编程

open-ended-goal-discovery

试用

开放式目标发现：让 agent 不再被动接任务，而是主动从能力图谱、用户兴趣信号与反馈中 自主发现值得攻克的新目标。对候选目标做 价值×新颖度×可行性×用户对齐 四维打分并排序， 输出 Top-N 建议。纯标准库、可本地实跑，是"超级智能体"主动设目标能力的延伸与强化。

它能做什么

开放式目标发现：让 agent 不再被动接任务，而是主动从能力图谱、用户兴趣信号与反馈中 自主发现值得攻克的新目标。对候选目标做 价值×新颖度×可行性×用户对齐 四维打分并排序， 输出 Top-N 建议。纯标准库、可本地实跑，是"超级智能体"主动设目标能力的延伸与强化。

技能文档

open-ended-goal-discovery（开放式目标发现）

北极星：超越一线大模型需要 agent 能"自己找到该做的事"，而非只等指令。 本技能把「主动目标发现」做成可运行、可验证的工程模块，是 proactive-goal-setter 的 升维版——从"给定候选自动排课"升级为"从信号自主生成候选并打分"。

何时使用

  • 长程空闲 / 任务间隙，需要主动发现高价值待办（而非空转）。
  • 给用户提供"我还能帮你做这些"的主动建议清单。
  • 作为超级智能体闭环的"目标生成器"节点，喂给 long-horizon-planner 排程。

核心机制

输入一份「环境状态」JSON：

  • capabilities: 已知能力名列表
  • pursued_goals: 已攻克/进行中目标列表（用于新颖度惩罚）
  • signals: 兴趣信号列表 [{"topic":..,"interest":0..1,"positive":int}]
  • preferences: 用户偏好（可选，如 {"domain":"finance"}）

对每条信号生成候选目标，四维打分（权重可调）：

  • value 价值 = 信号兴趣度聚合（interest 均值 × log(1+正向反馈)）
  • novelty 新颖度 = 1 − 与已追目标的最大字符级相似度（避免重复立项）
  • feasibility 可行性 = 目标所需能力中"已具备占比"（缺失能力越多分越低）
  • alignment 对齐 = 命中用户偏好域的程度

score = 0.35*value + 0.30*novelty + 0.25*feasibility + 0.10*alignment，排序取 Top-N。

使用

python scripts/discover.py --selftest
python scripts/discover.py --json '{...}' --top 3

自进化学习系统

接入 skill-self-improve 的 learner.py：每次发现的"被用户采纳/否决"目标记 record， 积累后识别高价值信号域，反哺 value 权重与 alignment 偏好。

已知限制

  • novelty 用字符级 Jaccard，短目标区分度有限；长目标更准确。
  • feasibility 依赖 capabilities 清单完整性，清单缺失会高估可行性。
  • 不替代领域价值研判，仅做"值得主动提"的初筛排序。

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。每轮目标发现后自动复盘、积累经验。

记忆文件

learned_patterns.json 记录：操作总数、各信号域使用频次、被用户采纳/否决的目标、用户偏好、改进建议。

使用后请调用（Bash）

# 记录一次发现（--capability 填本次主域，如「finance」「行业链分析」）
python scripts/learner.py record <本技能目录> --capability finance
# 记录一个被用户否决的目标（用于下调该域权重）
python scripts/learner.py record <本技能目录> --capability 冷门彩蛋 --fail --error 用户否决 --note "价值不足"
# 记录用户偏好（下次直接采用）
python scripts/learner.py prefer <本技能目录> --key 偏好域 --val finance
# 查看累计洞察（高频信号域 / 反复否决）
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

  • 被否决累计 ≥3 次 → 下调对应信号域 value 权重，并回写本 SKILL.md。
  • 操作数 ≥10 次 → 分析高频信号域优先打磨，低频域评估降权。
  • 重要用户偏好 → 写入 learned_patterns.json，下次调用直接采用。

越用越懂你：第一次发现是通用初筛，第十次已沉淀为你专属的"主动目标雷达"。

相关技能

native-autonomous-discovery

原生自主发现：超越"被动接任务问答"，对开放问题自主完成"假设->设计判别性实验->评估证据->收敛" 的科研闭环。给定搜索空间与观测器，自动生成候选假设、用观测器打分、按证据累加择优、对低证据 假设再生或剪枝，直到收敛到高置信结论。纯标准库、零依赖、可本地实跑(--selftest 自带样例)。

open-ended-curriculum

开放世界无限课程：让智能体自己造越来越难、且彼此不重复的挑战，把能力边界无限推开——课程永不饱和。 这是决定"能否持续超越"的元能力：一线大模型等人工喂题、题做完了就停，本技能让 agent 自主生成递增强度课程。 当用户要求永不饱和的课程、自主造题、能力边界无限推开、开放世界自训练时使用。

autonomous-deep-research

自主深度研究（整合与进阶·元能力）。给定一个开放研究问题，agent 自主完成： 问题分解→多源检索(rag / web-fetch)→综合与交叉验证→反思覆盖度→迭代逼近答案。 对标一线大模型智能体的「深度研究」能力（如 Deep Research），且可离线/在线双模运行、 自带置信度校准与未解缺口标记。当需要对一个复杂、多侧面问题做有依据、可追溯、可迭代的研究时使用。

autonomous-science-loop

自主科学发现闭环——把「观测→假设→实验设计→反驳→定律归纳」做成一次可机器执行、可证伪的原创科学发现循环。给一组观测与可实验的候选点，引擎自动用符号回归拟合候选定律、按残差反驳被证伪的假设、主动设计"分歧最大"的下一次实验以最快收敛、并按 Occam 归纳出最简可解释定律。适用于规律发现、参数辨识、模型选择、主动学习/最优实验设计等场景。

write-goal

Help the user craft a well-specified goal objective for autonomous mode — turn a rough intention into a completion contract with a clear finish line, proof, boundaries, and stop rule. Use when the user asks for help writing, refining, or improving a goal, wants to set a structured objective for auto

1 次安装

Real Objective Discovery

Short interview to surface the real goal behind an ambiguous request before executing — Karpathy layer 1.