连续学习与 Instinct 模型

连续学习与 Instinct 模型

学习目标

读完本章后，你将能够：

• 理解 Hook 驱动观察与 Skill 驱动观察的触发率差异（100% vs ~50-80%）
• 设计原子化 Instinct 模型（触发器 + 动作 + 置信度 + 领域标签）
• 实现置信度评分的增减机制
• 设计项目作用域隔离的 Instinct 存储架构
• 理解 Instinct 演化管线：观察 → 模式检测 → 聚类 → 技能/命令/代理

前置知识

• 记忆系统设计 — 短期/长期记忆分层与持久化方案
• Hook 系统架构 — 工具生命周期事件与钩子执行模型
• 多 Agent 路由 — 子代理委托与模型选择

---

1. 为什么需要连续学习

问题定义

AI 编码代理在每次会话中都会积累模式：用户的编码偏好、项目约定、常见的错误与规避策略。如果没有连续学习机制，每次新会话都是”从零开始”，用户需要反复重申相同的偏好。

两种观察模式的对比

维度	Hook 驱动观察	Skill 驱动观察
触发率	100%（确定性）	~50-80%（概率性）
实现方式	PreToolUse / PostToolUse 钩子	Agent 自主判断是否调用 Skill
覆盖范围	每次工具调用都被记录	取决于 Agent 的技能激活判断
延迟	极低（同步或异步后台）	中等（需要 Agent 推理轮次）
适用场景	全面的模式捕获	特定场景的上下文感知学习

Hook 驱动的观察是连续学习的基础设施层 —— 它保证不遗漏任何模式。Skill 驱动的观察可以作为补充，捕获需要更高上下文理解的微妙模式。

2. Instinct 模型

2.1 什么是 Instinct

Instinct（本能）是一个原子化的已学习行为，表示一条从会话中提炼的可复用模式：

---
id: prefer-functional-style
trigger: "when writing new functions"
confidence: 0.7
domain: "code-style"
source: "session-observation"
scope: project
project_id: "a1b2c3d4e5f6"
project_name: "my-react-app"
---

# Prefer Functional Style

## Action
Use functional patterns over classes when appropriate.

## Evidence
- Observed 5 instances of functional pattern preference
- User corrected class-based approach to functional on 2025-01-15

Instinct 的五个核心属性：

属性	说明	示例
Atomic（原子性）	一个触发器，一个动作	”写新函数时 → 使用函数式风格”
Confidence-weighted（置信度加权）	0.3 ~ 0.9，表示确信程度	0.3 = 试探，0.9 = 确定
Domain-tagged（领域标签）	分类标签，用于过滤和聚类	code-style / testing / git
Evidence-backed（证据支撑）	追踪产生该 Instinct 的观察记录	”5 次观察 + 1 次用户纠正”
Scope-aware（作用域感知）	project（项目级）或 global（全局级）	React hooks → project，输入验证 → global

2.2 置信度评分系统

置信度随时间动态演化：

评分变化规则：

事件	置信度变化
模式被重复观察到	+0.1 ~ +0.2
用户未纠正建议的行为	+0.05
相似 Instinct 从其他来源确认	+0.05
用户明确纠正行为	-0.2 ~ -0.3
模式长期未被观察到	-0.05 / 周期
出现矛盾证据	-0.1

阈值行为：

分数	含义	行为
0.3	试探性	仅建议，不自动应用
0.5	中等	在相关场景中参考应用
0.7	强	自动批准应用
0.9	几乎确定	核心行为，几乎总是应用

3. 架构与数据流

3.1 连续学习管线

3.2 存储架构：项目作用域隔离

${XDG_DATA_HOME:-~/.local/share}/ecc-homunculus/
├── identity.json                          # 用户画像、技术等级
├── projects.json                          # 注册表: 项目 hash → 名称/路径/远程
├── observations.jsonl                     # 全局观察（回退）
├── instincts/
│   ├── personal/                          # 全局自动学习的 Instinct
│   └── inherited/                         # 全局导入的 Instinct
├── evolved/
│   ├── agents/                            # 全局生成的 Agent
│   ├── skills/                            # 全局生成的 Skill
│   └── commands/                          # 全局生成的 Command
└── projects/
    └── a1b2c3d4e5f6/                      # 项目 hash（来自 git 远程 URL）
        ├── project.json                   # 项目元数据
        ├── observations.jsonl             # 项目级观察
        ├── instincts/
        │   ├── personal/                  # 项目专属 Instinct
        │   └── inherited/                 # 项目导入的 Instinct
        └── evolved/                       # 项目级生成的技能

为什么选择 XDG 数据目录而非 ~/.claude/：

• Claude Code 的敏感路径守卫会阻止后台 Agent 写入 ~/.claude/ 下的某些路径
• XDG 标准目录（~/.local/share/）是用户数据的约定位置
• 支持从旧位置迁移（scripts/migrate-homunculus.sh）

3.3 项目检测

系统通过以下优先级自动检测当前项目：

1. CLAUDE_PROJECT_DIR 环境变量（最高优先级）
2. git remote get-url origin → 哈希生成可移植项目 ID
3. git rev-parse --show-toplevel → 使用仓库路径（机器特定）
4. 全局回退 → 若无项目检测，Instinct 归入全局作用域

项目 ID 是一个 12 字符的哈希值（如 a1b2c3d4e5f6），同一仓库在不同机器上生成相同 ID。

4. Instinct 晋升机制

4.1 自动晋升标准

当满足以下条件时，项目级 Instinct 可晋升为全局：

• 同一 Instinct ID 在 2+ 个项目中出现
• 平均置信度 ≥ 0.8

4.2 作用域决策指南

模式类型	作用域	示例
语言/框架约定	project	”使用 React hooks”、“遵循 Django REST 模式”
文件结构偏好	project	”测试放在 __tests__/”、“组件在 src/components/“
代码风格	project	”使用函数式风格”、“偏好 dataclass”
安全实践	global	”验证用户输入”、“清理 SQL”
通用最佳实践	global	”先写测试”、“始终处理错误”
工具工作流	global	”编辑前先 Grep”、“读取后再写入”

5. 陷阱与对策

5.1 跨项目污染

问题：项目 A 的 React 模式被错误应用到项目 B 的 Python 代码中。

对策：项目作用域隔离。每个项目的 Instinct 存储在独立的 projects/<hash>/ 目录下，仅在对应项目中激活。

5.2 过度拟合个人习惯

问题：某个偶然的编码习惯被提升为高置信度 Instinct，导致不必要的自动应用。

对策：

• 置信度阈值：低置信度（<0.7）仅建议，不自动应用
• 矛盾证据检测：当用户行为与 Instinct 冲突时降低置信度
• 定期评估：/evolve 命令审查 Instinct 的有效性和适用性

5.3 Observer 成本过高

问题：每次工具调用都触发观察分析，消耗大量 Token。

对策：

• Observer 使用 Haiku 模型（最低成本）
• 异步后台执行（不阻塞主会话）
• 最小观察数阈值（默认 20 条才触发分析）
• 可配置的观察间隔（默认 5 分钟）

6. 设计取舍

为什么用 Hook 而非 Skill 做观察？

v1 依赖 Skill 自主观察，但 Skill 是概率性的 —— 触发率约 50-80%，取决于 Agent 的自主判断。Hook 是确定性的，100% 触发。这意味着：

• 每次工具调用都被观察
• 不会遗漏任何模式
• 学习是全面的

为什么 Instinct 是原子化的？

早期的连续学习方案尝试捕获完整的”会话模式”，但完整的模式过于复杂：

• 难以聚类（大对象之间相似度高）
• 难以演化（一个模式包含多个行为）
• 难以调试（不知道哪个部分导致了问题）

原子化 Instinct 将每个行为拆分为最小的”触发器 → 动作”对，使得：

• 聚类更精确（相似触发器自然归组）
• 演化更灵活（一组 Instinct 可以组合成 Skill 或 Command）
• 调试更直接（每个 Instinct 独立追踪置信度）

为什么置信度而非布尔开关？

简单的”已学习 / 未学习”二元模型无法处理：

• 新模式的试探阶段
• 矛盾证据出现时的降级
• 不同来源的确认叠加

置信度评分提供了一个连续的、可逆的评分系统，能够优雅地处理这些场景。

参考来源

• Claude Code Hooks 文档
• ReAct 模式：Yao et al., “ReAct: Synergizing Reasoning and Acting in Language Models”, arXiv:2210.03629, 2022
• XDG Base Directory Specification