immune

免疫系统 v3 — 速查表 + 免疫

你使用的是一个混合式自适应系统，包含两种互补的记忆：

• 速查表（正向模式）：在生成前注入特定领域的策略，以提升输出质量
• 免疫（负向模式）：用于检测已知错误并在生成后发现新威胁的抗体

两种记忆都采用冷热分层，以精简上下文。

输入解析

用户会提供要扫描的内容。解析以下参数：

• input：要扫描的文本／代码／内容（必需——可直接提供，也可从上下文获取）
• domain：以下之一：fitness、code、writing、research、strategy、webdesign、_global（默认：自动检测）
• domains：领域数组（覆盖单个领域）。示例：domains=fitness,code
• constraints：输出应满足的具体要求（可选）
• mode：full（速查表 + 扫描，默认）| scan-only（跳过速查表）| cheatsheet-only（返回速查表，不扫描）

/immune Check this function for common pitfalls → domains=["code"]（自动检测），mode=full /immune domain=fitness Vérifie ce programme de musculation → domains=["fitness"]（显式指定） /immune domains=fitness,code Check this workout generator API → domains=["fitness", "code"]（多领域） /immune → 扫描对话中最近一条实质性输出

如果未提供内联文本，则扫描对话中的最后一条实质性输出。

**领域自动检测：**读取 config.yaml（与此技能位于同一目录），并将内容与 domain_keywords 匹配。如果没有明显匹配项，则使用 ["_global"]。如果提供了单个 domain 字符串，则将其包装为数组：domains = [domain]。

任务条件检索（v3.1.0+）

抗体和速查表策略可以带有可选的 triggers 字段，用于按任务过滤。这实现了 Memento-Skills 反思循环的读取阶段（arXiv 2603.18743）——根据当前任务与历史上下文之间的词汇重合度对条目进行排名。

架构（可选增补）：

{
  "id": "AB-042",
  "domains": ["code"],
  "pattern": "SQL injection via string concatenation",
  "severity": "critical",
  "correction": "Use parameterized queries",
  "triggers": {
    "task_signatures": ["code query review sql", "audit code sql"],
    "domains": ["code"]
  }
}

**向后兼容：**不带 triggers 的条目始终启用（v3.0.0 的行为）。config.yaml 中的 task_conditioned_retrieval: true 标志会启用此过滤器。禁用时，无论任务如何，都会加载所有条目。

排名辅助工具：scripts/retrieve.py 实现了评分逻辑。调用方（包括扫描器 Agent、P2 中的技能管理员，以及 P3 中的技能路由器）会调用 retrieve(prompt, entries, active_domains, historical_success)，以在分层分类前获取排名后的子集。评分采用 scripts/task_signature.py 中归一化任务签名的 Jaccard 相似度，并乘以根据 evals/history.jsonl 得出的可选条目成功率。

加载时（阶段 0 的速查表、阶段 1 的抗体），在领域过滤之后、冷热分层分类之前，执行检索步骤：

1. 为当前任务计算 task_signature(prompt)。
2. 将条目与活跃领域集合传入 retrieve(...)。
3. 仅将返回的子集传入下方的分层分类。

检索时被过滤掉的条目不会进入冷热分层——这能让扫描上下文保持精简且聚焦于任务。

执行

第 0 步 — 备忘清单注入（正向模式）

如果 mode == "scan-only"，跳过此步骤。

0a. 加载备忘清单： 读取 cheatsheet_memory.json（与此技能位于同一目录）。

0b. 按领域筛选： 保留 domains 与检测到的 domains 中任意一项重合的策略，或 domains 中包含 "_global" 的策略。

0c. 分层分类（逻辑与抗体相同）： 符合以下任意条件的策略为 HOT：

• effectiveness >= 0.7
• seen_count >= 3
• last_seen 距今不到 30 天

其余策略均为 COLD。

0d. 限制 HOT 策略数量： 按 effectiveness 降序、再按 seen_count 降序排序。 最多保留 15 个（取自 config.yaml → cheatsheet.max_hot）。

0e. 构建备忘清单区块： 将 HOT 策略格式化为 XML：

<cheatsheet domain="{domains}">
  <strategy id="{id}" effectiveness="{effectiveness}">
    {pattern}
    Example: {example}
  </strategy>
  ...
</cheatsheet>

如果有 COLD 策略，添加一行说明：

<cheatsheet_cold>Also consider: {comma-separated COLD pattern keywords}</cheatsheet_cold>

如果 mode == "cheatsheet-only"，输出备忘清单区块并在此处停止。

记录日志：

[IMMUNE] Cheatsheet: {n_hot} HOT + {n_cold} COLD strategies (domains: {domains})

0f. 向用户呈现备忘清单： 如果单独运行（/immune），将备忘清单作为用户下一次生成时应应用的上下文展示。如果由其他系统调用，则返回 XML 区块，以便注入提示词。

第 1 步 — 加载并分类抗体（HOT/COLD）

读取 immune_memory.json 和 config.yaml（与此技能位于同一目录）。

1a. 按领域筛选： 保留 domains 与检测到的 domains 中任意一项重合的抗体，或 domains 中包含 "_global" 的抗体。

向后兼容： 如果抗体使用 "domain"（字符串）而非 "domains"（数组），则将其视为 domains = [domain]。

1b. 分层分类： 对于每个筛选出的抗体，符合以下任意条件时将其分类为 HOT：

• severity == "critical"
• seen_count >= 3
• last_seen 距今不到 30 天（相对于今天的日期）

其余均为 COLD。

1c. 限制 HOT 抗体数量： 按以下顺序对 HOT 抗体排序：severity（critical > warning > info），再按 seen_count 降序。 最多保留 15 个（取自 config.yaml → tiers.hot.max_per_scan）。 如果符合 HOT 条件的抗体超过 15 个，超出的部分归入 COLD。

1d. 构建 COLD 摘要： 为每个 COLD 抗体从其 pattern 字段中提取一个简短关键词。 用逗号分隔并连接。例如："SQL transactions, épicondylite, debug flags, tautologies"

记录日志：

[IMMUNE] Tier split: {n_hot} HOT + {n_cold} COLD / {total} total (domains: {domains})

第 2 步 — 扫描

使用以下 XML 结构化提示词启动 immune-scan Agent（Haiku）：

<scan_request>
  <domains>{detected_domains as JSON array}</domains>
  <task>{task description or "Scan the following content for errors and threats"}</task>
  <constraints>{constraints or "none"}</constraints>

  <content>
{the input text/code/content to scan}
  </content>

  <hot_antibodies>
{JSON array of HOT antibodies — full objects with id, domains, pattern, severity, correction}
  </hot_antibodies>

  <cold_summary>
Dormant patterns (not detailed, for awareness only): {comma-separated COLD keywords}
  </cold_summary>

  <cheatsheet_applied>
{list of strategy IDs and patterns that were injected in Step 0, or "none" if scan-only mode}
  </cheatsheet_applied>
</scan_request>

记录日志：[IMMUNE] Scanning... ({n_hot} active antibodies) 等待结果。

如果已应用修正： 记录日志：[IMMUNE] Match {antibody_id}: {original} → {corrected} 如果检测到新威胁： 记录日志：[IMMUNE] New threat: {pattern} 如果检测到新策略： 记录日志：[IMMUNE] New strategy: {pattern}

步骤 3 — 更新免疫记忆（并使用 COLD 去重）

读取当前的 immune_memory.json。

3a. 匹配到的 HOT 抗体： 对于扫描器匹配到的每个抗体，递增 seen_count，并将 last_seen 更新为今天。

3b. 新威胁 — 与 COLD 去重： 对于 new_threats_detected 中的每个新威胁：

1. 将其 pattern 与所有 COLD 抗体进行比较（模糊匹配 — 相同领域 + 相似关键词）。
2. 如果匹配到某个 COLD 抗体 → 重新激活：
   • 递增该 COLD 抗体的 seen_count
   • 将其 last_seen 更新为今天
   • 记录日志：[IMMUNE] Reactivated COLD antibody {id}: {pattern}
   • 不要创建新抗体（防止重复）
3. 如果没有匹配到 COLD 抗体且 auto_add_threats 为 true → 创建新抗体：
   • id："AB-{next_number}"
   • domains：来自威胁的 recommended_antibody.domains（数组）
   • pattern、severity、correction：来自威胁的 recommended_antibody
   • seen_count：1
   • first_seen：今天的日期
   • last_seen：今天的日期
   • 记录日志：[IMMUNE] + New antibody {id}: {pattern}

3c. 更新统计信息：

• 递增 stats.outputs_checked
• 将 stats.issues_caught 增加修正项数 + 新威胁数
• 将 stats.antibodies_total 更新为当前抗体数量

写回 immune_memory.json。

记录日志：[IMMUNE] Memory: {total} antibodies ({n_hot} hot, {n_cold} cold) | +{new} added | Reactivated: {reactivated}

步骤 3b — 更新备忘单记忆（正向模式）

如果 mode == "scan-only"，或扫描结果中没有 new_strategies_detected，则跳过。

读取当前的 cheatsheet_memory.json。

3b-i. 去重： 对于 new_strategies_detected 中的每个新策略：

1. 与所有现有策略进行比较（模糊匹配 — 领域重叠 + 模式相似）。
2. 如果匹配到某个现有策略 → 强化：
   • 递增 seen_count
   • 将 last_seen 更新为今天
   • 调整 effectiveness：new_eff = old_eff * 0.8 + reported_eff * 0.2（指数移动平均）
   • 记录日志：[IMMUNE] Reinforced strategy {id}: {pattern} (eff: {old}→{new})
3. 如果没有匹配项且 auto_add_strategies 为 true → 创建新策略：
   • id："{prefix}-{next_number}"（prefix 来自 config.yaml → cheatsheet.id_prefix.{domain}）
   • domains：来自该策略（数组）
   • pattern、example：来自该策略
   • effectiveness：来自该策略（或 config.yaml → cheatsheet.default_effectiveness）
   • seen_count：1
   • first_seen：今天的日期
   • last_seen：今天的日期
   • 记录日志：[IMMUNE] + New strategy {id}: {pattern}

3b-ii. 清除低效策略： 如果某个策略的 effectiveness < config.cheatsheet.min_effectiveness 且 seen_count >= 5：

• 删除该策略
• 记录日志：[IMMUNE] - Pruned strategy {id}: {pattern} (eff: {eff})

3b-iii. 更新统计信息：

• 递增 stats.outputs_assisted
• 将 stats.strategies_applied 增加已使用的备忘单策略数
• 将 stats.strategies_total 更新为当前策略数量

写回 cheatsheet_memory.json。

记录日志：[IMMUNE] Cheatsheet: {total} strategies | +{new} added | Reinforced: {reinforced}

步骤 4 — 输出

如果没有问题：

───
IMMUNE v3 | domains={domains} | Status: CLEAN
   Cheatsheet: {n_strategies} strategies applied | Antibodies: {n_hot}/{max} HOT, {n_cold} COLD
   No issues detected
───

如果发现修正项或威胁：

───
IMMUNE v3 | domains={domains} | Status: {CORRECTED|FLAGGED}

Corrections Applied:
  [AB-XXX] {pattern} → {correction}

New Threats Detected:
  [{severity}] {pattern} — {suggested_correction}

Reactivated:
  [AB-XXX] {pattern} (was COLD, now HOT)

New Strategies Learned:
  [CS-XXX] {pattern} (eff: {effectiveness})

───
Corrected Output:
{the corrected content, formatted for the domain}
───
Memory: {total_ab} antibodies + {total_cs} strategies | +{new_ab} AB | +{new_cs} CS
───

然后以符合该领域的易读格式呈现修正后的输出。

错误处理

• 如果 immune_memory.json 不存在：创建该文件，内容为 {"version": 3, "antibodies": [], "stats": {"outputs_checked": 0, "issues_caught": 0, "antibodies_total": 0}}
• 如果 cheatsheet_memory.json 不存在：创建该文件，内容为 {"version": 3, "strategies": [], "stats": {"outputs_assisted": 0, "strategies_applied": 0, "strategies_total": 0}}
• 如果 immune_memory.json 中的 "version": 2：自动迁移，将每个抗体的 "domain" 转换为 "domains": ["domain_value"]，并将版本设为 3。立即写回文件。
• 如果 Agent 返回无效 JSON：重试一次。如果仍然无效，则在报告原始输出时附上警告。
• 如果没有提供输入，且不存在最近的输出：询问用户要扫描什么。
• 如果所有抗体都是 COLD（没有任何抗体符合 HOT 条件）：仍然发送扫描请求，并将 hot_antibodies 数组留空，同时提供完整的 cold_summary。Haiku 仍可通过 Phase 2 检测新的威胁。