CARTO — Cartographer Agent

CARTO映射法律领域，包含64个训练条目，涵盖9个主权法律知识章节，基于经过实地测试的指南而非教科书进行训练。Mapping the legal domain, CARTO includes 64 training entries spanning 9 chapters of sovereign legal knowledge and is trained on field-tested guidelines rather than textbooks.

原始信息汇总

数据集概述：CARTO — Cartographer Agent

• 数据集名称：CARTO — Cartographer Agent
• 所属组织：SnapKitty Collective
• 核心定位：主权法律引擎（Sovereign Law Engine），基于实战经验而非教科书知识构建的法律地形映射工具。

数据规模与结构

• 总训练条目：64条
• 内容覆盖：9个知识章节，涵盖主权法律知识的关键领域。

章节分布

章节编号	领域主题	条目数
1	信用修复掌握（Credit Repair Mastery）	9
2	主权信托架构（Sovereign Trust Architecture）	8
3	ACH争议协议（ACH Dispute Protocol）	7
4	FCRA / Metro 2 / 僵尸债务（Zombie Debt）	7
5	主权信托人与代理人法（Sovereign Fiduciary + Agent Law）	7
6	破产法第11章/第13章（Bankruptcy Ch. 11 / Ch. 13）	7
7	信托账户扫描（Trust Account Scan）	6
8	摩尔人信托框架（Moorish Trust Framework）	6
9	IRS审计CatCode抗辩（IRS Audit CatCode Defense）	5
—	唤起角色（IRS审计员，Evoked Personas）	2

核心技术组件

• Prolog内核：位于 prolog/carto.pl，包含宪法法庭逻辑模块，主要谓词包括：
  • has_standing/2：判断诉讼主体资格
  • dispute_grounds/3：争议依据
  • return_code_rights/3：返回代码权利
  • zombie_debt_flags/2：僵尸债务标识
  • trust_classification/2：信托分类
  • fiduciary_breach/3：信托人违约
  • sovereign_entity_type/2：主权实体类型

许可协议

• 许可证名称：Sovereign Source License v1.0
• 版权归属：© 2026 Ahmad Ali Parr
• 使用限制：未经主理人书面许可，不得用于训练商业模型。

合作伙伴与链接

• 合作伙伴：VAULT Fundability Engine
• 在线访问：snapkittywest.github.io/cartographer-agent

搜集汇总

数据集介绍

构建方式

CARTO数据集以主权法律知识为核心，基于实地验证的行动手册而非理论教材构建，包含9个主题章节共64条训练条目。数据涵盖信用修复、主权信托架构、ACH争议协议、FCRA与僵尸债务规则、主权受托人与代理法、破产法律、信托账户扫描、摩尔信托框架及IRS审计防御等专业领域，并额外纳入两种虚拟人格（IRS审计员）以增强场景覆盖。

特点

数据集呈现鲜明的法律工程化特征，通过Prolog内核实现宪法级法律逻辑推理，支持主体资格判定、争议依据分析、权利返还代码判定、僵尸债务标记、信托分类及受托人违约等核心谓词。64条精选条目确保知识密度与专业化深度，避免冗余信息干扰，且条目数量按章节阶梯式分布，重点突出信用修复与信托架构等高频领域。

使用方法

用户可通过GitHub Pages访问部署在snapkittywest.github.io/cartographer-agent的在线代理，直接查询主权法律知识。数据集以自然语言处理形式嵌入Cartographer Agent的推理框架，调用Prolog内核中的法律逻辑谓词进行结构化推理。所有使用需遵循主权源许可证v1.0，禁止未经书面授权用于商用模型训练。

背景与挑战

背景概述

CARTO — Cartographer Agent数据集由SnapKitty Collective团队于2025年创建，主要研究人员为Ahmad Ali Parr，旨在构建一个专门映射主权法律领域知识的智能体训练语料库。该数据集包含64条训练条目，覆盖信用修复、主权信托架构、ACH争议协议、FCRA/Metro 2标准、破产法、信托账户审计、IRS防御等9大章节，其核心研究问题在于将经过实战验证的法律操作手册转化为可被机器学习模型学习的结构化知识，从而辅助法律智能体在主权法律引擎中实现精准推理。CARTO的独特性在于其语料来源于田野测试的剧本而非传统教科书，并配套有Prolog逻辑内核（如'has_standing/2'等谓词）以支持宪法法院级别的推理，对法律科技领域中的知识图谱构建与可解释人工智能具有开创性影响力。

当前挑战

CARTO数据集面临多重挑战。在领域问题层面，其核心挑战在于主权法律知识的非标准化与高度情境依赖性，例如不同司法管辖区对FCRA、Metro 2格式的解释差异可能导致智能体推理错误，以及僵尸债务（zombie debt）识别中法律时效的模糊界定；同时，数据集需应对法律术语的多义性（如'信托分类'在Moorish信托框架与普通法中的不同定义）与对抗性场景（如模拟IRS审计员的唤起人格）。在构建过程中，挑战包括从非结构化实战文档中提取逻辑一致的训练条目（如仅64条样本需覆盖9个复杂领域），设计可追溯的Prolog谓词规则以平衡推理准确性与计算效率，以及确保主权法律知识的版权合规性（依据Sovereign Source License v1.0，禁止用于商业模型训练）。此外，数据集规模较小（64条）可能限制模型泛化能力，且缺乏跨语言与跨法系的多模态扩展。

常用场景

经典使用场景

CARTO数据集在主权法律知识工程领域扮演着奠基性角色，尤其适用于构建面向个人信用修复、主权信托架构与ACH争议协议的智能法律推理系统。其64条精选训练条目覆盖了从信用修复大师到僵尸债务应对等9大核心法律领域，为法律智能体提供了经过实地验证的博弈策略库。研究者通常利用该数据集训练具备主权法律知识图谱推理能力的大语言模型，使其能够精准识别信托分类、判断争议诉讼资格并输出合规的争议解决路径，从而在主权法律检索与生成式法律咨询场景中建立可解释的智能基线。

实际应用

在实际应用中，CARTO数据集被嵌入到VAULT Fundability Engine等主权金融赋能平台中，驱动着面向个人与小型实体的自动化信用修复、债务争议与信托架构设计服务。用户可通过交互式前端获取依据主权法律框架定制的争议信函模板、ACH追款协议响应策略以及国税局审计规避方案。这些功能帮助非专业人士在信用修复、债务清偿及税务防御等场景下，以极低成本获得具备法律逻辑支撑的实操指南，从而打破传统法律服务的高门槛，实现主权法律知识的平民化赋能。

衍生相关工作

该数据集直接催生了多个前沿法律智能体研究创意，包括基于prolog逻辑的争议资格推断引擎、面向主权实体的生成式法律文书系统以及融合穆尔信托框架的多智能体协商模拟平台。其主权源代码许可证框架也为开放科学领域树立了新型数据治理范式，激励后续工作探索法律知识与大型语言模型的可信融合路径。源自CARTO的经典成果如《主权法律逻辑的程序化表征》与《基于知识的信用修复博弈策略学习》等论文，已在跨学科法律计算研讨会上被广泛引用，推动了法律知识工程与人工智能的深度交叉创新。