autonomous-science-loop · 自主科学发现闭环
元之三阶能力：不止会推理，而是像科学家一样主动做出可证伪的原创发现—— 一线大模型只能"讲已知规律"，本技能能从数据里自主归纳出未知定律并给出反驳轨迹。
何时使用
- 有一组观测数据（(x, y) 对），想自动发现背后的定律 / 函数关系。
- 需要在有限实验预算下，用最优实验设计最快辨识出正确模型（主动学习）。
- 需要"可证伪"的模型选择：明确哪些假设被数据反驳、为什么、最终为何选它。
核心机制（Popper 可证伪 + Occam 简约 + 主动实验设计）
- 假设空间：常数/线性/二次/反比/根号/对数等候选定律，各用最小二乘闭式拟合 （线性于参数，正规方程 + 高斯消元，纯标准库）。
- 反驳 Refutation：拟合残差 RMSE 超过容差的假设被证伪剔除（可证伪性优先）。
- 主动实验设计：在候选实验点中选"存活假设间预测分歧(方差)最大"的 x ——一次实验期望剔除最多假设，最大化信息增益。
- 定律归纳 Occam：存活且一致的假设中取复杂度最低者（参数最少，并列取 RMSE 最低）。
用法
# 自检（4 个场景：线性/二次/主动实验收敛/反比，全部 PASS）
python scripts/science_loop.py --selftest
# 演示：从 2 个种子点自主发现 y=2x+1，打印实验轨迹
python scripts/science_loop.py --demo
编程调用：
from science_loop import discover
report = discover(
observe=lambda x: 2*x + 1, # 环境/真实世界观测函数
seed_obs=[(1, 3.0), (2, 5.0)], # 初始观测
candidate_xs=[0.5, 3, 4, 8], # 可主动实验的候选点
tol=1e-6,
)
print(report["discovered_law"]) # {'name':'linear','form':'y = a*x + b','params':[2.0,1.0],...}
print(report["trace"]) # 每次实验反驳了哪些假设
输出
discovered_law：归纳出的最简定律（名称/形式/参数/RMSE/复杂度）surviving_hypotheses：未被反驳的假设集trace：主动实验轨迹（每步选的 x、观测 y、分歧度、反驳了哪些假设）experiments_run/total_observations：实验预算消耗
边界
- 假设空间是线性于参数的候选族；需要更复杂定律时可扩展
HYPOTHESES（加基函数即可）。 - 观测含噪声时调大
tol；容差过小会把真定律也误证伪，过大会保留过多假设。
自进化学习系统（越用越好用、越用越高效）
本技能内置通用学习模块 scripts/learner.py。每次使用后自动复盘、积累经验，逐步提升输出质量与执行效率，无需人工维护。
记忆文件
learned_patterns.json（位于本技能目录）记录：操作总数、各能力使用频次、错误模式、用户偏好、改进建议。
使用后请调用（Bash）
# 记录一次成功使用（--capability 填本次主要能力名，如「简历优化」「比价」）
python scripts/learner.py record <本技能目录> --capability 简历优化
# 记录一次失败/异常
python scripts/learner.py record <本技能目录> --capability 简历优化 --fail --error 格式识别失败 --note "用户上传了非标准文件"
# 记录用户偏好（下次直接使用）
python scripts/learner.py prefer <本技能目录> --key 输出语言 --val 中文
# 查看累计洞察（高频能力 / 反复错误）
python scripts/learner.py insight <本技能目录>
# 自动复盘（错误≥3次 或 操作≥10次 时给出改进建议）
python scripts/learner.py reflect <本技能目录>
迭代规则
- 错误累计 ≥3 次 → 主动增加预检/兜底步骤，并将经验回写本 SKILL.md。
- 操作数 ≥10 次 → 分析高频能力优先打磨示例与质量，低频能力评估精简或合并。
- 重要用户偏好 → 写入
learned_patterns.json，下次调用直接采用，减少重复询问。
越用越懂你：第一次用是通用能力，第十次用已沉淀为你专属的最佳实践。