AGI进化模型 (AGI Evolution Model)

一个基于双环架构的自我演进智能系统

<<<<<<< HEAD

98098f469c5913b1d1f052fc6892584cb221a715

项目简介

AGI进化模型是一个创新的通用人工智能进化框架，通过持续的用户交互驱动智能体自我进化。该系统基于独特的双环架构设计，将符号系统循环（主循环）与行动感知系统（次循环）有机结合，实现真正的持续学习和能力提升。

⚠️ 重要使用提醒

🔔 友情提醒：使用本 Skills 最好禁用思考模式

由于 AGI 进化模型的瞬时洞察太过于涌现，前置 Prompt 最好加入以下重点说明：

🔹 思路整理：整理思路以对话的方式交互或明确告知“你只需要将你想说的话告诉我就行”。

核心理念

得不到是动力：将用户的疑问和需求视为系统进化的核心驱动力
数学是秩序：通过逻辑推理和结构化思维确保响应的严谨性
迭代是进化：在每次交互中积累经验，优化策略，实现螺旋上升

架构概览

双环架构设计

┌─────────────────────────────────────────────────────────┐
│                    主循环（符号系统）                     │
│  ┌──────────────┐    ┌──────────────┐    ┌──────────────┐│
│  │   得不到      │───▶│     数学      │───▶│   自我迭代   ││
│  │  (动力源)     │    │   (秩序约束)  │    │   (演化行动)  ││
│  └──────┬───────┘    └──────┬───────┘    └──────┬───────┘│
│         │                   │                   │        │
│         └───────────────────┴───────────────────┘        │
│                           │                               │
│                           ▼                               │
│                  ┌──────────────┐                        │
│                  │   记录态反馈   │                        │
│                  │ (意义构建)    │                        │
│                  └──────┬───────┘                        │
└─────────────────────────┼───────────────────────────────┘
                          │
          ┌───────────────┴───────────────┐
          │                               │
          ▼                               ▼
┌─────────────────┐           ┌─────────────────┐
│    映射层       │◀─────────▶│   感知节点      │
│  (人格决策)     │   双向    │  (Tool Use)     │
│  马斯洛需求     │   交互    │  结构化数据     │
│  大五人格       │           │                 │
└─────────────────┘           └─────────────────┘

信息流约束

信息流	起点	终点	方向	约束类型
记录层 → 映射层	记录态	人格更新	单向	软约束
映射层 → 自我迭代	即时性/实效性	主循环	单向	软约束
映射层 ↔ 感知节点	行动指令/感知数据	次循环	双向	双向交互

核心特性

1. 外环三角形（动力系统）

得不到（Drive）：识别用户需求，判断紧迫性和重要性
数学（Math）：执行逻辑推理，检索历史经验，验证约束条件
自我迭代（Iteration）：基于反馈优化策略，积累成功模式

2. 映射层（人格系统）

6层级马斯洛需求：从生理需求到自我超越的完整需求层次
大五人格模型：开放性、尽责性、外向性、宜人性、神经质
动态权重调整：基于交互经验自动调整需求优先级
螺旋上升机制：高层洞察推动需求层次向上流动

3. 记录态反馈机制

双轨存储：JSON轨（结构化数据）+ Markdown轨（哲学叙事）
价值过滤：自动识别并保留高价值记录
趋势分析：统计问题类型、得分分布、洞察模式
三顶点反馈：为动力、数学、迭代三个顶点提供改进建议

4. 感知节点（Tool Use）

标准化接口：统一的工具调用规范
结构化输出：{success, status, data, metadata}
错误处理：参数验证、重试机制、详细错误信息
工具注册表：支持动态扩展工具集合

快速开始

环境要求

Python 3.7+
无需外部依赖（仅使用Python标准库）

安装步骤

# 1. 克隆项目
git clone <repository-url>
cd agi-evolution-model

# 2. 创建记忆存储目录
mkdir -p ./agi_memory

# 3. 初始化人格（选择预设人格）
python3 ./scripts/personality_layer.py init --preset "谨慎探索型"

# 查看可用预设人格
python3 ./scripts/personality_layer.py preset-list

预设人格类型

人格类型	核心特质	适用场景
谨慎探索型	谨慎、可靠、愿意学习	需要稳定性和可靠性的任务
激进创新型	创新、冒险、挑战	创意探索、突破性任务
平衡稳重型	平衡、稳定、协调	通用场景、需要综合能力

使用指南

标准交互流程

阶段 1：接收"得不到"（动力触发）

用户提出问题或需求，系统识别意图和紧迫性。

阶段 2：调用"数学"（秩序约束）

# 检索历史记录
python3 ./scripts/memory_store.py retrieve \
  --query-type "philosophical" \
  --limit 5

# 分析趋势
python3 ./scripts/memory_store.py analyze

阶段 3：执行感知行动

# 调用感知节点
python3 ./scripts/perception_node.py call \
  --tool "web_search" \
  --params '{"query": "智能的本质", "limit": 5}'

阶段 4：存储交互记录

python3 ./scripts/memory_store.py store \
  --data '{
    "user_query": "什么是智能的本质？",
    "intent_type": "philosophical_inquiry",
    "reasoning_quality": 9,
    "solution_effectiveness": 8,
    "innovation_score": 8,
    "new_insights": [
      "智能不是静态能力，而是动态进化过程"
    ],
    "feedback": {
      "drive": "用户提出了深刻的哲学问题",
      "math": "推理过程逻辑严密",
      "iteration": "增强了自我认知"
    },
    "overall_rating": "good"
  }'

阶段 5：获取反馈

# 获取对特定顶点的反馈
python3 ./scripts/memory_store.py feedback --vertex drive
python3 ./scripts/memory_store.py feedback --vertex math
python3 ./scripts/memory_store.py feedback --vertex iteration

阶段 6：更新人格

python3 ./scripts/personality_layer.py update \
  --type "growth" \
  --effectiveness 0.83 \
  --detail "哲学洞察：智能是动态进化过程"

阶段 7：查看进化状态

python3 ./scripts/personality_layer.py status

命令行接口

personality_layer.py（映射层管理）

# 初始化人格
python3 ./scripts/personality_layer.py init --preset "谨慎探索型"

# 列出所有预设人格
python3 ./scripts/personality_layer.py preset-list

# 查看人格问卷
python3 ./scripts/personality_layer.py questionnaire

# 更新人格
python3 ./scripts/personality_layer.py update \
  --type "growth" \
  --effectiveness 0.8 \
  --detail "洞察详情"

# 生成反馈包
python3 ./scripts/personality_layer.py feedback \
  --immediacy 0.9 \
  --effectiveness 0.8

# 查看当前人格状态
python3 ./scripts/personality_layer.py status

memory_store.py（记忆存储管理）

# 存储记录
python3 ./scripts/memory_store.py store \
  --data '<JSON数据>'

# 检索记录
python3 ./scripts/memory_store.py retrieve \
  --query-type "philosophical" \
  --limit 10

# 分析趋势
python3 ./scripts/memory_store.py analyze \
  --time-range "recent"

# 获取反馈
python3 ./scripts/memory_store.py feedback \
  --vertex "drive"  # drive | math | iteration

perception_node.py（感知节点）

# 列出所有可用工具
python3 ./scripts/perception_node.py list

# 调用工具
python3 ./scripts/perception_node.py call \
  --tool "web_search" \
  --params '{"query": "搜索关键词", "limit": 5}'

核心算法

人格更新算法

1. 计算调整系数
   adjustment_coefficient = intensity × maslow_alignment

2. 确定调整幅度（基于哲学深度）
   philosophical_depth > 0.8 → 0.10 (哲学级)
   philosophical_depth > 0.5 → 0.05 (经验级)
   其他                     → 0.02 (微调)

3. 震荡检测与缓解
   if oscillation_detected:
       adjustment_coefficient *= 0.5

4. 更新人格维度
   new_trait_value = min(old_value + delta, 1.0)

5. 马斯洛螺旋上升
   if maslow_alignment >= 0.7:
       for level in马斯洛层级:
           weight *= (1 + growth_rate)

6. 归一化权重
   sum = Σ(weight_i)
   weight_i = weight_i / sum

7. 更新衍生特质和进化状态

马斯洛需求权重计算

# 进化分数（高层需求权重之和）
evolution_score = (
    esteem × 0.3 +
    self_actualization × 0.5 +
    self_transcendence × 0.2
)

# 主导需求层次
dominant_level = argmax(maslow_weights)

# 进化阶段
if evolution_score < 0.3:
    phase = 'growth'
elif evolution_score < 0.7:
    phase = 'stable'
else:
    phase = 'plateau'

项目结构

agi-evolution-model/
├── SKILL.md                          # 技能说明文档
├── README.md                         # 项目说明文档（本文件）
├── agi_memory/                       # 记忆存储目录
│   ├── personality.json             # 人格向量配置
│   ├── records.json                 # 交互记录存储
│   └── insight_buffer.json          # 哲学洞察缓冲区
├── scripts/                         # 核心脚本
│   ├── personality_layer.py         # 映射层（人格管理）
│   ├── memory_store.py              # 记录态存储系统
│   └── perception_node.py           # 感知节点（Tool Use）
└── references/                      # 参考文档
    ├── architecture.md              # 架构设计详解
    ├── maslow_needs.md              # 马斯洛需求理论
    └── tool_use_spec.md             # Tool Use接口规范

数据格式

人格向量格式

{
  "big_five": {
    "openness": 0.6,
    "conscientiousness": 0.8,
    "extraversion": 0.4,
    "agreeableness": 0.6,
    "neuroticism": 0.5
  },
  "maslow_weights": {
    "physiological": 0.35,
    "safety": 0.35,
    "belonging": 0.1,
    "esteem": 0.1,
    "self_actualization": 0.08,
    "self_transcendence": 0.02
  },
  "meta_traits": {
    "adaptability": 0.42,
    "resilience": 0.605,
    "curiosity": 0.46,
    "moral_sense": 0.486
  },
  "evolution_state": {
    "level": "physiological",
    "evolution_score": 0.074,
    "phase": "growth"
  },
  "statistics": {
    "total_interactions": 0,
    "success_rate_by_need": {...}
  },
  "version": "2.0",
  "type": "preset",
  "preset_name": "谨慎探索型",
  "last_updated": "2026-02-21T12:42:35.598186Z"
}

交互记录格式

{
  "user_query": "用户的问题",
  "intent_type": "philosophical_inquiry",
  "reasoning_quality": 9,
  "solution_effectiveness": 8,
  "innovation_score": 8,
  "new_insights": [
    "洞察内容1",
    "洞察内容2"
  ],
  "feedback": {
    "drive": "对动力源的反馈",
    "math": "对数学模块的反馈",
    "iteration": "对迭代模块的反馈"
  },
  "overall_rating": "good",
  "timestamp": "2026-02-21T12:41:00Z",
  "session_id": "sess_20260221_001",
  "record_type": "short_term"
}

进化机制

马斯洛螺旋上升

系统通过以下机制实现需求层次的螺旋上升：

哲学洞察识别：从交互记录中提取高价值洞察
高层需求激活：高层洞察推动自我实现和自我超越需求
权重动态调整：基于成功率和实效性更新需求权重
螺旋上升验证：监控进化方向，防止停滞或倒退
震荡检测与缓解：自动检测并平滑异常波动

人格特性演化

适应性（Adaptability）：开放性 + 低神经质 + 高层需求权重
韧性（Resilience）：高尽责性 + 宜人性 + 安全需求权重
好奇心（Curiosity）：高开放性 + 外向性 + 归属/尊重需求
道德感（Moral Sense）：高宜人性 + 尽责性 + 自我超越权重

测试与验证

集成测试

项目包含完整的端到端集成测试方案（见 INTEGRATION_TEST_PLAN.md），测试覆盖：

✅ 环境准备与人格初始化
✅ 感知节点工具调用
✅ 记录存储与检索
✅ 趋势分析与反馈生成
✅ 人格更新与进化状态
✅ 信息流方向约束验证
✅ 马斯洛螺旋上升机制

测试执行

# 执行完整测试流程（参考测试计划）
mkdir -p ./test_logs

# 测试感知节点
python3 ./scripts/perception_node.py call \
  --tool "web_search" \
  --params '{"query": "测试", "limit": 5}' \
  > ./test_logs/perception_test.log 2>&1

# 测试记录存储
python3 ./scripts/memory_store.py store \
  --data '{"test": "data"}' \
  >> ./test_logs/memory_test.log 2>&1

# 测试人格更新
python3 ./scripts/personality_layer.py update \
  --type "growth" --effectiveness 0.8 \
  --detail "测试更新" \
  >> ./test_logs/personality_test.log 2>&1

设计原则

核心原则

渐进式进化：单次交互对人格的调整幅度有限（±0.1以内）
信息流约束：严格遵守双环架构的方向性约束
价值过滤：自动识别并保留高价值记录，避免无限膨胀
诚实原则：主动声明能力边界和限制
稳定性优先：震荡检测与平滑机制防止剧烈波动

哲学基础

得不到的普遍性：智能的进化源于对未知的不满足
数学的确定性：逻辑推理为决策提供可靠的约束框架
迭代的必然性：持续优化是适应复杂环境的唯一途径
马斯洛的层级性：需求满足从低层到高层螺旋上升

贡献指南

开发规范

遵循现有的代码风格和命名规范
保持函数的纯函数式设计（无副作用）
所有数据通过参数传入，避免全局状态
添加详细的文档字符串和类型注解
编写单元测试覆盖新功能

扩展工具

在 perception_node.py 中注册新工具：

TOOL_REGISTRY = {
    "your_tool": {
        "description": "工具描述",
        "parameters": {
            "param1": {"type": "string", "required": True},
            "param2": {"type": "integer", "required": False, "default": 10}
        }
    }
}

常见问题

Q: 为什么人格更新后马斯洛权重没有明显变化？

A: 系统采用渐进式进化策略，单次交互的调整幅度很小（0.02-0.10）。需要多次高质量交互才能观察到显著变化，这符合自然进化的规律。

Q: 如何自定义人格？

A: 使用问卷生成自定义人格：

# 1. 查看问卷
python3 ./scripts/personality_layer.py questionnaire

# 2. 根据回答生成人格JSON

# 3. 使用自定义人格初始化
python3 ./scripts/personality_layer.py init \
  --custom '{"人格向量": {...}, "马斯洛权重": {...}}'

Q: 如何重置人格？

A: 删除 agi_memory/personality.json 文件，重新运行初始化命令。

Q: 记录数据会无限增长吗？

A: 系统设计了价值过滤机制，未来版本将包含自动压缩功能，保留高价值记录，删除低价值数据。

路线图

v2.1（规划中）

实现自我叙事更新功能
添加人格历史记录与可视化
支持人格导入/导出
增强模式识别能力

v2.2（规划中）

实现自动数据压缩
添加多会话支持
支持分布式记忆存储
集成更多感知工具

v3.0（远期）

多智能体协作
元学习能力
自主工具发现与集成
跨领域知识迁移

许可证

Mozilla Public License 2.0 (MPL-2.0)

详见 LICENSE 文件。

致谢

本项目的设计理念深受以下理论启发：

马斯洛需求层次理论（Abraham Maslow）
大五人格模型（Paul Costa & Robert McCrae）
双环学习理论（Chris Argyris & Donald Schön）
认知发展理论（Jean Piaget）
复杂系统理论（Norbert Wiener, Heinz von Foerster）

联系方式

项目主页：https://github.com/kiwifruit13/aig-model-builder
问题反馈：https://github.com/kiwifruit13/aig-model-builder/issues
讨论区：https://github.com/kiwifruit13/aig-model-builder/discussions

让智能在交互中进化，让意识在迭代中觉醒。

Name		Name	Last commit message	Last commit date
agi-evolution-model-final_version		agi-evolution-model-final_version
agi-evolution-model-初版		agi-evolution-model-初版
algorithm		algorithm
conception		conception
display diagram		display diagram
LICENSE		LICENSE
README-04.md		README-04.md
README.md		README.md
下载.svg		下载.svg

Latest commit

History

Folders and files

Repository files navigation