通过分析进化记忆图谱，智能识别停滞模式与失败集群，为迭代优化提供数据驱动的决策建议。
说明：
## 核心用法
Evolution State Analyzer 是一款面向自适应进化系统的元分析工具，专门解析 `memory_graph.jsonl` 文件以诊断进化过程中的结构性问题。开发者通过简单的 JavaScript API 调用即可获取深度洞察：
“`javascript
const analyzer = require(‘./index’);
const insights = await analyzer.analyzeState();
“`
该工具四大核心能力形成完整闭环：**停滞检测**通过识别重复无改进的循环打破无效迭代；**基因效能分析**量化不同基因变体的成功率，实现优胜劣汰；**失败聚类分析**将分散的失败原因归类，定位系统性缺陷；**趋势报告**则将抽象数据转化为可视化的进化轨迹。
## 显著优点
1. **数据驱动的进化决策**：摆脱直觉猜测，以 75% 成功率等硬指标指导基因取舍
2. **主动式问题发现**：在 5 轮停滞 streak 后自动触发模式切换建议，避免沉没成本
3. **精细化基因管理**：识别出如 `gene_repair_v2` 高达 95% 成功率的明星基因，同时标记 40% 成功率的 `gene_innovate_v1` 为待废弃
4. **轻量集成**：单文件 JSONL 数据源，无复杂依赖
## 潜在局限
– **数据源单一性**：完全依赖 `memory_graph.jsonl` 的完整性与准确性，若日志缺失则分析失真
– **语义理解有限**：失败聚类基于结构化标签而非根因推理，可能掩盖深层关联
– **静态快照视角**：趋势报告为历史回顾型，非预测性建模
– **无自动执行**：仅生成 recommendations，需外部系统实现决策闭环
## 适合人群
– 遗传算法/进化策略框架的维护者
– 需要优化提示词工程（prompt evolution）的 AI 应用开发者
– 研究自适应学习系统的算法工程师
## 常规风险
– **过度优化风险**：高频分析可能引发过早收敛，牺牲探索多样性
– **指标腐蚀**：success_rate 定义若存在漏洞，将被工具放大而非暴露
– **推荐误用**：自动生成的 “Deprecate” 建议需结合业务语境人工复核
