AI代理确定性决策引擎
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
LogicPearl 定位为“AI agents 的 deterministic decision primitive”。它并不是另一个聊天模型，而是把业务决策规则编译成可版本化的 artifact bundle、WASM 或原生二进制，让 LLM 负责从自然语言中抽取结构化特征，再由 LogicPearl 做可复现评估。退款示例中，同一政策下 Claude Sonnet 4.5 多次给出批准，而 LogicPearl 根据 days > 29 且 changed_mind 的规则稳定给出 DENY，体现其核心价值：把高风险决策从概率式生成中剥离出来。
其 MCP 服务器提供三个工具：evaluate 用于确定性评估并返回 verdict、fired_rules、counterfactual_hints、bitmask、latency；describe_artifact 返回特征 schema、默认动作和抽取提示；list_rules 枚举规则，便于 LLM 解释结果而不幻觉。规则来源上，LogicPearl 可从 labeled traces 通过 decision trees 与 sequential covering 发现规则，再编译为可部署 artifact。每条规则对应 bitmask 的一位，便于 diff、测试、签名和审计。
正文未披露商业定价或 SaaS 套餐。其源码标注 MIT licensed，并提供 npx @logicpearl/try、@logicpearl/mcp、@logicpearl/browser 和 Rust engine。安装体验面向开发者：一条 npx 命令可为 Claude Desktop 与 Cursor 写入 MCP 配置，也支持手动配置任意 MCP-compatible host。当前 transport 仅 stdio，适合本地 Agent 工具链；SSE/HTTP 和托管 registry 仍在规划中。
优点是确定性强、解释清晰、部署轻量、无运行时服务依赖，并能给出“怎样才会通过”的 counterfactual。它适合医疗理赔、合规授权、风控、退款审批、遗留规则治理等需要审计的场景。局限也明确：v1 无服务端认证，stdio 假设宿主可信；没有多租户托管；artifact registry 和签名验证未落地；observer 层目前较简单，复杂文本到特征的抽取仍需 LLM、ML 或自定义代码。若训练 traces 错误，规则也会系统性错误。
更适合有工程能力、正在构建 AI Agent 或政策执行系统的团队，而非普通无代码用户。中国访问情况正文未提供，因其可通过 npm/cargo/GitHub、本地 MCP 和 WASM 使用，实际可用性取决于 GitHub/npm 网络、模型供应商和宿主工具访问；支付信息缺失。替代方案包括 OPA/Rego、传统规则引擎、Drools 或自研规则服务。
本测评基于公开资料整理,不构成购买建议,请以 logicpearl.com 官网实际信息为准。
为LLM Agent提供可追溯、确定性规则决策，概念有信息差。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。