brain-evolution - 智慧大脑进化技能

🧠 简介

受人类大脑进化机制启发的智能记忆管理系统，模拟人脑的：

1. 神经可塑性 - 常用神经通路强化，不用的弱化（用进废退）
2. 髓鞘化 - 重复动作形成条件反射，加速神经传导
3. 海马体 - 短期记忆 → 长期记忆转化
4. 遗忘曲线 - 艾宾浩斯遗忘，不复习的记忆会衰减
5. 突触修剪 - 儿童期后修剪不常用神经连接，节省能量

🆕 v2.0 重大更新

整合优化：

• ✅ 整合 smart-cache 的双层缓存（内存 LRU + SQLite）
• ✅ 整合 memory-system 的分层架构（L0/L1/L2）
• ✅ 添加线程安全（并发保护）
• ✅ 添加配置类（支持自定义参数）
• ✅ 性能提升：条件反射 0.01ms，缓存 0.1-10ms，通路 100ms

🎯 核心特性

📦 安装

已安装到：skills/brain-evolution/

🚀 快速开始

1️⃣ Python 代码（v2.0）

from skills.brain_evolution.brain_evolution_v2 import brain

# 记录学习（自动写入 L1 缓存 + L2 通路）
brain.record(
    stimulus="查询天气",
    response="weather_api",
    tool="weather",
    success=True,
    duration=0.5,
    ttl=300,          # 缓存 TTL（秒）
    important=False   # 是否重要（重要信息不自动遗忘）
)

# 分层查询（自动 L0→L1→L2）
result = brain.get("查询天气")
if result:
    print(f"响应：{result['response']}")
    print(f"层级：{result['level']}")  # L0/L1/L2
    print(f"延迟：{result['latency']}")
    print(f"条件反射：{result['from_reflex']}")

# 单独查询某一层
reflex = brain.get_reflex("查询天气")      # L0 条件反射
cached = brain.get_cached("查询天气")      # L1 缓存
pathway = brain.get_pathway("查询天气")    # L2 神经通路

# 执行遗忘（清理低频知识）
result = brain.forget()
print(f"遗忘：{result['forgotten_count']} 条")
print(f"过期缓存：{result['expired_cache']} 条")

# 查看大脑状态
status = brain.get_status()
print(f"L0 条件反射：{status['L0_reflex']['size']} 条")
print(f"L1 缓存：{status['L1_cache']['memory_size']} (内存) / {status['L1_cache']['disk_size']} (磁盘)")
print(f"L2 神经通路：{status['L2_pathways']['total_pathways']} 条")

1️⃣ Python 代码（v1.0 兼容）

from skills.brain_evolution.brain_evolution import brain

# v1.0 API 保持不变，向后兼容
brain.record("查询天气", "weather_api", tool="weather", success=True)
reflex = brain.get_reflex("查询天气")
strength = brain.get_memory_strength("查询天气")
forgotten = brain.forget(threshold=0.1)
status = brain.get_status()

2️⃣ 命令行工具（v2.0）

cd skills/brain-evolution

# 查看大脑状态
python3 brain_manager.py status

# 查看强化建议
python3 brain_manager.py recs

# 执行遗忘
python3 brain_manager.py forget

# 导出报告
python3 brain_manager.py report

# 运行测试（v2.0）
python3 brain_evolution_v2.py

# 清理过期数据
python3 brain_manager.py cleanup

🏗️ v2.0 分层架构

┌─────────────────────────────────────────┐
│  L0 - 条件反射层 (Reflex Layer)         │
│  - 响应时间：0.01ms                     │
│  - 触发条件：使用≥5 次 + 强度>0.7          │
│  - 存储：内存 LRU 字典                    │
│  - 类似：大脑髓鞘化神经通路              │
├─────────────────────────────────────────┤
│  L1 - 智能缓存层 (Cache Layer)          │
│  - 响应时间：0.1ms (内存) / 10ms (磁盘) │
│  - TTL 管理：5 分钟 -1 小时                 │
│  - 存储：内存 LRU + SQLite（WAL 模式）   │
│  - 类似：大脑工作记忆                    │
├─────────────────────────────────────────┤
│  L2 - 神经通路层 (Pathway Layer)        │
│  - 响应时间：100ms                      │
│  - 强度模型 + 遗忘曲线                   │
│  - 存储：SQLite（带索引优化）           │
│  - 类似：大脑长期记忆                    │
└─────────────────────────────────────────┘

查询流程：

1. 用户请求 → L0 条件反射（命中则返回）
2. L0 未命中 → L1 缓存（命中则返回）
3. L1 未命中 → L2 神经通路（命中则返回）
4. 全部未命中 → 执行实际任务并记录学习

🧬 神经科学原理

1. 神经可塑性 (Neuroplasticity)

使用频繁 → 突触强化 → 通路变强
长期不用 → 突触弱化 → 通路变弱

代码实现:

# 强化
pathway.reinforce(success=True, duration=0.5)
self.strength = min(1.0, self.strength + gain)

# 衰减
pathway.decay(days=7)
self.strength = max(0.0, self.strength - decay)

2. 髓鞘化 (Myelination)

重复练习 → 髓鞘增厚 → 传导加速 → 条件反射

代码实现:

# 使用次数达到阈值，形成条件反射
if usage_count >= REFLEX_THRESHOLD and strength > STRONG_MEMORY:
    reflex_cache.set(stimulus, response)  # 加入快速缓存

3. 遗忘曲线 (Forgetting Curve)

艾宾浩斯遗忘曲线:
- 20 分钟后：保留 58.2%
- 1 小时后：保留 44.2%
- 1 天后：保留 33.7%
- 6 天后：保留 25.4%

代码实现:

FORGETTING_CURVE = {
    0: 1.0,       # 刚学习
    20: 0.582,    # 20 分钟
    60: 0.442,    # 1 小时
    1440: 0.337,  # 1 天
    8640: 0.254,  # 6 天
}

4. 突触修剪 (Synaptic Pruning)

儿童期后 → 修剪不常用连接 → 节省能量 → 提升效率

代码实现:

def forget(self, threshold=0.1):
    for pathway in self.pathways.values():
        if pathway.strength \x3C threshold:
            del self.pathways[key]  # 删除弱通路

📊 记忆强度模型

🔧 参数配置

class BrainParams:
    # 条件反射阈值（使用次数）
    REFLEX_THRESHOLD = 5
    
    # 记忆强度阈值
    STRONG_MEMORY = 0.7    # 强记忆
    WEAK_MEMORY = 0.3      # 弱记忆
    FORGET_THRESHOLD = 0.1 # 遗忘阈值
    
    # 学习/衰减参数
    MYELINATION_GAIN = 0.15  # 每次强化增益
    DECAY_RATE = 0.05        # 每天衰减率

🎯 使用场景

✅ 推荐场景

1. Agent 对话优化 - 常用对话形成条件反射
2. 工具调用加速 - 高频工具直接返回
3. 个性化学习 - 根据用户习惯自动优化
4. 内存优化 - 自动清理低频知识

💡 集成示例

与缓存技能结合

from skills.brain_evolution.brain_evolution import brain
from skills.smart_cache.smart_cache import cache

def smart_query(query: str):
    """智能查询（大脑 + 缓存）"""
    start = time.time()
    
    # 1. 先查条件反射（最快）
    reflex = brain.get_reflex(query)
    if reflex and reflex['from_reflex']:
        # 条件反射命中，直接返回
        brain.record(query, reflex['response'], reflex['tool'], 
                    True, time.time() - start)
        return reflex['response']
    
    # 2. 查缓存
    cached = cache.get(f'query:{query}')
    if cached:
        brain.record(query, cached['response'], cached['tool'],
                    True, time.time() - start)
        return cached['response']
    
    # 3. 实际执行
    result = execute_query(query)
    
    # 4. 记录学习
    brain.record(query, result['response'], result['tool'],
                True, time.time() - start)
    
    # 5. 写入缓存
    cache.set(f'query:{query}', result, ttl=300)
    
    return result

与记忆系统结合

from skills.brain_evolution.brain_evolution import brain
from skills.openclaw_memory_system.tools.memory_manager import MemoryManager

def load_context(query: str):
    """加载上下文（大脑 + 记忆）"""
    # 1. 查条件反射
    reflex = brain.get_reflex(query)
    if reflex:
        return {'type': 'reflex', 'data': reflex}
    
    # 2. 查长期记忆
    mm = MemoryManager()
    memory = mm.search(query)
    if memory:
        # 强化记忆
        brain.record(query, 'from_memory', 'memory_search', True, 0.1)
        return {'type': 'memory', 'data': memory}
    
    return {'type': 'new', 'data': None}

📁 文件结构

brain-evolution/
├── brain_evolution.py    # 核心大脑系统
├── brain_manager.py      # 命令行管理工具
├── SKILL.md              # 技能说明（本文件）
├── brain_data/           # 数据目录（运行时创建）
│   ├── neural_pathways.json  # 神经通路网络
│   ├── reflex_cache.json     # 条件反射缓存
│   ├── memory_trace.jsonl    # 访问轨迹
│   └── brain_report.json     # 大脑报告
└── tests/                # 测试目录

🧪 测试

v2.0 测试

cd skills/brain-evolution
python3 brain_evolution_v2.py

输出示例:

============================================================
智慧大脑进化系统 2.0 测试
============================================================

1. 模拟学习过程...

2. 大脑状态:
   L0 条件反射：1 条
   L1 缓存：3 (内存) / 3 (磁盘)
   L2 神经通路：3 条
   条件反射：1 条
   平均强度：0.66

3. 测试分层查询:
   ✓ 查询天气 → weather_api (层级=L0, 反射=True)
   ✓ 查询股票 → stock_api (层级=L1)
   ✗ 未知请求 → 未命中

4. 强化建议:
   (无接近阈值的通路)

5. 导出报告...
   ✓ 报告：brain_data_v2/brain_report.json

============================================================
✅ 测试完成！
============================================================

v1.0 测试

cd skills/brain-evolution
python3 brain_manager.py test

输出示例:

============================================================
智慧大脑进化系统测试
============================================================

1. 模拟学习过程...

2. 大脑状态:
   神经通路：4 条
   条件反射：1 条 ⚡
   反射缓存命中率：100.0%

3. 测试条件反射:
   ⚡ 查询天气 → weather_api (条件反射命中)
   🧠 查询股票 → stock_api (神经通路，未形成反射)

============================================================
✅ 测试完成！
============================================================

📈 v2.0 性能对比

响应速度

存储优化

内存占用

⚠️ 注意事项

1. 隐私保护 - 敏感对话不会被记录（可配置过滤）
2. 遗忘策略 - 定期执行 forget() 清理低频知识
3. 备份建议 - 定期备份 brain_data/ 目录
4. 并发安全 - 已添加线程锁，支持多 Agent 并发

🔮 后续改进

短期

• 支持敏感词过滤
• 添加记忆重要性评分
• 支持批量学习

中期

• 情感记忆增强（情绪强烈的记忆更深刻）
• 睡眠巩固机制（离线整理记忆）
• 联想记忆（相关概念自动关联）

长期

• 群体智慧（多用户共享学习）
• 迁移学习（跨领域知识迁移）
• 创造性思维（组合旧知识生成新想法）

灵感来源: 人类大脑进化机制
设计理念: 用进废退、条件反射、智能遗忘
** Made with ❤️ for OpenClaw Community**