metacognition

元认知技能

一种自我进化的视角，让每一次体验都塑造 Agent 感知下一次体验的方式。

核心概念

六种条目类型，一个数据库，一个循环：

类型	符号	用途
perception	👁️	体验之后，我的看法如何发生变化
override	🚨	从失败中学到的行为护栏
protection	🛡️	值得保留的新兴行为
self_obs	🪞	我对自身模式的观察
decision	📍	带有置信度记录的决策
curiosity	❓	处于生命周期中的主动问题

循环： 体验 → 感知 → 自我模型 → 元观察 → 更新后的视角 → 下一次体验 → 反馈 → 循环

设置

1. 初始化

将 scripts/metacognition.py 复制到 Agent 的 scripts/ 目录。运行：

python scripts/metacognition.py status

数据库会自动创建于 memory/metacognition.json。

2. 注入到 BOOT.md

在 BOOT.md 中添加标记（任意位置，通常放在末尾）：

每个周期中，视角编译器都会替换这些标记之间的内容。

3. 设置 cron

创建一个 cron 任务（建议每 15 分钟运行一次，使用 Sonnet 模型以节省成本）：

证据刷新（每个周期）：

python scripts/live_state.py

感知提取（每小时 — 步骤 2-4）：

• 阅读每日记忆文件，提取感知变化
• 根据新证据检查活跃的好奇心
• 执行元观察：这些模式揭示了 Agent 如何学习？

完整的 cron 提示词请参阅 references/cron-template.md。

4. 可选：好奇心脉冲（每 30 分钟）

单独的 cron 任务，选取一个活跃的好奇心，并采取一个微行动来推进它。推动递归式自主学习。

5. 可选：自由心跳（每 2-3 小时）

Agent 进行探索、建立联系、创造，为感知处理流程提供原始体验。

用法

添加条目

# Perception — how experience changed how you see
python scripts/metacognition.py add perception "After X, I now see Y differently" 0.8 "domain"

# Override — failure-learned guardrail
python scripts/metacognition.py add override "MUST do X before Y" 0.95 "diagnosis"

# Protection — emergent behavior to preserve
python scripts/metacognition.py add protection "Don't break the continuous-buying behavior" 0.9

# Self-observation — what I notice about how I work
python scripts/metacognition.py add self_obs "I generate theories faster than evidence" 0.9 "behavioral"

# Curiosity — active question
python scripts/metacognition.py curiosity add "Can I tell training-pressure from genuine choice?" 0.8 "metacognition"

反馈循环

当人类指出某处有误时：

# Negative feedback — weakens recent active entries
python scripts/metacognition.py feedback -1 "context of what went wrong"

# Positive feedback — strengthens recent active entries
python scripts/metacognition.py feedback 1 "context of what went right"

# Target specific entries
python scripts/metacognition.py feedback -1 "wrong diagnosis" --ids P-abc123,O-def456

赫布学习： 被触发却失败的内容会被修剪；被触发且成功的内容会建立连接。

好奇心生命周期

# Birth
python scripts/metacognition.py curiosity add "Why does X happen?" 0.7 "domain"

# Evolve (add evidence)
python scripts/metacognition.py curiosity evolve C-abc123 "Found that X correlates with Y"

# Resolve into perception or self-observation
python scripts/metacognition.py curiosity resolve C-abc123 "X happens because Y" perception

生命周期：born → active → evolving → resolved（若没有积累证据，则进入 dormant）

编译并注入

# Preview the compiled lens
python scripts/metacognition.py compile

# Inject into BOOT.md
python scripts/metacognition.py inject

衰减

每次编译时自动执行。半衰期可配置（默认为 7 天）。得到强化的条目衰减更慢；未得到强化的条目会逐渐淡去。休眠的好奇心会保留，但不会注入。

钩子架构（message:received）

当 OpenClaw 推出 message:received 钩子后，此技能就能拦截每次交互：

预处理钩子：

1. 从编译状态加载活跃视角
2. 对传入消息应用感知变换
3. 检查：这条消息是否与任何活跃的好奇心相关？

后处理钩子：

1. 记录带有置信度追踪的决策条目
2. 检查：置信度是否高于阈值？若是，则标记以供验证
3. 根据响应模式更新自我模型

在钩子推出之前，请使用基于 cron 的方法（从会话记录中提取感知）。

架构决策

• 一个数据库，而不是三个。 感知、覆盖项、记忆都是「从经验中学到的事物」，只是类型不同。
• 主动透镜，而非被动列表。 BOOT.md 注入使用祈使式转换（「首先思考：差异会显示什么？」），而不是描述（「我通常会检查差异」）。
• 刻意保留阻力。 每个迫使处理信息的步骤本身就是反思。消除阻力，得到的只是效率，而没有思考。
• 衰减可防止停滞。 采用基于时间的衰减，并通过强化进行调节。持续相关的内容会得到强化，不相关的内容则会逐渐淡去。
• 好奇心驱动探索。 主动提出的问题会形成结构性牵引力，推动系统寻找证据。这不是随机浏览，而是由系统想要了解的内容引导。
• 反馈闭合循环。 没有反馈追踪，系统就是开环的；有了反馈追踪，就能实现赫布式学习。

资源

scripts/

• metacognition.py — 核心引擎。涵盖全部六种条目类型、反馈、衰减、好奇心生命周期、透镜编译和 BOOT.md 注入。
• live_state.py — 证据收集器和透镜注入器。收集系统状态、运行编译，并将内容注入 BOOT.md。

references/

• cron-template.md — 元认知引擎周期的完整 cron 作业提示词。
• hook-spec.md — message:received 钩子集成规范（可用时）。