meta-native-autonomous-discovery

meta-native-autonomous-discovery（蒸馏超越型元技能）

由 model-distillation 从教师技能 native-autonomous-discovery 蒸馏并增强生成。 生成时间：2026-07-23 09:31:27 ｜ 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：native-autonomous-discovery（原生自主发现）, 何时用, 核心循环, 用法, 或对接真实观测器：, 输出, 与其他能力关系, 已知限制
• 显性工作流步骤（5 步）：
  1. 生成假设：从搜索空间抽样/枚举候选（支持约束与多样性）。
  2. 实验设计：为待验假设选判别性观测（最小化歧义，最大化信息增益）。
  3. 评估证据：用观测器 observe(hypothesis) -> score∈[0,1] 打分。
  4. 收敛判定：证据累加达阈值→收敛；长期低证据→再生/剪枝。
  5. 输出：Top 假设 + 证据轨迹 + 置信度。

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「native-autonomous-discovery」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）

• • 收敛质量完全取决于观测器真实性；观测器有偏，结论就有偏（建议配蒸馏质量对抗验证）。
• 大搜索空间需配采样预算，否则可能未收敛就耗尽轮次（返回 best-effort + 置信度标注）。

---

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。每次使用后自动复盘、积累经验，逐步提升输出质量与执行效率，无需人工维护。

记忆文件

learned_patterns.json（位于本技能目录）记录：操作总数、各能力使用频次、错误模式、用户偏好、改进建议。

使用后请调用（Bash）

# 记录一次成功使用（--capability 填本次主要能力名，如「简历优化」「比价」）
python scripts/learner.py record <本技能目录> --capability 简历优化
# 记录一次失败/异常
python scripts/learner.py record <本技能目录> --capability 简历优化 --fail --error 格式识别失败 --note "用户上传了非标准文件"
# 记录用户偏好（下次直接使用）
python scripts/learner.py prefer <本技能目录> --key 输出语言 --val 中文
# 查看累计洞察（高频能力 / 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

• 错误累计 ≥3 次 → 主动增加预检/兜底步骤，并将经验回写本 SKILL.md。
• 操作数 ≥10 次 → 分析高频能力优先打磨示例与质量，低频能力评估精简或合并。
• 重要用户偏好 → 写入 learned_patterns.json，下次调用直接采用，减少重复询问。

越用越懂你：第一次用是通用能力，第十次用已沉淀为你专属的最佳实践。

• 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。