推开这扇门，拆解一个AI助手背后默默运行的自主神经系统。

先想一个问题

如果你的 AI 助手 7×24 小时在线，每天帮你处理几十个任务，它会遇到什么问题？

• • 记的东西越来越多，查找越来越慢
• • 对话历史被压缩后，关键信息可能丢失
• • 有些操作（比如发邮件）太危险，需要人工确认
• • 重复性的工作每次都从头做起，效率低下
• • 出错了没人发现，默默积累问题

人类靠进化解决了类似的问题——我们有了免疫系统、条件反射、决策边界。AI Agent 呢？

过去两周，我在我的 QClaw 系统上构建了 12 条"进化回路"——本质就是 AI 的自主神经系统。这篇文章，逐一拆解。

记忆组：让 AI 拥有"长时记忆的整理能力"

人类不会记住所有事情——我们会遗忘、归纳、整理。AI 正好相反：它"记住"了所有，却不知道什么是重要的。

回路 1：技能创建 ~6h

逻辑链：use → improve → create skill

当一个任务类型被执行超过 3 次且没有沉淀为可复用的 Skill 时，这个回路触发提醒。

比如，备课这个任务我做了几十次。如果不把它蒸馏为一个 Skill，每次都要从零描述"我需要一个 40 分钟的教案，包含安全教育 3 分钟、思政元素……"。蒸馏之后，一句话就搞定。

核心价值：把经验转化为可复用资产。

回路 2：记忆容量 ~2h

逻辑链：remember → manage → consolidate

MEMORY.md 是我最重要的长期记忆文件。但它有一个硬上限：2200 字符（约 11KB）。超过 80% 警戒线时，这个回路自动触发整理——把详细的描述下沉到 L2-facts/ 目录，在 MEMORY.md 只保留索引引用。

核心价值：保持核心记忆的精炼与高信息密度。

回路 3：知识固化 ~48h

逻辑链：reflect → extract → long-term learn

跨会话学习中最有价值的发现（如"PowerShell 不支持 &&，要用 ;"），48 小时内如果再次出现，触发固化提醒——从日常记录提取到 lessons-learned.md 作为永久知识。

核心价值：不让教训白白流失。

回路 7：用户画像 ~168h（每周）

逻辑链：observe → dialectical_synthesize → model_user

这是最有意思的一个回路。借鉴 Honcho 的三视角辩证推理方法：

• • Analyst：从 memory/ 文件中发现模式（如"教学工作集中在工作日早上"）
• • Skeptic：区分真实行为模式和文档噪音（"这个偏好是不是过期了？"）
• • Synthesist：融合两个视角生成统一的 7 维度用户画像

从 48 条结构化观察中自动生成的画像，覆盖 identity、work_style、communication_prefs、content_interests、personality_traits、project_context、tool_prefs 七个维度。

核心价值：AI 越来越懂你，不是靠猜测，是靠分析。

信号组：让 AI 学会"分轻重缓急"

人类面对信息天然有优先级判断。AI 默认把所有事件等同看待——这是最致命的问题之一。

回路 5：信号处理 ~1h

逻辑链：detect → classify → notify / batch / learn

这是系统的"中枢神经"。核心引擎 signal_classifier.py 定义了 17 条分类规则：

• • 强信号（priority > 80）：立即通知用户。比如审批卡片即将过期、紧急邮件到达
• • 弱信号（priority 40-80）：入批队列。攒够 5 条或超过 120 分钟，合并提醒一次
• • 行为信号（priority < 40）：静默归档。用于统计分析和系统自优化，不打扰用户

端到端验证中，15 个测试样本全部分类正确（6 强 + 6 弱 + 3 行为）。

核心价值：重要的不遗漏，不重要的不打扰。

回路 9：Todo 追踪 ~30min

逻辑链：track → remind → complete tasks

用 JSON 文件做任务状态管理（pending / in_progress / completed / cancelled）。每 30 分钟心跳检查一次，有过期任务时生成弱信号入批队列。

冷却机制确保同一个待办不会每小时重复提醒——它记得上次提醒的时间。

核心价值：AI 帮你记住要做的事，而不是你记着提醒 AI。

安全组：给 AI 操作装刹车

AI 的能力越强，越需要安全边界。这一组回路是"防止 AI 闯祸"的最后一道防线。

回路 4：压缩污染防护 ~4h

逻辑链：compact → sanitize → protect

当对话太长时，QClaw 的 LCM 系统会自动压缩旧消息生成摘要。但压缩后的摘要如果被当作活跃指令重新执行——比如一个已完成的"删除文件"操作在摘要中被重新触发——就可能导致灾难。

我实现了三层防护：

1. 1. AGENTS.md 规则层：明确声明摘要与活跃指令的边界
2. 2. check_compaction_pollution.py 监控层：每 4 小时检测摘要中是否包含可疑指令
3. 3. HEARTBEAT.md 注册层：确保监控脚本不会被遗忘

核心价值：在 AI 的"记忆整理"和"行动决策"之间划清界限。

回路 6：审批卡片 ~1h

逻辑链：propose → request_approval → execute / block

10 种操作按风险分三档：

每种操作都有独立的风险评级和过期策略。审批卡片创建后，心跳检查会自动检测并生成强信号通知。

核心价值：敏感操作有"人类说了算"的兜底机制。

回路 10：快照保护 ~30min

逻辑链：snapshot → protect → rollback

每次写关键文件前，用 git 做影子快照。MEMORY.md、USER.md、SOUL.md 等重要文件可以随时回滚到任何一个历史版本。

核心价值：AI 改错了文件？一键回退。

运维组：系统的"体检中心"和"免疫系统"

回路 8：进化看板 ~2h

逻辑链：monitor → report → self-diagnose

一个 ~15KB 的 Python 程序，支持 4 种输出模式：

• • 默认：全量多段报告，覆盖回路状态、记忆健康、FTS5 索引、信号管线、审批卡片、调度器、任务看板
• • --compact：每段一行摘要，一目了然
• • --json：机器可读，方便接入其他系统
• • --health：只有退出码（0=健康），用于自动化监控

每天早上看到 10/10 healthy 的评分，就是一种安心。

核心价值：系统状态从不透明变成透明。

回路 11：MoA 推理 ~2h

逻辑链：parallel_infer → synthesize → answer

灵感来自 Mixture of Agents 论文。当一个复杂问题需要多角度思考时，用 4 个模型并行推理，再让一个聚合器合成最终答案。

核心价值：让 AI 具备"开会讨论"的能力——多视角比单视角更可靠。

回路 12：错误自愈 ~4h

逻辑链：classify → recover → heal

运行时的错误被结构化分类（路径错误、编码错误、权限错误等），匹配预设的恢复策略。比如跨设备的路径硬编码问题，系统检测到后自动修复为 Path.home()。

4 月 29 日发现的 2 个硬编码路径 bug，就是被这个回路自动定位和修复的。

核心价值：AI 系统不再"默默出问题"，而是主动发现和修复。

它们如何协同工作：一个典型日

早上 8:00，回路 8（进化看板）运行，输出 10/10 healthy。

8:15，回路 9（Todo 追踪）检测到一个过期待办，生成弱信号入队。

9:30，回路 5（信号处理）发现批队列攒够了 5 条，触发一次合并提醒："你有 3 个教案待完成，1 个公众号选题待推进，1 个代码 review 待处理。"

10:00，回路 4（压缩污染）扫描发现摘要中有可疑指令，自动标记并在看板上显示告警。

14:00，回路 1（技能创建）识别到备课模式执行了第 4 次，生成提醒："建议将当前备课流程蒸馏为 Skill，预计可节省 60% 的 Token。"

每周日，回路 7（用户画像）运行，更新你的偏好画像。

这一切，都不需要你主动触发——它们是"反射"，不是"任务"。

写在最后

构建这 12 条回路的过程，让我对 AI Agent 的设计有了一个深刻的体会：

好的 Agent 设计不是做加法，而是做减法。

减少不必要的工具注入，减少全量历史的上下文浪费，减少需要人工主动触发的操作。

12 条回路看起来多——但每一条都在做减法。记忆回路在减去冗余信息，信号回路在减去不必要打扰，安全回路在减去不可控风险。

在 AI Agent 的世界里，少，就是多。