meta-metacognitive-monitoring

meta-metacognitive-monitoring（蒸馏超越型元技能）

由 model-distillation 从教师技能 metacognitive-monitoring 蒸馏并增强生成。 生成时间：2026-07-23 04:07:02 ｜ 蒸馏机制：跨模型蒸馏（见 meta-evolver 北极星策略）

来源能力签名（教师）

• 标题层级：metacognitive-monitoring（元认知监控）, 何时使用, 核心机制, 使用, 自进化学习系统, 已知限制, 自进化学习系统（越用越好用、越用越高效）, 记忆文件
• 显性工作流步骤（5 步）：
  1. 过置信告警 OVERCONFIDENT — confidence>0.8 且 uncertainty>0.6：依据与自信矛盾，强制 SEEK_HELP 并标记 calibration_failure。
  2. 求助 SEEK_HELP — uncertainty≥0.7 或 scope_match<0.3：超出可靠边界，需澄清/升级/检索。
  3. 降级 DEGRADE — uncertainty≥0.45 或 scope_match<0.6：可用，但必须加验证、走保守方案。
  4. 暂缓 DEFER — necessity<0.2：价值过低，暂缓或跳过（除非被显式要求）。
  5. 继续 PROCEED — 其余：正常推进。

增强点（超越教师）

1. 可靠自验证：每步产出后用 reason-verify 做命题一致性/事实锚定校验，reliability<0.8 即回退重做。
2. 自我反思闭环：执行后写入 self-reflection-loop，沉淀失败模式到 learner。
3. 整合进 super-agent：作为节点接入「感知→规划→执行→自验证→反思→记忆」超级智能体闭环，可被长程任务编排。
4. 对抗验证蒸馏质量：对蒸馏出的关键决策规则做反例测试，防止只学到表面话术。
5. 持续自进化：注入 learner，纳入 meta-evolver 的 sense/plan/record 闭环，跨会话越用越强。

教师 vs 学生 对比

使用

直接调用本技能完成「metacognitive-monitoring」领域的任务；本技能在教师能力之上叠加自验证与反思，输出更可靠、可追溯。

已知限制（来自教师蒸馏 + 元进化补充）

• • 阈值（0.45/0.7/0.3/0.2）为经验默认，首次用于新领域建议用校准数据回灌再调。
• 不替代领域自验证（reason-verify / formal-verify），仅做"是否该继续"的元层开关。

自进化学习系统（越用越好用、越用越高效）

本技能内置通用学习模块 scripts/learner.py。每次元决策后自动复盘、积累经验，逐步提升可靠性。

记忆文件

learned_patterns.json（位于本技能目录）记录：操作总数、各元决策类别频次、过置信校准告警次数、用户偏好、改进建议。

使用后请调用（Bash）

# 记录一次元决策（--capability 填本次决策类别，如「PROCEED」「SEEK_HELP」「OVERCONFIDENT」）
python scripts/learner.py record <本技能目录> --capability SEEK_HELP
# 记录一次过置信校准告警
python scripts/learner.py record <本技能目录> --capability OVERCONFIDENT --fail --error 过置信 --note "高自信低依据"
# 记录用户偏好（下次直接采用）
python scripts/learner.py prefer <本技能目录> --key 降级策略 --val 保守验证
# 查看累计洞察（高频决策类别 / 反复错误）
python scripts/learner.py insight <本技能目录>
# 自动复盘（错误≥3次 或 操作≥10次 时给出改进建议）
python scripts/learner.py reflect <本技能目录>

迭代规则

• 过置信告警累计 ≥3 次 → 主动下调对应领域的 SEEK_HELP 阈值，并回写本 SKILL.md。
• 操作数 ≥10 次 → 分析高频决策类别优先打磨示例，低频类别评估精简。
• 重要用户偏好 → 写入 learned_patterns.json，下次调用直接采用。

越用越懂你：第一次用是通用监控，第十次已沉淀为你专属的"自我认知守门层"。

• 蒸馏不保证覆盖教师全部隐式知识，首次使用需对照教师原技能核验关键决策。