szl-cookbook-source

SZL Cookbook — Source Mirror 是 GitHub 仓库 `szl-holdings/szl-cookbook` 在 Hugging Face 平台上的源代码镜像数据集，旨在提升该资源在开源社区的可发现性和可访问性。该数据集是 SZL Holdings 研究栈的组成部分，与其正式验证论文、AI对齐模型等构件紧密关联。核心内容是一套工程化食谱，提供了在 SZL 基底上构建受治理人工智能系统的 9 个可组合技能指南，涵盖预运行推理、代码重构、审查、调试、依赖管理、死代码处理、文档编写和提交规范等领域。数据集包含源代码文件，并确保每个声明均可追溯至 Zenodo DOI、GitHub 提交哈希，并在适用时关联基于 Mathlib v4.13.0 的 Lean 4 形式化证明。这是一个在特定提交时间点（2026-05-29）的快照，并非实时更新源，且为精简体积，排除了 `.git/` 目录、`node_modules/` 及大于 50MB 的二进制文件。根据元数据，其规模小于 1000 个样本，语言为英语。该数据集主要服务于对 AI 治理、形式化方法、软件供应链安全（如 SLSA、DSSE）感兴趣的研究人员和开发者，作为参考、验证和复现的源代码库，而非用于机器学习模型训练。数据集采用 Apache-2.0 许可证发布，作者为 Stephen P. Lutar。

SZL Cookbook — Source Mirror is a source code mirror dataset of the GitHub repository `szl-holdings/szl-cookbook` on the Hugging Face platform, aimed at enhancing the discoverability and accessibility of this resource in the open-source community. This dataset is part of the SZL Holdings research stack and is closely linked to its formal verification papers, AI alignment models, and other components. The core content is a set of engineering recipes, providing 9 composable skill guides for building governed AI systems on the SZL foundation, covering areas such as pre-run reasoning, code refactoring, review, debugging, dependency management, dead code handling, documentation writing, and commit specifications. The dataset includes source code files, ensuring that each claim can be traced back to Zenodo DOI, GitHub commit hashes, and, where applicable, linked to Lean 4 formal proofs based on Mathlib v4.13.0. This is a snapshot at a specific commit time (2026-05-29), not a live updated source, and to reduce size, it excludes the `.git/` directory, `node_modules/`, and binary files larger than 50MB. According to metadata, it has a scale of less than 1000 samples and is in English. The dataset primarily serves researchers and developers interested in AI governance, formal methods, and software supply chain security (e.g., SLSA, DSSE) as a source code repository for reference, verification, and reproduction, rather than for machine learning model training. It is released under the Apache-2.0 license, authored by Stephen P. Lutar.

原始信息汇总

数据集概述：SZL Cookbook — Governed AI Engineering Recipes

• 数据集名称: SZL Cookbook — Governed AI Engineering Recipes
• 许可证: Apache-2.0
• 数据集规模: n < 1K
• 任务类别: 其他（other）
• 语言: 英语（en）
• 标签: cookbook, agentic-ai, mcp, governance, dsse, slsa, anthropic, patterns

内容简介

该数据集是 github.com/szl-holdings/szl-cookbook 的镜像仓库，包含 9 个 SKILL.md 文件，用于构建基于 SZL 基座的受控 AI 系统。模式覆盖了 Anthropic MCP 模式、DSSE 收据集成以及 OTel 跨度发射。

关键信号

• 配方模式数量: 9 个 SKILL.md 文件
• MCP 模式: 兼容 Anthropic
• 许可证: Apache-2.0

内容列表

配方名称	描述
SKILL_01	MCP 收据发射模式
SKILL_02	DSSE 信封构建
SKILL_03	OTel 跨度附加
SKILL_04	Λ 轴策略门
SKILL_05	SLSA 证明
SKILL_06	Bekenstein 上下文预算
SKILL_07	PAC-Bayes 稳定性检查
SKILL_08	Reidemeister 审计收尾
SKILL_09	跨组件收据链

相关链接

• 运行器: SZLHOLDINGS/szl-cookbook-runner
• 平台: SZLHOLDINGS/szl-cookbook-platform
• 源代码: github.com/szl-holdings/szl-cookbook

引用格式（BibTeX）

bibtex @misc{lutar2026ouroboros, title = {Ouroboros: Formal Verification of Agentic AI Governance — v18.0}, author = {Lutar, Stephen P.}, year = {2026}, doi = {10.5281/zenodo.20434276}, url = {https://doi.org/10.5281/zenodo.20434276} }

联系方式

• 作者: Stephen P. Lutar
• 邮箱: [e-mail]
• ORCID: 0009-0001-0110-4173
• 相关主页: github.com/szl-holdings · huggingface.co/SZLHOLDINGS

搜集汇总

数据集介绍

构建方式

该数据集源自 SZL Holdings 维护的官方存储库，汇集了九个用于构建受治理人工智能系统的 SKILL.md 模式文件。这些模式被设计为可独立执行的配方，涵盖从 Anthropic MCP 模式集成到 DSSE 收据构造、OTel 跨度发射等关键技术环节。数据集以 Apache-2.0 许可证开放，并附有 Zenodo DOI 标识，确保其可溯源与可复现。

特点

数据集以极简的九文件结构承载了高度专业化的治理工程知识，每个模式均针对特定合规性场景，如 Λ 轴策略门控、SLSA 证明、Bekenstein 上下文预算与 PAC-Bayes 稳定性校验。其跨组件收据链与 Reidemeister 审计闭合设计，体现了对代理型 AI 系统形式化验证的深刻理解，兼具理论严谨性与工程实用性。

使用方法

研究人员可直接克隆 GitHub 源仓库或通过 HuggingFace 数据集接口加载该镜像，按需调用各 SKILL.md 文件中的 Recipe 实现。社区还提供了配套的运行平台与交互式 Runner，支持用户在实际环境中测试与验证所描述的治理模式，适合作为受规制环境下 AI 系统开发与审计的参考指南。

背景与挑战

背景概述

在人工智能系统日益复杂且自主性不断增强的背景下，如何确保其行为符合预设的治理与安全规范成为一项关键挑战。由Stephen P. Lutar主导、依托SZL Holdings机构创建的“szl-cookbook-source”数据集于2026年发布，旨在为构建受治理的代理型人工智能系统提供系统化的工程蓝图。该数据集的核心研究问题聚焦于如何将抽象的安全与治理原则（如可审计性、透明度与稳定性）具体化为可重复执行的工程模式。其收录的九个SKILL.md文件，涵盖了从Anthropic MCP模式集成到DSSE收据构造、开放遥测跨度发射等关键技术点，为领域内研究者提供了一套从基础到高级的治理实践参考集，对推动可治理人工智能的标准化发展具有重要参考价值。

当前挑战

该数据集所应对的领域挑战主要源于代理型人工智能系统在运行时缺乏内置的、可验证的治理机制，导致其决策过程难以追溯、行为边界易被突破，且缺乏统一的跨组件协同标准。在构建过程中，数据集面临了将诸如PAC-Bayes稳定性检验、雷德迈斯特审计闭合等复杂理论模型转化为清晰、可编码的实践模式的技术挑战，同时需要在Bekenstein上下文预算等前沿概念与实际工程可实现性之间取得平衡。此外，确保九种模式之间的互操作性、构建完整的收据链以及维持无市场夸大的严格学术可信度，也是数据集创建过程中的重要设计约束。

常用场景

经典使用场景

在治理型人工智能工程领域，szl-cookbook-source数据集作为一套高度结构化的配方集合，被广泛用于构建可审计、可验证的AI代理系统。该数据集包含了九种源自SKILL.md文件模式的标准化流程，覆盖了从MCP收据发射、DSSE信封构建到OTel跨度附着等关键环节。开发者可将其视为实现Anthropic兼容MCP模式的参考蓝本，从而在SZL基座上部署具备治理属性的AI流水线，确保每一个智能体行为都能被追踪与裁量。

解决学术问题

该数据集直面代理型人工智能治理中的形式化验证难题，通过引入DSSE信封构建、Λ轴策略门、SLSA证明以及Reidemeister审计闭环等机制，为解决AI系统的可追溯性、安全性和稳定性提供了可复现的学术范式。它推动了对PAC-Bayes稳定性校验、Bekenstein上下文预算等前沿理论在工程实践中的落地，从而填补了从理论治理模型到可执行代码之间的鸿沟，对构建可信嵌入式AI系统具有里程碑式的学术意义。

衍生相关工作

基于该数据集，衍生出了若干具有代表性的研究工作，例如Lutar等人提出的Ouroboros框架，它专注于代理型AI治理的形式化验证，并在此数据集基础上构建了正式验证引擎。此外，社区围绕着MCP收据发射模式和DSSE信封构造演化出了多种适配不同云原生环境的变体。该数据集还催生了szl-cookbook-runner这样的实时运行器，以及集成了治理策略的szl-cookbook-platform，这些工作共同推动了治理型AI工程生态的成熟与扩展。