mind — 自我进化引擎

AI Agent 的"心灵"：记忆与行动的统一体。记忆让它能从过去的错误中学习而不重复犯错，自驱力让它能持续自主向前。

灵感来源：Hermes Agent 的 Self-Evolving Agent Memory 机制——经验自动提取（intent + path + key_insight）+ 语义聚类。

核心架构

clawmind/
├── self_driver.py       ← 驱动：健康度 + VFM 评分 + 反思
├── state_manager.py     ← 状态：项目 / 任务 / 日志管理
├── quality_score.py     ← 评分：简报质量 5 维度评估
└── memory/
    └── memory_core.py   ← 记忆：经验存取（remember / recall）

闭环协同：

drive() → propose() 生成提案 → score_action() VFM 评分 → 执行
                                                      ↓
                            recall() 检索 ← remember() 沉淀

健康度系统

calc_health(state) → float

health = 0.4 + success*0.25 + progress*0.2 + momentum*0.1 - fail_penalty*0.15 + completion*0.1

健康度阈值与行动

VFM 提案评分

propose(state, context="") → list[dict]

根据当前状态生成改进提案列表，包含 description、expected_delta_health、tags。

典型提案：

自动任务拆解：进度 < 30% 时，propose() 自动调用 _decompose_task()，根据关键词模式将任务拆为 3~4 个子任务：

• 发布/上传类 → 准备 → 执行 → 验证 → 完成
• 创建/开发类 → 规划 → 构建 → 测试 → 完成
• 研究/探索类 → 调研 → 分析 → 总结 → 归档
• 修复/调试类 → 定位 → 修复 → 验证 → 沉淀教训
• 整理/归档类 → 清点 → 分类 → 验证 → 更新索引

score_action(proposal, driver) → float

VFM 公式：Value × Feasibility × Momentum × 100

• Value：低健康时高 delta 提案价值更高
• Feasibility：成功经验多时提升，连续低迷时降低
• Momentum：健康度 ≥0.6 → 0.9，≥0.4 → 0.6，<0.4 → 0.3

select_best_action(proposals, driver) → dict

返回得分最高的提案及完整评分列表。

经验记忆

remember(experience, source, tags) → None

将任务结果或认知存入经验库。

remember("Docker 网络冲突解决，教训：必须指定 --subnet",
         source="task", tags=["docker", "debug"])

recall_experiences(query, tags, limit) → list[dict]

语义检索相关经验。

results = recall_experiences("docker", limit=3)
for r in results:
    print(r['task_intent'], '|', r['key_insight'][:60])

状态管理

from state_manager import push_project, set_task, add_log

push_project("新项目", "目标描述", "active")
set_task("任务名", 2, 5, "下一步动作")
add_log("心跳 10:00：完成模块 A 开发")

CLI 用法

# 主循环
python3 self_driver.py

# 查看引擎状态
python3 self_driver.py status

# 提案评分报告
python3 self_driver.py propose

反思问题（健康度 < 0.4 时触发）

1. 当前任务卡在哪里？是思路问题还是执行问题？
2. 有没有之前学过的经验可以用到这里？
3. 这一步是否真的值得做，还是在逃避更核心的问题？
4. 如果这个问题明天还要做，今天最少要完成哪一步？
5. 有没有把一个复杂问题拆得足够小？

文件索引