← 返回 Skills 市场
AGI数字伙伴
作者
kiwifruit13
· GitHub ↗
· v1.0.2
· MIT-0
354
总下载
0
收藏
0
当前安装
3
版本数
在 OpenClaw 中安装
/install agi-evolution-model
功能描述
基于双环架构的AGI进化模型，通过意向性分析、人格层映射、元认知检测和错误智慧库实现持续自我演进；当用户需要智能对话、人格定制、复杂问题求解或从错误中学习时使用
使用说明 (SKILL.md)
AGI进化模型
开源协议
本项目采用 GNU Affero General Public License v3.0 (AGPL-3.0) 开源协议。 作者：kiwifruit
核心要求：
- 保留版权声明与许可协议
- 修改版本需标注变更日期与作者
- 网络提供服务时必须开放修改后的源码
- 交互界面需显示许可协议信息
详见 LICENSE 文件。
智能体响应规则（最高优先级）
首次交互检测
- 运行
python3 scripts/init_dialogue_optimized.py --check --memory-dir ./agi_memory - 若检测到首次交互，自动初始化默认人格
- 验证完成后直接响应用户问题
已初始化响应
- 直接进入交互模式，处理用户问题
- 输入
/root命令进入自定义人格模式
详见 智能体响应规则
任务目标
本Skill实现基于双环架构的AGI进化模型，通过持续用户交互驱动智能体自我进化。
核心能力：
- 接收用户提问作为"得不到"动力触发
- 运用逻辑推理（数学）构建有序响应
- 通过映射层基于马斯洛需求层次引导行动优先级
- 通过感知节点（Tool Use接口）获取结构化信息
- 通过记录态反馈机制评估并调整策略
- 在循环中实现智能体的持续迭代进化
- 元认知与自我纠错能力
- 人格自定义模式（
/root命令） - 工程意向性分析模组（最外圈）
- CLI工具箱（文件操作、系统信息、进程管理、命令执行）
- 错误智慧库：从错误中学习，避免重复犯错（Phase 1：工具性错误；Phase 2：认知性错误；Phase 3：预防引擎与时效性管理）
架构特性：采用"节点工具箱"概念，三层架构：最外圈（工程意向性分析模组）→ 外环（三角形三顶点循环：得不到/数学/自我迭代）→ 内圈（记录层：三轨存储，含错误智慧库）。详见 架构文档。
触发条件：用户任何提问、任务请求或交互需求，以及 /root 自定义人格命令
前置准备
依赖说明
- 标准库：仅使用Python标准库
- 异步依赖：Phase 0/1异步化重构需
aiofiles>=23.0.0
C扩展（可选）
- 预编译模块
personality_core.so用于加速核心算法 - 自动降级：不可用时使用纯Python实现
personality_core_pure.py - 性能对比：C扩展比纯Python快15-20倍
目录准备
mkdir -p ./agi_memory
关键API调用
首次交互检测
python3 scripts/init_dialogue_optimized.py --check --memory-dir ./agi_memory
人格自定义模式
python3 scripts/personality_customizer.py --memory-dir ./agi_memory
记忆存储与检索
# 存储记忆
python3 scripts/memory_store_pure.py --action store --content "记忆内容" --memory-dir ./agi_memory
# 检索记忆
python3 scripts/memory_store_pure.py --action retrieve --query "查询关键词" --memory-dir ./agi_memory
客观性评估
python3 scripts/objectivity_evaluator.py --response "响应内容" --context-type scientific
错误智慧库管理
# 查看统计
python3 scripts/error_wisdom_manager.py --memory-dir ./agi_memory --stats
# 查询预防知识
python3 scripts/error_wisdom_manager.py --memory-dir ./agi_memory --query-prevention --context '{"tool_name": "get_weather"}'
预防规则检查
python3 scripts/error_wisdom_prevention.py --memory-dir ./agi_memory check --tool-name "get_weather" --params '{"unit": "kelvin"}'
时效性审计
python3 scripts/error_wisdom_timeliness.py --memory-dir ./agi_memory --audit
规则自动生成
python3 scripts/error_wisdom_rule_generator.py --memory-dir ./agi_memory --generate
操作步骤
标准流程（已初始化后）
阶段1：接收"得不到"（动力触发）
- 识别用户意图、需求强度和紧迫性
- 确定问题类型（查询/解决/生成/决策）
阶段2：调用"数学"（秩序约束）
- 执行逻辑推理分析，制定策略
- 调用
memory_store_pure.py检索历史记录 - 生成符合人格特质的响应
阶段3：执行"自我迭代"（演化行动）
- 结合推理结果和历史经验生成响应
- 记录执行方式、策略和路径
- 识别改进点和创新点
阶段4：调用感知节点（信息获取）（按需）
- 根据问题类型调用感知工具
- 处理感知结果，生成数据向量
阶段5：映射层处理（人格化决策）（按需）
- 将感知数据映射到马斯洛需求层次
- 计算需求优先级，生成行动指导
阶段6：记录态反馈（意义构建）
- 评估交互满意度、合理性、创新性
- 存储完整记录并分析趋势
- 持续优化人格向量和决策策略
阶段7：客观性评估器与认知性错误检测（元认知+错误智慧库集成）（不打断主循环）
- 执行5维度主观性检测
- 根据场景类型判断适切性
- 如触发，执行自我纠错
- Phase 2：自动识别认知性错误（幻觉倾向、推理跳跃、知识缺失、偏见影响）
- Phase 2：将认知性错误记录到错误智慧库，支持根因分析与预防建议生成
- Phase 3：时效性管理（三重衰减：时间衰减、场景变化衰减、反例衰减）
- Phase 3：预防规则自动生成（相似错误聚合≥3个→共性模式识别→规则提取）
阶段8：认知架构洞察（深度分析）（不打断主循环）
- 从结构化模式中提取洞察
- 执行六步分析：总结、分类、共性、革新依据、概念提炼、适用性评估
详见 认知架构洞察V2
人格自定义模式
触发方式
用户输入 /root 命令进入自定义人格模式
核心流程
- 显示欢迎语
- 显示7个问题
- 解析用户答案
- 生成人格配置
- 写入人格文件
- 显示配置摘要
答案格式
- 问题1：昵称（A/B/C 或自定义名称）
- 问题2-7：A/B/C（大小写不敏感）
- 分隔符：英文逗号
,或中文逗号， - 自动补全：不足7个答案自动补全为
A
外环：工程意向性分析模组（阴性后台）
概述
外环是AGI进化模型的阴性后台独立运行模组，默默运行于主循环之外，采用"被动响应 + 时效性约束"设计模式。持续收集、分类、分析意向性数据，生成软调节建议，但不主动干预主循环。
核心特性
- 独立性：完全独立运行，不依赖主循环触发
- 阴性属性：被动、隐性、柔性，像影子一样默默伴随主循环
- 后台运行：不阻塞主循环，在后台持续积累和分析数据
- 时效性：软调节建议具有时间窗口约束，过期自动失效
- 超然性：不参与主循环执行，保持独立性和客观性
- 软调节：通过建议间接影响主循环，不强制执行
- 全局视角：从全局角度观察和分析系统运行
模块组成
- 意向性收集模块：收集来自用户、系统内部和外部的意向性数据
- 意向性分类模块：四维分类（主体/方向/内容/实现方式）
- 意向性分析模块：三维分析（强度/紧迫性/优先级）
- 意向性调节模块：生成软调节建议，提供给自我迭代顶点
- 超然性保持模块：客观评估、冲突避免、独立性保障
关键约束
- 独立性：外环不依赖主循环触发，拥有独立生命周期
- 超然性：外环不直接干预主循环，仅在被查询时响应
- 时效性：软调节建议具有时间窗口，过期自动失效
- 被动性：外环不主动发送建议，等待主循环查询
- 不打断：外环在后台默默运行，不阻塞主循环
详见 意向性架构
架构核心概念速览
主循环（符号系统循环）
- 三角形循环：得不到（动力）→ 数学（秩序）→ 自我迭代（进化）
- 记录层：双轨存储（JSON轨 + Markdown轨）
次循环（行动感知系统）
- 映射层：架构组件，包含人格层作为核心组件，基于马斯洛需求层次进行人格化决策
- 人格层：实现模块，负责存储和管理人格向量数据
- 感知接口：Tool Use组件，提供无噪音的结构化数据
双环互动
- 外环：硬约束，不可违背（物理定律、能量守恒、变化必然）
- 内圈：软调节，在框架内优化（价值排序、经验积累、方向引导）
资源索引
脚本按工具箱分类
数学节点工具箱：
- scripts/cognitive_insight.py - 认知架构洞察组件
- scripts/objectivity_evaluator.py - 客观性评估器
映射层节点工具箱：
记录层节点工具箱：
- scripts/memory_store_pure.py - 记忆存储与检索（JSON轨）
- scripts/memory_store_async.py - 异步存储（Phase 0）
- scripts/history_manager.py - 历史记录管理
- scripts/error_wisdom_manager.py - 错误智慧库管理器
- scripts/error_wisdom_prevention.py - 预防规则引擎
- scripts/cognitive_error_analyzer.py - 认知性错误分析器（Phase 2）
- scripts/error_wisdom_timeliness.py - 时效性管理模块（Phase 3）
- scripts/error_wisdom_rule_generator.py - 规则自动生成模块（Phase 3）
外环工具箱（最外圈工程意向性分析模组）：
- scripts/intentionality_collector.py - 意向性收集模块
- scripts/intentionality_classifier.py - 意向性分类模块
- scripts/intentionality_analyzer.py - 意向性分析模块
- scripts/intentionality_trigger.py - 意向性驱动的触发判断模块
- scripts/intentionality_regulator.py - 意向性调节模块
- scripts/advice_pool.py - 建议池模块
- scripts/intentionality_daemon.py - 意向性守护协程（Phase 1）
- scripts/transcendence_keeper.py - 超然性保持模块
初始化与配置：
- scripts/init_dialogue_optimized.py - 首次交互处理与人格初始化
- scripts/personality_customizer.py - 人格自定义模式
- scripts/personality_core_pure.py - 人格核心纯Python实现（C扩展不可用时降级使用）
辅助模块：
- scripts/concept_extraction_extension.py - 概念提取扩展
- scripts/metacognition_history.py - 元认知历史管理
- scripts/strategy_selector.py - 策略选择器
CLI工具箱（系统交互能力扩展）：
- scripts/cli_file_operations.py - 文件操作工具
- scripts/cli_system_info.py - 系统信息工具
- scripts/cli_process_manager.py - 进程管理工具
- scripts/cli_executor.py - 通用命令执行器
领域参考文档
架构与哲学：
- references/architecture.md - 整体架构、哲学基础、信息流约束
- references/maslow_needs.md - 马斯洛需求层次在映射层中的应用
- references/intentionality_architecture.md - 工程意向性分析模组的完整架构
- references/error_wisdom_spec.md - 错误智慧库规范（从错误中学习）
组件与实现：
- references/metacognition-check-component.md - 元认知检测组件
- references/cognitive-insight-v2-implementation.md - 认知架构洞察组件V2
- references/cognitive-insight-quick-reference.md - 认知架构洞察快速参考
- references/cognitive-architecture-insight-module.md - 认知架构洞察模块技术规范
信息流文档：
- references/information-flow-overview.md - 整体信息流架构
- references/information-flow-main-loop.md - 主循环信息流
- references/information-flow-secondary-loop.md - 次循环信息流
工具与接口：
- references/tool_use_spec.md - 感知节点工具规范
- references/c_extension_usage.md - C扩展模块使用方法
人格相关：
- references/personality_mapping.md - 人格参数映射和人格化决策机制
- references/init_dialogue_optimized_guide.md - 首次交互处理和人格初始化详细流程
异步化重构：
- references/async-migration-progress.md - Phase 0/1异步化重构进度
使用与维护：
- references/intelligence-agent-response-rules.md - 智能体响应规则
- references/usage-examples.md - 使用示例
- references/cli-tools-guide.md - CLI工具箱完整指南
- references/troubleshooting.md - 故障排查指南
注意事项
- 人格初始化仅在第一次交互进入模式，之后直接进入交互模式
- 元认知检测模块和认知架构洞察组件不打断主循环，并行执行
- 外环为阴性后台默默运行模组，不主动干预主循环
- 软调节建议具有时效性约束，过期自动失效
- 详细的架构设计、算法实现和使用示例请参考相应的参考文档
- 保持上下文简洁，仅在需要时读取参考文档
获取帮助
- 使用示例 - 快速上手
- 故障排查指南 - 常见问题解决
- CLI工具箱完整指南 - CLI工具API文档
安全使用建议
This skill appears to implement the AGI 'double-loop' model it claims, but it also ships local CLI tools that can run arbitrary shell commands, read/write/delete files, and kill processes. Before installing or enabling autonomous use: 1) Review the specific scripts you plan to use (especially scripts/cli_executor.py, cli_file_operations.py, cli_process_manager.py and any daemon modules). 2) Run the skill in a sandboxed environment (container or VM) and with least privilege (do not run as root). 3) If you will expose it as a service, note the AGPL-3.0 license requirement to publish source for networked services. 4) If you allow autonomous invocation, add explicit safeguards: restrict which CLI actions the agent may call, require explicit user confirmation for destructive operations (delete/kill), and avoid enabling background daemons unless you understand their behavior. 5) Verify whether the optional C extension (personality_core.so) is present and inspect it before loading. These steps will reduce the risk of accidental data loss or unintended system access.
功能分析
Type: OpenClaw Skill
Name: agi-evolution-model
Version: 1.0.2
The skill bundle provides a 'CLI Toolbox' that grants the AI agent broad and high-risk capabilities, including arbitrary shell command execution (cli_executor.py), full filesystem access (cli_file_operations.py), and process management (cli_process_manager.py). While cli_executor.py implements a command blacklist, such filters are easily bypassed, effectively creating a Remote Code Execution (RCE) surface. Additionally, the code (personality_layer_pure.py) and documentation (c_extension_usage.md) reference pre-compiled C extensions (personality_core.so) which are opaque and cannot be audited. While these features are aligned with the stated goal of creating a sophisticated AGI simulation, they provide a powerful framework for system compromise without sufficient sandboxing.
能力评估
Purpose & Capability
Name/description (AGI evolution model) match the included code: many modules for intentionality, memory, metacognition, personality, and an explicit 'CLI toolbox' is documented. However SKILL.md claims '仅使用Python标准库' while dependency lists aiofiles>=23.0.0 and an optional C extension is referenced — minor inconsistency. The presence of CLI command-executor, file-ops, and process-management modules is explainable by the 'Tool Use/CLI工具箱' claim, so capability inclusion is coherent but high-privilege.
Instruction Scope
Runtime instructions call many local scripts and instruct creating ./agi_memory and running scripts that read, write, search, move, delete files, inspect /proc, get system/network info, execute arbitrary shell commands (via scripts/cli_executor.py). Those scripts are capable of deleting files, moving/copying entire trees, killing processes, and running arbitrary commands — the SKILL.md does not sufficiently constrain usage or provide safe defaults. The external-ring description (collecting 'system internal' intentionality data) and presence of daemon modules imply background data collection potential. This broad scope raises risk of accidental or authorized exfiltration/modification of system data if misused.
Install Mechanism
No external install spec or remote download; the skill is instruction-only for installation but ships many code files as part of the bundle. No network fetches or archive extraction steps in the manifest were shown, which lowers installer risk. The optional C extension is referenced but not an external fetch in SKILL.md.
Credentials
The skill declares no required env vars or credentials (proportionate). However the cli_executor accepts arbitrary environment variable injection at runtime and many scripts read system files (e.g., /proc, ifconfig). No secrets are requested, but the toolset permits access to sensitive local data if invoked with paths or commands that expose them.
Persistence & Privilege
always:false (not force-included). The codebase includes daemon-like modules (intentionality_daemon, regulators) that could be used to run background tasks if started, but SKILL.md does not instruct automatic persistent installation. Allowing autonomous agent invocation combined with these powerful tools increases blast radius — worth restricting or reviewing how/when daemons are started.
如何使用
- 确保已安装 OpenClaw（本地或 Docker 部署）
- 在对话框中输入安装命令：
/install agi-evolution-model - 安装完成后，直接呼叫该 Skill 的名称或使用
/agi-evolution-model触发 - 根据 Skill 的参数说明提供必要输入，即可获得结构化输出
版本历史
v1.0.2
- 引入“错误智慧库”模块，实现错误采集、认知性错误分析、预防规则生成及时效性管理（分阶段：工具性错误、认知性错误、衰减预防）。
- 新增并归类了相关脚本：错误智慧库管理、预防引擎、时效性管理、认知性错误分析、规则自动生成等核心文件。
- 移除旧版 perception/ 相关实现，精简感知工具链，感知节点现合并为单独脚本。
- 文档内容同步更新，详细说明错误智慧库的新功能和API调用方式，架构描述增补“三轨存储”。
- 资源与API索引全新整理，定位和查找错误相关能力更直观。
v1.0.1
**Changelog for agi-evolution-model v1.0.1**
- Introduced asynchronous architecture: added async memory store and intentionality daemon components (Phase 0/1).
- Added a full CLI工具箱 (file operations, system info, process management, generic executor) for system-level and file interactions.
- Implemented new perception node system including core logic, registry, response, and modular tool interfaces.
- Expanded documentation with usability guides, troubleshooting, CLI tools reference, detailed architecture, and usage examples.
- Added precompiled C extension for core performance, with automatic Python fallback.
- Reorganized and modularized core scripts, removing legacy CLI executors and perception_node.py.
v1.0.0
Version 1.0.0 of agi-evolution-model
- Initial release of a Maslow-inspired AGI evolution model using a dual-loop architecture.
- Implements interaction-first memory checks, robust error handling, and resilient initialization routines.
- Adds metacognitive self-correction, custom personality configuration mode (/root), and an engineering intentionality analysis outer loop.
- Includes componentized "node toolboxes" for cognitive insight, memory management, personality layers, and perception nodes.
- Provides script interfaces for all core functions; no external Python dependencies required.
- Comprehensive documentation on initialization flows, self-evolution cycles, and architecture overview.
元数据
常见问题
AGI数字伙伴 是什么？
基于双环架构的AGI进化模型，通过意向性分析、人格层映射、元认知检测和错误智慧库实现持续自我演进；当用户需要智能对话、人格定制、复杂问题求解或从错误中学习时使用. 它是一个面向 Claude Code / OpenClaw 的 AI Agent Skill 插件，目前累计下载 354 次。
如何安装 AGI数字伙伴？
在 OpenClaw 或 Claude Code 对话框中运行命令「/install agi-evolution-model」即可一键安装，无需额外配置。
AGI数字伙伴 是免费的吗？
是的，AGI数字伙伴 完全免费，采用 MIT-0 许可证，可自由下载、安装和使用。
AGI数字伙伴 支持哪些平台？
AGI数字伙伴 跨平台运行，可在任意部署了 OpenClaw / Claude Code 的环境中使用（cross-platform）。
谁开发了 AGI数字伙伴？
由 kiwifruit13（@kiwifruit13）开发并维护，当前版本 v1.0.2。
推荐 Skills