Aurolabs
Home Quanto API

Quanto, som API.

POST en beslutsfråga. Få tillbaka en decision-grade artefakt — markdown, JSON eller PDF. En Bearer-token. Adversarial loop, Sherman Kent probability framework, 12–16 sektioner. Inte en LLM-wrapper.

POST — /api/quanto/run Bearer — auth md · json · pdf — output
Get started → See request format
Hur det fungerar

Ett anrop. Hela loopen.

Adversarial loop

En modell skriver utkastet — inhämtar källor live, citerar, daterar. En andra modell (separat familj, separat leverantör) sätter sig som director och attackerar slutsatserna med strukturerad feedback. Iterationer fortsätter tills rapporten klarar tröskeln eller iterations-taket nås.

Du betalar per iteration — enheten av adversarial-arbete som producerar rapporten — inte per token.

Strukturerad output

Rapporten följer en intelligence-grade struktur: Sherman Kent probability framework, confidence-band per påstående (H/M/L), 12–16 sektioner inklusive blind spots, scenario-set + trigger matrix, source-quality audit.

brief.json innehåller probability, confidence, action recommendations, flagged risks och source list — direkt konsumerbar av nästa pipeline-steg.

Input
question + settingsJSON · POST body
→
Quanto
research live
↓
adversarial loop
↓
Sherman Kent
↓
structured output
→
Output
md · json · pdfyour correlation id echoed
Request

POST /api/quanto/run.

// POST https://aurolabs.ai/api/quanto/run // Authorization: Bearer <your-aurolabs-api-key> // Content-Type: application/json { "question": "Should we build an AI audit tool for indie website owners?", "depth": "shallow", // shallow | deep | build "adversarial": { "iterations": 2, // director passes (capped by depth) "goal_score": 70, // director threshold to accept "director_stance": "skeptical", // skeptical | balanced | lenient "cross_model": true // force model diversity }, "output": "all", // md | json | pdf | all "metadata": { "run_id": "ops_2026q2_review" // your correlation id, echoed back } }
fieldtypedefault by depthwhat it controls
depth enum — Binds iterations, turn budget, goal score.
shallow 2 / 120 / 70 deep 4 / 250 / 80 build 5 / 350 / 90
iterations int 1–5 from depth Max director passes. Each pass: writer drafts → director scores → if below goal, back with targeted feedback. Convergence stops early.
goal_score int 1–100 from depth Director threshold. Below: rewrite. At or above: ship. Reports below goal at final iteration return with status: "below_goal".
director_stance enum skeptical How hard the director attacks. skeptical is the default and what we run on every production rapport. lenient for internal drafts only.
cross_model bool true Force research and review to be different model families. Off only for cost-sensitive internal runs.
output enum json md raw markdown — fastest handoff. json brief + metadata + markdown — agent-to-agent. pdf rendered — stakeholder review. all bundle.
Response

Strukturerad. Konsumerbar av agent.

{ "quanto_id": "q_01HZQ5K...", "status": "ok", "question": "...", "score": 81, "iterations_used": 2, "duration_s": 743, "sources": { "urls": 127, "unique_domains": 68 }, "brief": { // structured decision brief "probability": "Probable (63–87%)", "confidence": "High", "action": "...", "flagged_risks": [ "..." ] }, "rapport_md": "# Decision\n\n## Bottom Line\n...", "pdf_url": "https://aurolabs.ai/quanto/reports/q_01HZQ5K.pdf", "cost": { "iterations_billed": 2, // counts toward your tier's allowance "tier": "developer", "included_remaining": 28 // iter remaining this billing period } }
formatcontainsbest for
md Raw markdown — sections, sources, counterargument. LLM downstream, fastest handoff.
json Structured brief + metadata + full markdown. Agent-to-agent. Direct consumer of the structured brief.
pdf Server-rendered, Aurolabs typography. Stakeholder review, attached artifact.
all All three in one response. Pipelines, caching.
Trust

Audit trail, retention,
sub-processors.

Sub-processors & jurisdiktion

Orchestrering, fråga, rapport-archive och audit-loggar ligger på Aurolabs server i Amsterdam (EU). Inference går via Anthropic (Claude) och OpenAI (GPT-5.4) — båda US-baserade men körs på zero-retention API: dina prompts och outputs raderas inom 30 dagar och används aldrig för model training. Listade som sub-processors i Aurolabs DPA.

Audit trail

Varje run loggar score, iterations_used, source-count, status, tider och kostnader. För deep- och build-runs sparas dessutom per-iteration snapshots (brief + rapport + director-feedback) som versions, så du kan följa hur slutsatserna förändrades genom loopen.

Inga "vibes" — om någon frågar varför rapporten landade i Probable (63–87%) snarare än Almost certain finns spåret. Tillgängligt via console.

Retention

Default 30 dagars soft-delete på rapporter. Hård-delete på begäran (DELETE-endpoint eller console-knapp). Sub-processor-data följer respektive policy — du kan trigga deletion-request mot Anthropic + OpenAI för din egen DPA om kontraktet kräver.

Vad vi inte gör

Vi tränar inte på dina rapporter. Vi visar inte din fråga för andra kunder. Vi har inga "anonymized aggregate insights"-program. Och vi säljer aldrig metadata till tredje part — det finns inget sådant uppsamlingsled i pipelinen.

Pricing

Iterations är enheten. Inte tokens.

En iteration = ett director-pass

Writer drafts → director scores → om under goal, rewrite. Det är enheten av adversarial-arbete som producerar en rapport. Shallow använder 1–2 iter, deep 2–4, build 3–5.

iterations_used + remaining quota syns i varje response och på din console.

Currently in test phase · closed beta

Pricing låses vid public launch.

API:t är öppet för utvalda partners under beta-fasen. Mejla med ert use-case så hör vi av oss inom 48h.

Apply for beta access

Developer preview.
Tunga frågor välkomnas.

Pricing låses vid public launch. Bygg mot API:et nu, betala bara faktisk kost tills tiers går live. Skicka mail om er pipeline har en fråga som väntar på rätt verktyg.

Stockholm · EU · 2026