基于预测编码的元认知自学习系统，通过残差金字塔量化认知缺口，实现Skill自动演化与价值门控进化。
说明：
## 核心用法
Self-Evolving Skill 是一个元认知自学习系统，通过**预测编码框架**实现AI技能的自动演化。系统核心围绕”残差金字塔”（ResidualPyramid）构建——利用SVD分解量化当前认知与目标之间的缺口能量，并据此触发三层跃迁：覆盖率>80%时调整策略权重（POLICY）、40-80%时生成子Skill（SUB_SKILL）、<40%时归纳新谓词（PREDICATE）。
用户可通过CLI、MCP服务器或直接编程三种方式调用。关键操作包括创建Skill、执行并学习（需传入success/value信号）、分析嵌入向量、持久化存储等。系统内置经验回放缓存避免重复触发，并通过ValueGate确保只有提升长期价值的变异才被接受。
### 显著优点
– **自动化演进**：无需人工设计学习规则，系统基于残差能量自适应判断学习时机
– **量化认知缺口**：残差金字塔提供可解释的抽象层级建议
– **价值驱动进化**：过滤低价值变异，避免无效迭代
– **持久化与回放**：经验自动保存，支持跨会话累积
### 潜在缺点与局限性
– **阈值敏感**：`min_energy_ratio=0.10`、`value_gain_threshold=0.20`等超参数需调优，不同任务域差异大
– **SVD计算开销**：高维嵌入的频繁分解可能影响实时性
– **价值函数依赖**：长期价值的定义依赖外部输入（`value`参数），若标注质量差则进化方向偏移
– **缺乏理论收敛保证**：预测编码在开放任务中的稳定性未经广泛验证
### 适合人群
AI研究者、需要动态适应用户行为的Agent开发者、对元学习与神经符号AI交叉领域感兴趣的工程师。
### 常规风险
– **反馈循环风险**：自演化系统可能放大早期偏差，需定期人工审计 evolved skills
– **存储膨胀**：经验缓存若无上限将占满磁盘，需配置自动清理策略
– **MCP服务器暴露**：若部署为服务，需验证`skill_execute`的输入过滤，防止注入攻击
会员专属
