基于 CAS 理论的 Agent-Native 人类社会行为预测引擎，通过群体级模拟与四体合议架构实现高效可追溯推理。
Ripple 是一个基于复杂自适应系统（Complex Adaptive System, CAS）理论构建的 Agent-Native 通用人类社会行为预测引擎。其核心创新在于将涌现、非线性反馈、相变等 CAS 机制直接编码为引擎原语，并以群体级统计分布替代逐人模拟，将 LLM 调用量从约 30 万次压缩至约 100–500 次，实现约三个数量级的成本下降。
引擎采用独创的「星海合议架构」，由四种智能体协同工作：全视者负责全局编排与传播裁决（高智能模型）、星模拟 KOL 个体行为（高质量模型）、海模拟普通用户群体反应（轻量模型）、合议庭通过多专家结构化辩论系统性对抗 LLM 乐观偏误。五层反乐观偏误防线与独立评审→交叉质疑→修正立场→合成裁定的校准流程确保预测可靠性。
执行流程遵循 5-Phase Wave 循环（INIT → SEED → RIPPLE → OBSERVE → FEEDBACK & RECORD），可插入合议庭阶段。每轮裁决、决策、传播路径与辩论全程记录为结构化 JSON，预测结果附带置信度评估。
领域扩展采用 Skill 架构，核心引擎领域无关，领域知识通过纯自然语言 Skill 包（领域画像 + 平台画像 + 角色 Prompt）零代码注入。当前已覆盖社交媒体内容传播预测（小红书、抖音、微博等 7 个平台）和 PMF 验证（支持 Channel × Vertical × Platform 自由组合，如算法电商×快消×抖音、搜索电商×消费电子×小红书、企业销售×SaaS 等）。
项目无三方 Agent 框架依赖，纯 Python 3.11+ + httpx 实现，支持 Anthropic / OpenAI 兼容协议 / AWS Bedrock / 火山引擎等多 LLM 后端。提供 Docker 一键部署、CLI 工具、Python SDK 和 HTTP+SSE 服务 API（含实时进度推送），并可集成 OpenClaw。
待确认事项：OASIS 论文出处未明确引用；成本压缩数据为项目方自测，无独立第三方基准验证；作者/团队背景不详；是否已发表论文未知；项目处于早期阶段（35 次提交，v0.2.6），暂无公开路线图；采用 AGPL-3.0 许可证，网络服务场景下的合规要求需使用者自行评估。