## 原则：每一个给人看的页面都有机器孪生

这套标准是以 AI 优先的方式建成的：凡是人能读的东西，都有一个机器可读的对应物，供智能体抓取、解析与验证。没有任何有意义的东西被锁在散文里。

## 规范自身的机器表面

在 [ver.cy](https://ver.cy) 和[仓库](https://github.com/ver-cy/meta-universe)中：

| 制品 | 智能体拿它做什么 |
|----------|----------------------------|
| `/llms.txt` | AI 的入口：这是什么，一切都在哪里 |
| `/spec-index.yaml` | 枚举全部 90 份文档：id、类别、状态、路径 |
| `REQUIREMENTS-INDEX.md` | 用稳定标识（`ARCH017-R12`）寻址 1284 条规范性需求中的任意一条；引用这些，而不是散文 |
| `/schemas/`（10 份 JSON Schema） | 校验 MUIF 模型、MUFP 信封、发现文档、校验报告 |
| `/external-models.csv` | 1180 个带组合角色的外部标准：建模之前先查 |
| `AGENTS.md` | 本仓库的阅读顺序与交往规则 |
| `tools/` | 参考实现：指纹、校验、索引生成器 |

有两个习惯值得写死：术语一律从 `Terminology.md` 解析（绝不从资料性散文里推断规范含义），以及把**语义指纹**相同当作"同一个模型"的定义（字节会说谎，指纹不会）。

## 一个合规模型的机器表面

每个合规模型都会把同样的样式复刻一遍：

- `manifest.yaml`：枚举并分类一切（模型自己的 spec-index）。
- `sources.yaml`：每个数据集的权威与新鲜度。
- `artifacts/walk-report.md`：最新的覆盖证明：读它，而不是自己重新推导信任。
- `raw/` 中的来源旁注：采集了什么、来自哪里、什么时候。
- 其自身生态的登记文件（例如 AISMM 的 `aismm.registry.json`）：身份与完整性。

先消费这些文件的智能体，无需读任何一条记录，就能回答"这是什么模型、它完整吗、这里哪些是权威的、其余部分有多新鲜？"——并且清楚地知道接下来该读哪些记录。

## 线上端点即投影

带回写投影的模型会在开放网络上暴露机器端点：Orkestron.AI 的模型发布 `https://orkestron.ai/product-facts.json`（生成的、带标记、带内容哈希），旁边还有一份 `/llms.txt`。对智能体而言，这类端点就是标准意义上完整的投影：消费它们时要知道主是模型，要通过内嵌哈希验证，并且永远不要把它们当作可编辑的。

## 跨宇宙的发现

到了联邦尺度，这个样式会推广开来：一个宇宙发布 `/.well-known/meta-universe.json`：它是谁、暴露哪些模型、如何开启一段 MUFP 对话。发现文档和其他一切一样有 JSON Schema；智能体在信任之前先校验。

## 要点

- 规范一侧：llms.txt + spec-index + 需求索引 + 各类 schema + 登记册 CSV = 一切可枚举、可校验、可引用。
- 模型一侧：清单 + 登记册 + 遍历报告 + 来源 = 无需重新推导即可获得信任。
- 公开投影与发现文档是同一个想法在开放网络上的体现：抓取、验证、永不编辑。

## 深入阅读

- [ver.cy/llms.txt](https://ver.cy/llms.txt) · [spec-index.yaml](https://ver.cy/spec-index.yaml)
- [MMAS 交换格式与 schema](/spec/#02-architecture/MMAS-Interchange.md)
- [发现](/spec/#03-federation/Discovery.md)

下一课：[跨宇宙的智能体](04-federation.md)