📦 AI Self-Evolution Engine — 心智模型自进化

一次运行，双重价值——每次运行同时产出两个价值：

• 用户获得 F.A.C.E.T. 深度分析，提取可立即应用的思维模型
• AI 获得 永久写入 patterns/{id}.md 的决策框架（带 YAML frontmatter），构建可复用的思维模型库

随时间积累，你的 AI 拥有一个不断增长的决策框架库（类似 Charlie Munger 的“latticework of mental models”），在未来任何领域的提问中都可以引用。

---

路径约定

所有路径均相对于 OpenClaw workspace 根目录（通常为 ~/.openclaw/workspace/）。
如用户 workspace 位于其他位置，请将文档中的路径替换为实际 workspace 路径。

用途	相对路径
阅读记录	memory/reading-history.json
思维框架库	memory/knowledge-base/patterns/.md（每个模型一个文件）
概念库	memory/knowledge-base/concepts.md
用户画像	USER.md
调度配置	HEARTBEAT-reading.md

---

路由（分支）

根据用户意图，选择不同的执行路径：

用户意图	路由	说明
“生成今日读书简报” / 默认	→ Main Workflow (breadth)	完整选书→分析→写入流程，提取 1 个模型
“深度分析《XXX》” / “depth_mode: depth”	→ Main Workflow (depth)	对指定书籍连续提取多个模型，合并输出
“cognitive-forge status” / “认知锻造 状态”	→ Status Branch	输出知识库统计
“cognitive-forge review” / 周日自动触发	→ Review Branch	间隔复习本周模型
“分析《XXX》这本书”	→ Main Workflow (breadth, 跳过选书)	用户直接指定书籍，提取 1 个核心模型

Depth mode 触发方式：

• 手动触发：用户说“深度分析《XXX》”或传入 depth_mode: depth
• 定时触发：HEARTBEAT-reading.md 中可配置 depth: true，调度时传入该参数则自动走 depth mode

---

Status Branch（知识库统计）

当用户请求查看知识库状态时：

• 统计 memory/knowledge-base/patterns/ 目录下 .md 文件数 = 模型总数
• 读取 memory/reading-history.json，统计：

- 已读书籍总数（used_models 数组长度） - 各领域分布（按 category 分组计数） - 最近 5 条记录

• 输出格式：

## 📊 认知锻造 · 知识库状态
模型总数: XX 个思维框架  
已读书籍: XX 本  
知识库大小: XX KB  
领域分布
领域
模型数
占比
Business Strategy
5
25%
Psychology
3
15%
...
...
...
最近 5 条
2026-03-27 | 《反脆弱》 | 反脆弱三元组  
...
覆盖薄弱领域 ⚠️
Philosophy (0), Biography (0) — 建议补充

---

Review Branch（间隔复习）

触发方式：

• 用户手动说 “cognitive-forge review”
• 当 HEARTBEAT-reading.md 配置了周日时段时，自动在周日 briefing 中插入复习环节

执行逻辑：

• 读取 memory/reading-history.json，筛选最近 7 天的 used_models 记录
• 随机抽取 2-3 个模型
• 输出复习问答：

## 🔄 本周复习：你还记得这些模型吗？
1.「逃离机制」来自《逃离不平等》  
核心框架是什么？（回忆 [F]）  
什么时候会失效？（回忆 [E]）
2.「双系统理论」来自《思考，快与慢》  
它摧毁了什么常识？（回忆 [C]）  
你上周在工作中用到了吗？
回复你的答案，我帮你查漏补缺。

---

Main Workflow

Step 0. 环境检查（首次使用自检）

每次运行开始时执行，静默完成（不打断用户）：

• 检查 memory/reading-history.json 是否存在

- 不存在 → 自动创建初始文件：

   {
     "schema_version": 1,
     "last_attempted": null,
     "queue": [],
     "used_models": []
   }
   

• 检查 memory/knowledge-base/ 目录 是否存在

- 不存在 → 自动创建目录

• 检查 memory/knowledge-base/patterns/ 目录 是否存在

- 不存在 → 自动创建目录

• 检查 memory/knowledge-base/concepts.md 是否存在

- 不存在 → 创建带标题的空文件

• 检查 USER.md 是否存在

- 不存在 → 输出提示：💡 建议创建 USER.md（职业、兴趣、当前挑战），以获得个性化的 [T] Transfer 分析。 - 存在 → 静默读取，提取用户画像

• 检查依赖 skill 是否可用

- book-scout 和 mental-model-forge 必须可调用 - 不可用 → 报错并停止

• 检查 last_attempted 字段

- 如果 status == "failed" → 提示用户：

   ⚠️ 上次运行在「{step}」步骤失败（书籍: {book}）。  
   是否要恢复上次操作？回复"是"恢复，或"否"跳过。
   

Step 1. 选书

选书来源优先级（从高到低）：

来源 1: 用户直接指定

如果用户明确说了 “分析《XXX》by YYY”，直接使用该书，跳过选书流程。

• 标记 source: "user_specified"

来源 2: 预排队列

检查 memory/reading-history.json 的 queue 数组：

{
  "queue": [
    {"title": "《穷查理宝典》", "author": "彼得·考夫曼", "topic": "决策科学"}
  ]
}

• 如果 queue 非空 → 取第一项，从 queue 中移除
• 标记 source: "queue"

来源 3: book-scout 网络搜索

当 queue 为空且用户未指定时，调用 book-scout skill。

确定搜索主题：

• 检查 HEARTBEAT-reading.md 是否有自定义主题映射（## 主题映射 section）

- 如有 → 使用自定义映射

• 否则使用默认星期-主题映射：

星期	默认主题
Monday	Business Strategy
Tuesday	Psychology
Wednesday	Technology
Thursday	Economics
Friday	Innovation
Saturday	Philosophy
Sunday	Biography

可配置: 用户可在 HEARTBEAT-reading.md 中添加 ## 主题映射 section 覆盖默认值。
也可以按时段细分（参考 HEARTBEAT-reading.md 中的 21 主题轮转配置）。

加载去重列表（书名去重）： 从 memory/reading-history.json 提取所有 book_title 字段值，去重后作为已读书名列表。

重要：不读取 thinking-patterns.md 或 patterns/.md。去重只需要书名，不需要模型内容。

调用 book-scout：

主题: {topic}  
已读书籍:  
《精益创业》  
《从0到1》  
《影响力》  
执行 book-scout skill，搜索符合主题的经典书籍。

重试机制：

• Attempt 1 失败 → 等 2s → 重试
• Attempt 2 失败 → 等 3s → 重试
• Attempt 3 失败 → 返回错误给用户：

⚠️ 选书失败：{error}  
已尝试 3 次。你可以直接指定书籍："分析《书名》by 作者"

book-scout 成功返回：

{
  "book_title": "《增长黑客》",
  "author": "肖恩·埃利斯",
  "author_nationality": "美国",
  "publish_date": "2015-04",
  "rating": 8.5,
  "review_count": 10000,
  "score": 74.4,
  "summary": "增长黑客方法论...",
  "reasoning": "评分8.5且有1万真实评价..."
}

标记 source: "web_search"，进入 Step 2。

更新 last_attempted：

"last_attempted": {
  "date": "YYYY-MM-DD",
  "book": "《增长黑客》",
  "step": "book_selection",
  "status": "success"
}

Step 2. 提取思维模型

Breadth Mode（默认）

调用 mental-model-forge skill，对选中的书进行 F.A.C.E.T. 分析，提取 1 个核心思维模型。

Depth Mode

当用户指定 depth_mode: depth 时，对同一本书连续提取多个思维模型：

工作流：

• 第 1 次调用 mental-model-forge，提取书中最核心的思维模型
• 将已提取的模型名称作为 exclude_models 参数，再次调用：

   这本书是《反脆弱》。  
   exclude_models: ["反脆弱三元组"]  
   请提取这本书中另一个独立的、不同的思维框架。
   

• 重复直到三重退出条件任一触发：

退出条件	判断方式
模型数上限	该书已提取 5 个模型 → 停止
语义去重	AI 判断新模型与已提取模型本质相同（同一思想的变体或换皮）→ 停止
AI 自评	提取后自问 “这本书还有独立的、值得提取的思维框架吗？” → No → 停止

• 每提取一个模型，立即执行 Step 4-5（写入知识库 + 更新记录）
• 所有模型提取完毕后，合并为一份报告执行 Step 3 + Step 6（生成简报 + 写入外部数据库）

Step 2.5. F.A.C.E.T. 质量验证（结构化验证）

mental-model-forge 返回后，执行以下自检：

• [ ] 完整性: 5 个维度 [F][A][C][E][T] 是否都有实质内容（非空、非占位符文本）
• [ ] [F] 字数: Framework 是否 ≤ 80 字（中文）或 ≤ 50 words（英文）
• [ ] [T] 个性化: Transfer 是否引用了 USER.md 中的具体信息（职业、项目、挑战）

- 如果 USER.md 存在但 [T] 未引用任何用户上下文 → 验证失败

• [ ] 质量自评: 整体分析质量 1-10 分

处理：

• 自评 ≥ 7 分且全部检查通过 → 进入 Step 3
• 自评 < 7 分或任一检查失败 → 重新调用 mental-model-forge（最多重试 1 次）
• 重试后仍不合格 → 使用当前版本但在输出中标注 ⚠️ 本次分析质量未达标，建议后续深入阅读

Step 3. 生成简报

输出模式（默认 full）：

Full Mode（默认）

创建完整结构化简报，必须适配用户上下文：

[强制步骤] 读取 USER.md：

• Path: USER.md（相对于 workspace 根）
• 如果存在，提取：

- 工作经历 / 现在 → profession - 兴趣 / 爱好 → interests - 当前焦虑 / 未来规划 → current challenges

• 如果不存在 → 使用通用第二人称（“你”），可追问用户背景

输出结构：

## 📖 今日思维锚点
书籍: 《XXX》 - 作者  
核心一句话: [今日思维锚点，一句话总结]
🧠 F.A.C.E.T. 认知穿透
[F] Framework（核心框架）
[核心机制，≤80字中文]
[A] Anchor Case（锚定案例）
[最经典的真实案例，生动讲述]
[C] Contradiction（反共识摧毁）
❌ 被摧毁的常识: "..."  
✅ 真相: ...
[E] Edge（隐性边界）
失效条件:  
...  
...
[T] Transfer（跨界迁移）
[映射到用户的实际上下文：职业、项目、挑战]
🎯 应用场景
场景
如何应用
预期效果
[场景1：映射用户职业]
...
...
[场景2：映射用户项目]
...
...
[场景3：映射用户挑战]
...
...
🔴 反面案例
[违反该原则的真实或假设案例]
🤔 战略拷问
[尖锐、具体、可行动的问题，引用用户实际上下文]  
Bad: "企业家应该怎么做？"  
Good: "你在爱康国宾的 AI 产品，是在避免失败还是利用失败？"
🔄 认知模式更新
思维框架: 看到XX → 想到XX  
决策原则: 在XX场景下，应该XX而非XX  
盲区警告: 小心XX情况  
反射弧: 看到XX信号 → 联想到这个模型 → 判断/行动
💬 这个模型让你想到工作中的哪个具体场景？回复我，我帮你深入分析。

个性化规则：

• 始终用第二人称（“你的”、“你在”）
• [T] Transfer 必须引用用户具体信息（职业、项目名、公司名）
• 战略拷问必须具体到用户当前处境，不可泛泛而谈
• 应用场景 ≥ 3 个，分别映射用户的不同维度

Brief Mode

当用户指定 output: brief 时，输出精简版：

## 📖 《书名》 - 作者
核心框架: [F] 一句话总结核心机制  
破除常识: [C] 被摧毁的常识信念  
应用到你: [T] 一个具体行动项（映射用户上下文）  
盲区: [E] 何时失效  
💡 想看完整分析？说 "展开" 即可。

• brief 模式同样执行完整的知识库写入流程（Step 4-6），只是输出给用户的部分精简
• 用户说 “展开” 后，输出完整 full 模式内容

Depth Mode Output（合并报告）

当 depth mode 提取了多个模型时，合并为一份报告输出：

## 📖 深度解析：《书名》 - 作者
提取模型数: N 个 | 模式: Depth
💎 模型 1: [Model Name]
[F] 核心框架: [一句话，≤80字]  
[A] 锚定案例: [最经典案例，2-3句]  
[C] 破除常识: ❌ "..." → ✅ ...  
[E] 失效边界: [何时失效]  
[T] 迁移应用: [映射用户上下文]
💎 模型 2: [Model Name]
（同上结构）
💎 模型 3: [Model Name]
（同上结构）
🔗 模型关联分析
模型
核心逻辑
适用场景
与其他模型的关系
模型1
...
...
与模型2互补 / 与模型3矛盾
模型2
...
...
...
模型3
...
...
...
🤔 综合战略拷问
[基于所有模型的综合视角，提出一个更深层的战略问题]

关键区别：

• 每个模型的 F.A.C.E.T. 用精简格式（各维度 1-3 句，不展开）
• 新增「模型关联分析」表格 — 展示模型间的互补/矛盾/递进关系
• 战略拷问基于所有模型的综合视角，而非单个模型

Step 4. 更新知识库

分类并存储提取的模型。

分类决策树

提取的知识
├─ 能否在不同领域复用为决策工具？ → YES → Thinking Pattern
├─ 是否是高度抽象的通用指导原则？ → YES → Principle
├─ 是否是领域特定的知识/术语？ → YES → Concept
└─ 边界模糊 → 标记多个 tags

三种分类：

类型	定义	示例	写入位置
Thinking Pattern	可复用决策框架	颠覆性创新框架、逃离机制	patterns/{id}.md
Principle	高度抽象指导原则	二八法则、奥卡姆剃刀	patterns/{id}.md
Concept	领域特定知识	种痘术、能量密度天花板	concepts.md

一个条目可以同时标记多个类型（如 “杠铃策略” 既是 Thinking Pattern 又有 Concept 成分）。

写入格式：

For Thinking Patterns / Principles（写入 memory/knowledge-base/patterns/{id}.md）： 从 mental-model-forge 返回的 KB_META 块提取 frontmatter 字段，从 FACET 维度映射正文字段：

---
id: {from KB_META}
name_zh: {from KB_META}
name_en: {from KB_META}
source: {book_title}, {author}
category: {from KB_META}
tags: {from KB_META}
scenarios: {from KB_META}
related_models: {from KB_META}
difficulty: {from KB_META}
date: YYYY-MM-DD
核心逻辑: {从 [F] Core Framework 提炼的一段话，比 Framework 更完整}  
思维框架: {直接使用 [F] Core Framework 内容}  
决策原则: {从 [F] + [E] 推导，格式：在XX场景下，应该XX而非XX}  
盲区警告: {直接使用 [E] Hidden Boundaries 内容}  
反射弧: {从 scenarios 推导，格式：看到XX信号 → 联想到模型 → 判断/行动}  
锚定案例: {直接使用 [A] Anchor Case 内容}  
反共识: {from KB_META contradiction field，格式：❌ "旧常识" → ✅ 新真相}

FACET → 知识库字段映射表：

FACET 维度	知识库字段	映射方式
[F] Framework	核心逻辑 + 思维框架	核心逻辑=扩展版，思维框架=原文
[A] Anchor Case	锚定案例	直接使用
[C] Contradiction	反共识	直接使用
[E] Edge	盲区警告	直接使用
[T] Transfer	不写入知识库	仅用于用户简报
—	决策原则	从 [F]+[E] 提炼
—	反射弧	从 scenarios 推导

重要：[T] Transfer 是用户简报专用维度，包含个性化上下文（职业、项目、挑战），不写入知识库。每次生成简报时根据 USER.md 实时生成。

For Concepts（写入 concepts.md）：

## [Concept Name] - [Book Title]
定义 (Definition):  
[简洁定义]
上下文 (Context):  
这个概念在什么领域/场景重要？
关联理论 (Related Theories):  
与哪些思维框架相关？
来源: [Book Title] - [Author]  
日期: YYYY-MM-DD

更新 last_attempted：

"last_attempted": {
  "date": "YYYY-MM-DD",
  "book": "《XXX》",
  "step": "knowledge_base_write",
  "status": "success"
}

Step 4.5. 验证知识库写入（必须执行）

验证逻辑：

# 验证: 检查文件是否存在
ls ~/.openclaw/workspace/memory/knowledge-base/patterns/{id}.md

自检清单：

• □ patterns/{id}.md 文件存在？
• □ 文件包含完整 YAML frontmatter（--- 开头和结尾）？
• □ frontmatter 中 date 为当天？
• □ 正文包含所有 7 个字段（核心逻辑、思维框架、决策原则、盲区警告、反射弧、锚定案例、反共识）？

如果验证失败 → 立即重新写入，再次验证。验证通过后才能继续 Step 5。

Step 5. 更新阅读记录

向 memory/reading-history.json 的 used_models 数组追加新条目：

{
  "date": "YYYY-MM-DD",
  "book": "书名",
  "author": "作者",
  "model": "提取的思维模型名称",
  "category": "主题分类",
  "source": "web_search | queue | user_specified",
  "applied_count": 0,
  "tags": ["thinking-pattern"]
}

同时更新 last_attempted:

"last_attempted": {
  "date": "YYYY-MM-DD",
  "book": "《XXX》",
  "step": "reading_history_update",
  "status": "success"
}

错误恢复策略：

• 如果 Step 4（写入知识库）失败 → 不更新 reading-history，下次运行会重试同一本书
• 如果 Step 5（本步骤）失败 → 知识库已写入但记录未更新，last_attempted 标记为 failed，下次运行时提醒用户手动补录

Step 6. 写入外部数据库

[检查] 读取 HEARTBEAT-reading.md 获取数据库配置：

• Path: HEARTBEAT-reading.md
• 寻找 ## 环境配置 section
• 提取 Feishu App Token 和 Table ID
• 如未找到 → 跳过本步骤（local-only mode）

如果配置存在，写入 Feishu Bitable：

feishu_bitable_create_record({
  app_token: "{from HEARTBEAT-reading.md}",
  table_id: "{from HEARTBEAT-reading.md}",
  fields: {
    "日期": Date.now(),
    "书名": "《反脆弱》",
    "作者": "Nassim Nicholas Taleb",
    "模型名称": "反脆弱三元组",
    "分类": "Innovation",
    "核心框架(F)": "系统分三类：脆弱、坚韧、反脆弱...",
    "应用场景": "产品迭代、技能学习、风险管理",
    "战略拷问": "你的产品是在避免失败还是利用失败？"
  }
})

Notion Database（alternative）：

• Required: NOTION_API_KEY, NOTION_DATABASE_ID
• Map fields accordingly

如果无凭证 → 跳过（skill 仍可本地使用）

---

reading-history.json Schema（v1）

统一 schema 定义：

{
  "schema_version": 1,
  "last_attempted": {
    "date": "2026-03-27",
    "book": "《反脆弱》",
    "step": "knowledge_base_write",
    "status": "success"
  },
  "queue": [
    {
      "title": "《穷查理宝典》",
      "author": "彼得·考夫曼",
      "topic": "决策科学"
    }
  ],
  "used_models": [
    {
      "date": "2026-03-24",
      "book": "《上瘾》",
      "author": "尼尔·埃亚尔",
      "model": "上瘾模型（Hook Model）",
      "category": "用户增长",
      "source": "web_search",
      "applied_count": 0,
      "tags": ["thinking-pattern"]
    }
  ]
}

字段说明：

• schema_version: 当前为 1，用于未来格式升级时的迁移判断
• last_attempted: 上次运行的状态快照，用于错误恢复
• queue: 用户预排的待读书籍队列（FIFO）
• used_models: 已处理的所有模型记录（追加式，不可删除）
• source: 标记选书来源（web_search | queue | user_specified）
• applied_count: 该模型被 AI 在后续对话中引用的次数（未来追踪用，初始为 0）
• tags: 分类标签数组（thinking-pattern | principle | concept）

迁移指引： 如果你已有旧格式的 reading-history.json（只有 used_models 数组，无 schema_version），只需手动添加以下顶层字段：

{
  "schema_version": 1,
  "last_attempted": null,
  "queue": [],
  "used_models": [... 保留原有数据 ...]
}

---

Depth Mode 配置

默认: breadth（每次运行处理一本新书，提取 1 个模型） 切换方式: 用户在对话中指定 depth_mode: depth 或说 “深度分析这本书”

depth 模式详细流程:

选中书籍: 《反脆弱》
│
├─ Round 1: 提取 "反脆弱三元组" → 写入 patterns/antifragility.md + reading-history
├─ Round 2: 提取 "杠铃策略" → 写入 patterns/barbell-strategy.md + reading-history
├─ Round 3: 提取 "林迪效应" → 写入 patterns/lindy-effect.md + reading-history
├─ Round 4: AI 自评 "无更多独立框架" → 停止
│
├─ 合并输出: 一份报告包含 3 个模型（精简 F/A/C/E + 🎯迁移 + 关联分析）
└─ 写入飞书: 每个模型一条记录

三重退出条件（任一触发即停止）：

• 模型数上限: 该书已提取 ≥ 5 个模型
• 语义去重: AI 判断新提取的模型与该书已提取模型本质相同（同一思想的变体或换皮表达）
• AI 自评: 提取后自问 “这本书还有独立的、值得提取的思维框架吗？”，回答 No 则停止

---

质量标准

禁止:

• 书籍摘要或作者传记
• 泛泛之谈（“这很重要”、“值得学习”）
• 重复已提取的模型（书名和模型名双重检查）
• 文学评论式语言

要求:

• 尖锐、可行动的语言
• 具体案例（不是抽象概念）
• 直接映射到用户上下文（不可脱离 USER.md）
• 反书评口吻（不是“推荐阅读”，而是“拿走就能用”）

---

配置

配置来源优先级:

1. HEARTBEAT-reading.md（推荐）

• Path: HEARTBEAT-reading.md
• 可配置内容：

- 主题映射覆盖 - Feishu/Notion 凭证 - 调度时间段

2. 环境变量（备选）

• FEISHU_APP_TOKEN, FEISHU_TABLE_ID
• NOTION_API_KEY, NOTION_DATABASE_ID

3. 默认值（兜底）

• 使用默认星期-主题映射
• 无外部数据库集成（local-only mode）

用户上下文（可选但强烈推荐）:

• Path: USER.md
• 用于: 个性化 [T] Transfer、应用场景、战略拷问
• 缺失时: 使用通用第二人称，可能追问用户背景

知识库路径（自动创建）:

• Thinking Patterns: memory/knowledge-base/patterns/.md（每个模型一个文件）
• Concepts: memory/knowledge-base/concepts.md

---

References

• See example-output.md for full and brief output format examples
• See book-selection.md for multi-source selection logic and configurable topic mapping
• See knowledge-classification.md for three-type classification with tag system

---

Version: 3.0.0 Last updated: 2026-03-28 Changes: Knowledge base restructure — single-file-per-model with YAML frontmatter (patterns/{id}.md), dedup via reading-history.json only (no longer reads thinking-patterns.md), FACET→KB field mapping table, KB_META extraction from mental-model-forge output, contradiction field added*